基于嵌入式GPU的車流量檢測系統(tǒng)

基于嵌入式GPU的車流量檢測系統(tǒng) 摘要：交通擁堵是當(dāng)今世界交通領(lǐng)域面臨的主要問題之一，如何通過現(xiàn)有的交通設(shè)備獲取更加精準(zhǔn)的交通信息是亟待解決的問題圖像識別技術(shù)在智能交通系統(tǒng)中有著廣泛的應(yīng)用，基于深度學(xué)習(xí)的車流量檢測技術(shù)是智能交通的重要組成局部本工程設(shè)計了一個基于嵌入式GPU的智能車流量檢測系統(tǒng)，該系統(tǒng)架設(shè)在NVIDIAJetsonTX2平臺上，采用基于深度學(xué)習(xí)YOLOv3的車輛檢測模型，檢測道路上的車輛目標(biāo)，設(shè)置興趣區(qū)域，對檢測到的目標(biāo)進行識別計數(shù)，實現(xiàn)對交通視頻的實時車流量檢測試驗驗證分析說明，該系統(tǒng)具有較高的檢測精度關(guān)鍵詞：深度學(xué)習(xí);車流量檢測;YOLO;JetsonTX2中圖分類號：TP391.41文獻(xiàn)標(biāo)識碼：A文章編號：1003-5168〔2021〕05-0029-03Abstract：Trafficcongestionisoneofthemainproblemsintheworld'stransportationfield，howtoobtainmoreaccuratetrafficinformationthroughexistingtransportationequipmentisanurgentproblem.Imagerecognitiontechnologyhasbeenwidelyusedinintelligenttransportationsystems，vehicleflowdetectiontechnologybasedondeeplearningisanimportantpartofintelligenttransportation.ThisprojectdesignedanintelligentvehicleflowdetectionsystembasedonembeddedGPU，whichwasbuiltontheNVIDIAJetsonTX2platform，usedaYOLOv3vehicledetectionmodelbasedondeeplearningtodetectvehicletargetsontheroad，setareasofinterest，identifyandcountthedetectedtargets，andrealizereal-timetrafficflowdetectionontrafficvideos.Testverificationanalysisshowsthatthesystemhashighdetectionaccuracy.Keywords：deeplearning;vehicleflowdetection;YOLO;JetsonTX2隨著國民經(jīng)濟的開展，交通擁堵、道路平安事故頻發(fā)已經(jīng)成為我國各大城市面臨的嚴(yán)峻問題。

為了有效地了解城市交通狀況，解決交通堵塞、交通事故等突發(fā)性狀況，美國、德國、英國等興旺國家紛紛開始開發(fā)智能交通系統(tǒng)〔ITS〕【1】ITS是將車載導(dǎo)航【2】、交通信號燈控制系統(tǒng)【3】和車輛車牌自動識別系統(tǒng)【4】等許多先進的交通技術(shù)集成到交通管理和控制系統(tǒng)中的一種方法車流量檢測是智能交通系統(tǒng)的關(guān)鍵技術(shù)，光流法〔OpticalFlow〕、背景減除法〔BackgroundSubtraction〕、邊緣檢測法〔Edgedetection〕和運動矢量檢測法〔MeasurementofMotionVector〕是常見的幾種基于視頻的車輛檢測方法[5-6]傳統(tǒng)的車輛檢測算法在檢測的實時性、準(zhǔn)確性和可靠性上有著一定的技術(shù)痛點，已經(jīng)不能完全滿足智能交通系統(tǒng)實時性的要求，人們急需研發(fā)更高效、更可靠、實時性好、準(zhǔn)確性高的車輛檢測算法近年來，隨著人工智能技術(shù)和圖像識別技術(shù)的開展，采用機器學(xué)習(xí)方案來識別車輛通過監(jiān)控屏幕的情況已經(jīng)成為一個新的技術(shù)熱點深度學(xué)習(xí)是一種特殊的機器學(xué)習(xí)方法，其在目標(biāo)檢測方面比傳統(tǒng)的檢測方法與淺層機器學(xué)習(xí)模型有著更高的準(zhǔn)確率與更好的檢測結(jié)果，它通過應(yīng)用深度卷積神經(jīng)網(wǎng)絡(luò)進行大量的有監(jiān)督訓(xùn)練來獲取圖像中的車輛特征，從而檢測出車輛【7】。

本研究使用YOLOv3作為系統(tǒng)的影像識別根底，在視頻中設(shè)置虛擬的興趣區(qū)域及標(biāo)記出興趣區(qū)域中的車輛，以到達(dá)車輛計數(shù)的目的試驗說明，該系統(tǒng)可以到達(dá)較高的計數(shù)精度一個完整的車流量檢測系統(tǒng)由交通視頻采集、車流量檢測算法及檢測結(jié)果輸出三局部組成傳統(tǒng)的通用計算機存在本錢高、易死機、體積大等缺點，本系統(tǒng)采用NVIDIA公司出品的JetsonTX2作為高性能嵌入式GPU開發(fā)平臺，采用CPU+GPU的協(xié)同處理模式，實現(xiàn)目標(biāo)對象檢測1系統(tǒng)設(shè)計目標(biāo)一是實時計數(shù)，要構(gòu)建一個具有魯棒性的車流量計數(shù)系統(tǒng)，實現(xiàn)車輛實時計數(shù)二是多目標(biāo)感知為了準(zhǔn)確計算交通流量，車流量計數(shù)系統(tǒng)需要具備同時感知多個目標(biāo)的處理能力三是目標(biāo)分類，在真實交通場景中，攝像頭會獲取多個類型的對象因此，車輛計數(shù)系統(tǒng)需要從多種類型的移動目標(biāo)中提取到各種類型車輛2系統(tǒng)模型結(jié)構(gòu)如圖1所示，該系統(tǒng)主要包括三個功能模塊，一是車輛檢測器，二是車輛坐標(biāo)緩沖器，三是車輛計數(shù)器筆者將攝像頭或視頻圖像作為數(shù)據(jù)來源，先對視頻進行預(yù)處理，然后檢測器將處理過后的數(shù)據(jù)作為車輛坐標(biāo)緩沖器的輸入內(nèi)容，最后車輛計數(shù)器將處理緩沖器中的數(shù)據(jù)，并輸出車流量計數(shù)的結(jié)果下面對該流程做詳細(xì)的講解。

本系統(tǒng)采用YOLOv3模型作為車輛檢測算法，YOLO是一個快速、準(zhǔn)確的目標(biāo)探測器它包含公開可用的數(shù)據(jù)集Pascalvoc2021，其中包含數(shù)百萬個自然圖像，可以使用訓(xùn)練數(shù)據(jù)集訓(xùn)練的權(quán)重識別80個類別對于車流量檢測系統(tǒng)來說，只需要檢測汽車、公共汽車和卡車三種類別的目標(biāo)因此，對原有的YOLO代碼做了修改，只輸出上述三類對象識別，并屏蔽掉屏幕上的其他移動對象YOLOv3模型采用矩形框標(biāo)記出檢測到的車輛，車輛標(biāo)記的矩形框位置用一個元組〔x，y，w，h〕來進行表示其中，〔x，y〕表示矩形框左上方點的坐標(biāo)，w，h分別表示矩形框的橫向長度和縱向長度因此，通過計算可知，標(biāo)記車輛的質(zhì)心位置坐標(biāo)為〔x+w/2，y+h/2〕由于YOLO采用的是“端對端〞的訓(xùn)練方法，因此對當(dāng)前畫面進行處理之后將返回數(shù)據(jù)進行處理，視每一個預(yù)選區(qū)域為單獨個體，在該個體的矩形框上標(biāo)記其序號，并將其參加列表中，同時根據(jù)質(zhì)心追蹤算法確保其從進入興趣區(qū)域到離開興趣區(qū)域都被標(biāo)記，存放標(biāo)記個體的列表根據(jù)檢測實時變化，從而獲取到車輛數(shù)，如圖2所示3算法移植如圖3所示，本系統(tǒng)采用英偉達(dá)公司出品的JetsonTX2作為檢測系統(tǒng)的嵌入式平臺，該嵌入式平臺采用256核心的NVIDIAPascalGPU架構(gòu)，擁有256核心NVIDIAPascalGPU，完全支持所有現(xiàn)代圖形API〔ApplicationProgrammingInterface〕，統(tǒng)一著色器實現(xiàn)圖像渲染并支持GPU計算。

GPU支持與分立NVIDIAGPU相同的所有功能，涵蓋廣泛的計算API和包括CUDA在內(nèi)的計算庫兩個CPU集群通過NVIDIA設(shè)計的高性能相干互連結(jié)構(gòu)連接;支持兩個CPU集群同時運行，以實現(xiàn)真正的異構(gòu)多處理〔HMP〕環(huán)境Denver2〔雙核〕CPU集群針對更高的單線程性能進行了優(yōu)化;ARMCortex-A57MPCore〔四核〕CPU集群更適合多線程應(yīng)用和更輕負(fù)載[8]內(nèi)存系統(tǒng)支持高帶寬LPDDR4〔LowPowerDoubleDataRate4〕，支持128位內(nèi)存控制器，數(shù)據(jù)傳輸速度最高可達(dá)3200Mbps總體來說，該嵌入式平臺性能強大，外形小巧，節(jié)能高效，非常適合智能移動機器人、交通巡線無人機、嵌入式智能監(jiān)控器等智能設(shè)備本嵌入式檢測系統(tǒng)平臺運行所需的軟件為：Ubuntu16.04操作系統(tǒng)、CUDA9.0Toolkit，cuDNN7.0等本研究以安陽市萬達(dá)天橋采集的交通視頻為數(shù)據(jù)源，一旦該系統(tǒng)接收到需要檢測的視頻，檢測器將采用YOLOv3模型來識別視頻中的車輛，并將車輛的坐標(biāo)存儲在緩存器中，最后車輛計數(shù)器將處理存儲在緩存器中的數(shù)據(jù)，并輸出車輛計數(shù)的結(jié)果4試驗驗證為了驗證車流量檢測系統(tǒng)〔見圖4〕的有效性和可靠性，將該算法移植入JetsonTX2嵌入式平臺。

由于攝像頭在拍攝中受到風(fēng)及天橋本身的震動影響，攝像頭會產(chǎn)生輕微的晃動，對拍攝視頻的穩(wěn)定性產(chǎn)生一定影響，但是通過測試，該系統(tǒng)對車流量的檢測效果依舊良好下面三組測試說明了該系統(tǒng)的有效性，如表1所示試驗數(shù)據(jù)說明，該系統(tǒng)采用YOLOv3作為車流量檢測算法，準(zhǔn)確率較高，比照幀差法具有一定的優(yōu)勢，結(jié)合JetsonTX2強大的GPU運算能力，其根本可以滿足實時檢測的要求，該系統(tǒng)的設(shè)計是可行的5結(jié)論智能交通系統(tǒng)為人們提供了一個平安的交通環(huán)境得益于圖像識別技術(shù)的快速開展，它可以方便地完成交通流計數(shù)等綜合任務(wù)，通過修改現(xiàn)有的YOLO模型，對檢測到的物體進行識別，以獲得所需的車輛坐標(biāo)本文提出了一種利用改進的YOLO模型的嵌入式車流量檢測系統(tǒng)，通過對三段不同的交通視頻進行試驗，驗證了系統(tǒng)的正確性和有效性參考文獻(xiàn)：【1】DimitrakopoulosG，DemestichasP.IntelligentTransportationSystems[J].IEEEVehicularTechnologyMagazine，2021〔1〕：77-84.【2】KMorinaga.CarnavigationSystem：US，5416478[P].1995-05-16.【3】KHMolloy，JPWard，VMBenson.TrafficSignalControlSystem：US，3675196[P].1972-07-04.【5】史忠科，曹力.交通圖像檢測與分析[M].北京：科學(xué)出版社，2021.【6】RCGonzalez，REWoods.Digitalimageprocessing[M].UpperSaddleRiver：PrenticeHall，2021.【7】馬永杰，宋曉鳳.基于YOLO和嵌入式系統(tǒng)的車流量檢測[J].液晶與顯示，2021，4〔6〕：613-618.[8]高潮，李天長，郭永彩.基于DM642的嵌入式實時多路圖像采集處理系統(tǒng)[J].微計算機信息，2021〔30〕：282-283.。