论文部分内容阅读
公交乘客检测是构建智能公交系统中重要的一环,而基于图像信息的公交乘客检测已成为计算机视觉领域的研究热点。公交场景下的乘客检测问题对算法的检测准确度和检测速度都有着较高要求。传统的基于图像检测方法虽然能满足速度要求,但在检测准确度上差距较远。卷积神经网络虽然有较高的检测准确度,但是计算量巨大,消耗资源多。因此,能够研究出一套速度快、准确度高的公交乘客检测技术具有重要的实际意义。为此,本文围绕检测准确度和检测速度做了如下研究:本文首先从摄像头角度和检测目标两方面分析了公交乘客检测任务,确定将车门正上方的摄像头垂直向下采集的数据作为乘客检测的检测图像,将图像中的乘客的肩部和头部区域作为检测目标。接着,结合公交车场景下乘客检测的特点分析了Faster R-CNN,SSD和YOLO的目标检测技术,采用YOLO的检测技术下的一个轻量级的tiny yolo模型。最后,在实验中,该检测模型取得了94%的检测准确度和1fps的检测速度。与传统的采用手工特征的方法相比,大大提升了检测准确度,但检测速度较慢,无法实际应用。为了提高卷积网络的检测速度而保持检测准确度,本文接下来对卷积网络模型的结构和通道两方面进行了研究。分析检测程序中各函数的耗时情况,得到耗时最多的函数是卷积相关的矩阵乘函数。针对这一问题,使用了一种深度可分离的卷积方法,将原始网络中的标准的卷积分为深度卷积和逐点卷积。实验结果表明,与原始的卷积网络模型相比,在检测速度方面提升了3.5倍,在检测准确度方面,基本不变。在经过卷积网络结构优化后,接下来对通道方面进行研究。首先由计算量和参数量确定待压缩的卷积层,然后使用删除通道对检测结果的影响来评估通道对检测结果的贡献大小,并根据此贡献大小来确定优先删除的通道,最后使用压缩算法对该卷积层进行通道压缩。实验结果表明,与经过网络结构优化的卷积神经网络模型相比,基于该压缩算法的方法能提高0.37倍的检测速度,而且保持检测准确度。本文tiny yolo模型经过网络结构和通道压缩的两方面优化后,与未经优化的tiny yolo模型相比,在检测速度方面提高了4.7倍,在检测准确度方面仅下降一个百分点,取得了较好的优化效果。