基于嵌入式GPU的車流量檢測(cè)系統(tǒng)

《基于嵌入式GPU的車流量檢測(cè)系統(tǒng)》由會(huì)員分享，可在線閱讀，更多相關(guān)《基于嵌入式GPU的車流量檢測(cè)系統(tǒng)（3頁(yè)珍藏版）》請(qǐng)?jiān)谘b配圖網(wǎng)上搜索。

1、基于嵌入式GPU的車流量檢測(cè)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(wèn)題之一，如何通過(guò)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(wèn)題。圖像識(shí)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(cè)技術(shù)是智能交通的重要組成局部。本工程設(shè)計(jì)了一個(gè)基于嵌入式GPU的智能車流量檢測(cè)系統(tǒng)，該系統(tǒng)架設(shè)在NVIDIAJetsonTX2平臺(tái)上，采用基于深度學(xué)習(xí)YOLOv3的車輛檢測(cè)模型，檢測(cè)道路上的車輛目標(biāo)，設(shè)置興趣區(qū)域，對(duì)檢測(cè)到的目標(biāo)進(jìn)行識(shí)別計(jì)數(shù)，實(shí)現(xiàn)對(duì)交通視頻的實(shí)時(shí)車流量檢測(cè)。試驗(yàn)驗(yàn)證分析說(shuō)明，該系統(tǒng)具有較高的檢測(cè)精度。 關(guān)鍵詞：深度學(xué)習(xí);車流量檢測(cè);YOLO;JetsonTX2

2、 中圖分類號(hào)：TP391.41文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1003-5168〔2021〕05-0029-03 Abstract：Trafficcongestionisoneofthemainproblemsintheworld'stransportationfield，howtoobtainmoreaccuratetrafficinformationthroughexistingtransportationequipmentisanurgentproblem.Imagerecognitiontechnologyhasbeenwidelyusedinintelligenttransportati

3、onsystems，vehicleflowdetectiontechnologybasedondeeplearningisanimportantpartofintelligenttransportation.ThisprojectdesignedanintelligentvehicleflowdetectionsystembasedonembeddedGPU，whichwasbuiltontheNVIDIAJetsonTX2platform，usedaYOLOv3vehicledetectionmodelbasedondeeplearningtodetectvehicletargetsonth

4、eroad，setareasofinterest，identifyandcountthedetectedtargets，andrealizereal-timetrafficflowdetectionontrafficvideos.Testverificationanalysisshowsthatthesystemhashighdetectionaccuracy. Keywords：deeplearning;vehicleflowdetection;YOLO;JetsonTX2 隨著國(guó)民經(jīng)濟(jì)的開展，交通擁堵、道路平安事故頻發(fā)已經(jīng)成為我國(guó)各大城市面臨的嚴(yán)峻問(wèn)題。為了有效地了解城市交通狀況，解決

5、交通堵塞、交通事故等突發(fā)性狀況，美國(guó)、德國(guó)、英國(guó)等興旺國(guó)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(hào)燈控制系統(tǒng)【3】和車輛車牌自動(dòng)識(shí)別系統(tǒng)【4】等許多先進(jìn)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(cè)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(cè)法〔Edgedetection〕和運(yùn)動(dòng)矢量檢測(cè)法〔MeasurementofMotionVector〕是常見的幾種基于視頻的車輛檢測(cè)方法[5-6]。 傳統(tǒng)的車輛檢測(cè)算法在檢測(cè)的實(shí)時(shí)性、準(zhǔn)確性和可靠性上有著一定的技術(shù)痛點(diǎn)，已經(jīng)不

6、能完全滿足智能交通系統(tǒng)實(shí)時(shí)性的要求，人們急需研發(fā)更高效、更可靠、實(shí)時(shí)性好、準(zhǔn)確性高的車輛檢測(cè)算法。 近年來(lái)，隨著人工智能技術(shù)和圖像識(shí)別技術(shù)的開展，采用機(jī)器學(xué)習(xí)方案來(lái)識(shí)別車輛通過(guò)監(jiān)控屏幕的情況已經(jīng)成為一個(gè)新的技術(shù)熱點(diǎn)。深度學(xué)習(xí)是一種特殊的機(jī)器學(xué)習(xí)方法，其在目標(biāo)檢測(cè)方面比傳統(tǒng)的檢測(cè)方法與淺層機(jī)器學(xué)習(xí)模型有著更高的準(zhǔn)確率與更好的檢測(cè)結(jié)果，它通過(guò)應(yīng)用深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行大量的有監(jiān)督訓(xùn)練來(lái)獲取圖像中的車輛特征，從而檢測(cè)出車輛【7】。本研究使用YOLOv3作為系統(tǒng)的影像識(shí)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(jì)數(shù)的目的。試驗(yàn)說(shuō)明，該系統(tǒng)可以到達(dá)較高的計(jì)數(shù)精度。 一個(gè)完整

7、的車流量檢測(cè)系統(tǒng)由交通視頻采集、車流量檢測(cè)算法及檢測(cè)結(jié)果輸出三局部組成。傳統(tǒng)的通用計(jì)算機(jī)存在本錢高、易死機(jī)、體積大等缺點(diǎn)，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(tái)，采用CPU+GPU的協(xié)同處理模式，實(shí)現(xiàn)目標(biāo)對(duì)象檢測(cè)。 1系統(tǒng)設(shè)計(jì)目標(biāo) 一是實(shí)時(shí)計(jì)數(shù)，要構(gòu)建一個(gè)具有魯棒性的車流量計(jì)數(shù)系統(tǒng)，實(shí)現(xiàn)車輛實(shí)時(shí)計(jì)數(shù)。二是多目標(biāo)感知。為了準(zhǔn)確計(jì)算交通流量，車流量計(jì)數(shù)系統(tǒng)需要具備同時(shí)感知多個(gè)目標(biāo)的處理能力。三是目標(biāo)分類，在真實(shí)交通場(chǎng)景中，攝像頭會(huì)獲取多個(gè)類型的對(duì)象。因此，車輛計(jì)數(shù)系統(tǒng)需要從多種類型的移動(dòng)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)

8、主要包括三個(gè)功能模塊，一是車輛檢測(cè)器，二是車輛坐標(biāo)緩沖器，三是車輛計(jì)數(shù)器。筆者將攝像頭或視頻圖像作為數(shù)據(jù)來(lái)源，先對(duì)視頻進(jìn)行預(yù)處理，然后檢測(cè)器將處理過(guò)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(jì)數(shù)器將處理緩沖器中的數(shù)據(jù)，并輸出車流量計(jì)數(shù)的結(jié)果。下面對(duì)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(cè)算法，YOLO是一個(gè)快速、準(zhǔn)確的目標(biāo)探測(cè)器。它包含公開可用的數(shù)據(jù)集Pascalvoc2021，其中包含數(shù)百萬(wàn)個(gè)自然圖像，可以使用訓(xùn)練數(shù)據(jù)集訓(xùn)練的權(quán)重識(shí)別80個(gè)類別。對(duì)于車流量檢測(cè)系統(tǒng)來(lái)說(shuō)，只需要檢測(cè)汽車、公共汽車和卡車三種類別的目標(biāo)。因此，對(duì)原有的YOLO代碼做了修改，只輸出上述三

9、類對(duì)象識(shí)別，并屏蔽掉屏幕上的其他移動(dòng)對(duì)象。 YOLOv3模型采用矩形框標(biāo)記出檢測(cè)到的車輛，車輛標(biāo)記的矩形框位置用一個(gè)元組〔x，y，w，h〕來(lái)進(jìn)行表示。其中，〔x，y〕表示矩形框左上方點(diǎn)的坐標(biāo)，w，h分別表示矩形框的橫向長(zhǎng)度和縱向長(zhǎng)度。因此，通過(guò)計(jì)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(duì)端〞的訓(xùn)練方法，因此對(duì)當(dāng)前畫面進(jìn)行處理之后將返回?cái)?shù)據(jù)進(jìn)行處理，視每一個(gè)預(yù)選區(qū)域?yàn)閱为?dú)個(gè)體，在該個(gè)體的矩形框上標(biāo)記其序號(hào)，并將其參加列表中，同時(shí)根據(jù)質(zhì)心追蹤算法確保其從進(jìn)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(gè)體的列表根據(jù)檢測(cè)實(shí)時(shí)變化，從而獲取到車輛數(shù)

10、，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(cè)系統(tǒng)的嵌入式平臺(tái)，該嵌入式平臺(tái)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(shí)現(xiàn)圖像渲染并支持GPU計(jì)算。GPU支持與分立NVIDIAGPU相同的所有功能，涵蓋廣泛的計(jì)算API和包括CUDA在內(nèi)的計(jì)算庫(kù)。兩個(gè)CPU集群通過(guò)NVIDIA設(shè)計(jì)的高性能相干互連結(jié)構(gòu)連接;支持兩個(gè)CPU集群同時(shí)運(yùn)行，以實(shí)現(xiàn)真正的異構(gòu)多處理〔HMP〕環(huán)境。Denver2〔雙

11、核〕CPU集群針對(duì)更高的單線程性能進(jìn)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?？傮w來(lái)說(shuō)，該嵌入式平臺(tái)性能強(qiáng)大，外形小巧，節(jié)能高效，非常適合智能移動(dòng)機(jī)器人、交通巡線無(wú)人機(jī)、嵌入式智能監(jiān)控器等智能設(shè)備。本嵌入式檢測(cè)系統(tǒng)平臺(tái)運(yùn)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(yáng)市萬(wàn)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(cè)的視頻

12、，檢測(cè)器將采用YOLOv3模型來(lái)識(shí)別視頻中的車輛，并將車輛的坐標(biāo)存儲(chǔ)在緩存器中，最后車輛計(jì)數(shù)器將處理存儲(chǔ)在緩存器中的數(shù)據(jù)，并輸出車輛計(jì)數(shù)的結(jié)果。 4試驗(yàn)驗(yàn)證 為了驗(yàn)證車流量檢測(cè)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(tái)。由于攝像頭在拍攝中受到風(fēng)及天橋本身的震動(dòng)影響，攝像頭會(huì)產(chǎn)生輕微的晃動(dòng)，對(duì)拍攝視頻的穩(wěn)定性產(chǎn)生一定影響，但是通過(guò)測(cè)試，該系統(tǒng)對(duì)車流量的檢測(cè)效果依舊良好。下面三組測(cè)試說(shuō)明了該系統(tǒng)的有效性，如表1所示。 試驗(yàn)數(shù)據(jù)說(shuō)明，該系統(tǒng)采用YOLOv3作為車流量檢測(cè)算法，準(zhǔn)確率較高，比照幀差法具有一定的優(yōu)勢(shì)，結(jié)合JetsonTX2強(qiáng)大的GPU運(yùn)算能力，其根本

13、可以滿足實(shí)時(shí)檢測(cè)的要求，該系統(tǒng)的設(shè)計(jì)是可行的。 5結(jié)論 智能交通系統(tǒng)為人們提供了一個(gè)平安的交通環(huán)境。得益于圖像識(shí)別技術(shù)的快速開展，它可以方便地完成交通流計(jì)數(shù)等綜合任務(wù)，通過(guò)修改現(xiàn)有的YOLO模型，對(duì)檢測(cè)到的物體進(jìn)行識(shí)別，以獲得所需的車輛坐標(biāo)。本文提出了一種利用改進(jìn)的YOLO模型的嵌入式車流量檢測(cè)系統(tǒng)，通過(guò)對(duì)三段不同的交通視頻進(jìn)行試驗(yàn)，驗(yàn)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

14、〕：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(cè)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(cè)[J].液晶與顯示，2021，4〔6〕：613-618. [8]高潮，李天長(zhǎng)，郭永彩.基于DM642的嵌入式實(shí)時(shí)多路圖像采集處理系統(tǒng)[J].微計(jì)算機(jī)信息，2021〔30〕：282-283.