基于嵌入式GPU的车流量检测系统

储泽楠 韩毅 宋倍倍

摘 要：交通拥堵是当今世界交通领域面临的主要问题之一，如何通过现有的交通设备获取更加精准的交通信息是亟待解决的问题。图像识别技术在智能交通系统中有着广泛的应用，基于深度学习的车流量检测技术是智能交通的重要组成部分。本项目设计了一个基于嵌入式GPU的智能车流量检测系统，该系统架设在NVIDIA JetsonTX2平台上，采用基于深度学习YOLO v3的车辆检测模型，检测道路上的车辆目标，设置兴趣区域，对检测到的目标进行识别计数，实现对交通视频的实时车流量检测。试验验证分析表明，该系统具有较高的检测精度。

关键词：深度学习;车流量检测;YOLO;Jetson TX2

中图分类号：TP391.41文献标识码：A文章编号：1003-5168（2020）05-0029-03

Abstract： Traffic congestion is one of the main problems in the world's transportation field， how to obtain more accurate traffic information through existing transportation equipment is an urgent problem. Image recognition technology has been widely used in intelligent transportation systems， vehicle flow detection technology based on deep learning is an important part of intelligent transportation. This project designed an intelligent vehicle flow detection system based on embedded GPU， which was built on the NVIDIA JetsonTX2 platform， used a YOLO v3 vehicle detection model based on deep learning to detect vehicle targets on the road， set areas of interest， identify and count the detected targets， and realize real-time traffic flow detection on traffic videos. Test verification analysis shows that the system has high detection accuracy.

Keywords： deep learning;vehicle flow detection;YOLO;Jetson TX2

随着国民经济的发展，交通拥堵、道路安全事故频发已经成为我国各大城市面临的严峻问题。为了有效地了解城市交通状况，解决交通堵塞、交通事故等突发性状况，美国、德国、英国等发达国家纷纷开始开发智能交通系统（ITS）[1]。ITS是将车载导航[2]、交通信号灯控制系统[3]和车辆车牌自动识别系统[4]等许多先进的交通技术集成到交通管理和控制系统中的一种方法。车流量检测是智能交通系统的关键技术，光流法（Optical Flow）、背景减除法（Background Subtraction）、边缘检测法（Edge detection）和运动矢量检测法（Measurement of Motion Vector）是常见的几种基于视频的车辆检测方法[5-6]。

传统的车辆检测算法在检测的实时性、准确性和可靠性上有着一定的技术痛点，已经不能完全满足智能交通系统实时性的要求，人们急需研发更高效、更可靠、实时性好、准确性高的车辆检测算法。

近年来，随着人工智能技术和图像识别技术的发展，采用机器学习方案来识别车辆通过监控屏幕的情况已经成为一个新的技术热点。深度学习是一种特殊的机器学习方法，其在目标检测方面比传统的检测方法与浅层机器学习模型有着更高的准确率与更好的检测结果，它通过应用深度卷积神经网络进行大量的有监督训练来获取图像中的车辆特征，从而检测出车辆[7]。本研究使用YOLO v3作为系统的影像识别基础，在视频中设置虚拟的兴趣区域及标记出兴趣区域中的车辆，以达到车辆计数的目的。试验表明，该系统可以达到较高的计数精度。

一个完整的车流量检测系统由交通视频采集、车流量检测算法及检测结果输出三部分组成。传统的通用计算机存在成本高、易死机、体积大等缺点，本系统采用NVIDIA公司出品的Jetson TX2作为高性能嵌入式GPU开发平台，采用CPU+GPU的协同处理模式，实现目标对象检测。

1 系统设计目标

一是实时计数，要构建一个具有鲁棒性的車流量计数系统，实现车辆实时计数。二是多目标感知。为了准确计算交通流量，车流量计数系统需要具备同时感知多个目标的处理能力。三是目标分类，在真实交通场景中，摄像头会获取多个类型的对象。因此，车辆计数系统需要从多种类型的移动目标中提取到各种类型车辆。

2 系统模型结构

如图1所示，该系统主要包括三个功能模块，一是车辆检测器，二是车辆坐标缓冲器，三是车辆计数器。笔者将摄像头或视频图像作为数据来源，先对视频进行预处理，然后检测器将处理过后的数据作为车辆坐标缓冲器的输入内容，最后车辆计数器将处理缓冲器中的数据，并输出车流量计数的结果。下面对该流程做详细的讲解。

2.1 车辆检测器

本系统采用YOLO v3模型作为车辆检测算法，YOLO是一个快速、准确的目标探测器。它包含公开可用的数据集Pascalvoc2007，其中包含数百万个自然图像，可以使用训练数据集训练的权重识别80个类别。对于车流量检测系统来说，只需要检测汽车、公共汽车和卡车三种类别的目标。因此，对原有的YOLO代码做了修改，只输出上述三类对象识别，并屏蔽掉屏幕上的其他移动对象。

2.2 车辆坐标缓冲器

YOLO v3模型采用矩形框标记出检测到的车辆，车辆标记的矩形框位置用一个元组（x，y，w，h）来进行表示。其中，（x，y）表示矩形框左上方点的坐标，w，h分别表示矩形框的横向长度和纵向长度。因此，通过计算可知，标记车辆的质心位置坐标为（x+w/2，y+h/2）。

2.3 车辆计数器

由于YOLO采用的是“端对端”的训练方法，因此对当前画面进行处理之后将返回数据进行处理，视每一个预选区域为单独个体，在该个体的矩形框上标记其序号，并将其加入列表中，同时根据质心追踪算法确保其从进入兴趣区域到离开兴趣区域都被标记，存放标记个体的列表根据检测实时变化，从而获取到车辆数，如图2所示。

3 算法移植

如图3所示，本系统采用英伟达公司出品的Jetson TX2作为检测系统的嵌入式平台，该嵌入式平台采用256核心的NVIDIA Pascal GPU架构，拥有256核心NVIDIA Pascal GPU，完全支持所有现代图形API（Application Programming Interface），统一着色器实现图像渲染并支持GPU计算。GPU支持与分立NVIDIA GPU相同的所有功能，涵盖广泛的计算API和包括CUDA在内的计算库。两个CPU集群通过NVIDIA设计的高性能相干互连结构连接;支持两个CPU集群同时运行，以实现真正的异构多处理（HMP）环境。Denver 2（双核）CPU集群针对更高的单线程性能进行了优化;ARM Cortex-A57 MPCore（四核）CPU集群更适合多线程应用和更轻负载[8]。内存系统支持高带宽LPDDR4（Low Power Double Data Rate 4），支持128位内存控制器，数据传输速度最高可达3 200 Mbps。总体来说，该嵌入式平台性能强大，外形小巧，节能高效，非常适合智能移动机器人、交通巡线无人机、嵌入式智能监控器等智能设备。本嵌入式检测系统平台运行所需的软件为：Ubuntu16.04操作系统、CUDA9.0 Toolkit，cuDNN7.0等。

本研究以安阳市万达天桥采集的交通视频为数据源，一旦该系统接收到需要检测的视频，检测器将采用YOLO v3模型来识别视频中的车辆，并将车辆的坐标存储在缓存器中，最后车辆计数器将处理存储在缓存器中的数据，并输出车辆计数的结果。

4 试验验证

为了验证车流量检测系统（见图4）的有效性和可靠性，将该算法移植入Jetson TX2嵌入式平台。由于摄像头在拍摄中受到风及天桥本身的震动影响，摄像头会产生轻微的晃动，对拍摄视频的稳定性产生一定影响，但是通过测试，该系统对车流量的检测效果依旧良好。下面三组测试说明了该系统的有效性，如表1所示。

试验数据表明，该系统采用YOLO v3作为车流量检测算法，准确率较高，对比帧差法具有一定的优势，结合Jetson TX2强大的GPU运算能力，其基本可以满足实时检测的要求，该系统的设计是可行的。

5 结论

智能交通系统为人们提供了一个安全的交通环境。得益于图像识别技术的快速发展，它可以方便地完成交通流计数等综合任务，通过修改现有的YOLO模型，对检测到的物体进行识别，以获得所需的车辆坐标。本文提出了一种利用改进的YOLO模型的嵌入式车流量检测系统，通过对三段不同的交通视频进行试验，验证了系统的正确性和有效性。

参考文献：

[1]Dimitrakopoulos G，Demestichas P.Intelligent Transportation Systems[J].IEEE Vehicular Technology Magazine，2010（1）：77-84.

[2]K Morinaga.Car navigation System：US，5416478[P].1995-05-16.

[3]K H Molloy，J P Ward，V M Benson.Traffic Signal Control System：US，3675196[P].1972-07-04.

[4]Lotufo R，Morgan A.Automatic number-plate recognition[C]//IEEE Colloquium on Image Analysis for Transport Applications.1990.

[5]史忠科，曹力.交通圖像检测与分析[M].北京：科学出版社，2007.

[6]R C Gonzalez，R E Woods.Digital image processing[M].Upper Saddle River：Prentice Hall，2002.

[7]马永杰，宋晓凤.基于YOLO和嵌入式系统的车流量检测[J].液晶与显示，2019，4（6）：613-618.

[8]高潮，李天长，郭永彩.基于DM642的嵌入式实时多路图像采集处理系统[J].微计算机信息，2008（30）：282-283.