智慧城管智能目標(biāo)檢測案件類型方法研究

陶為翔，郭 磊，李 京

（正元地理信息集團(tuán)股份有限公司，北京 101300）

在智慧城管智能目標(biāo)檢測的過程中，目標(biāo)檢測算法具有一定的多樣性與適用性，能夠根據(jù)圖像或事物的不同表象，來提取相應(yīng)的特征點，進(jìn)而實現(xiàn)對各種案件圖像的分類與處理[1]。目標(biāo)檢測算法的應(yīng)用已較為成熟，被廣泛應(yīng)用于各大領(lǐng)域，在對特征圖像進(jìn)行識別處理后，還可迅速向系統(tǒng)進(jìn)行精確的反饋。然而在長久以來的應(yīng)用中，該算法仍然暴露出了一系列弊端[2]。鑒于此，文中實驗將對傳統(tǒng)目標(biāo)檢測算法進(jìn)行深入的探究，采用優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)對傳統(tǒng)目標(biāo)檢測算法進(jìn)行改進(jìn)，旨在提高城市案件圖像識別的效率與準(zhǔn)確度，實現(xiàn)真正意義上的智慧城市管理。

1 目標(biāo)檢測算法

1.1 圖像處理技術(shù)

在智慧城管智能目標(biāo)檢測案件的識別處理中，往往對圖像處理的效率具有較高的要求，因此通常需要將彩色圖像快速轉(zhuǎn)換為灰色圖像，以保證圖像處理的即時性與有效性[3]。基于加權(quán)平均的圖像灰度化是一種行之有效的圖像處理手段，計算公式如式（1）所示：

式（1）中，(i,j)表示圖像像素坐標(biāo)位置；a、b、c均表示灰度化處理的加權(quán)系數(shù)，其取值通常分別為0.3、0.59、0.11。所有待處理圖像中的像素灰度值均被定義為Gray，如式（2）、式（3）所示：

式中，R表示待處理圖像像素中的紅色分量；G表示圖像像素中的綠色分量；B表示目標(biāo)圖像像素中的藍(lán)色分量[4]。在完成圖像灰度化處理后，立即進(jìn)行圖像二值化處理，來有效避免圖像中復(fù)雜背景與噪聲帶來的干擾。圖像二值化主要包含3 類方法，分別為全局閾值、局部閾值、動態(tài)閾值，文中采用全局閾值的手段，具有運算速度快、處理效果好的優(yōu)勢，且能夠有效處理物體灰度值與背景差別較大的圖像[5-7]。首先將待檢測圖像的前景與背景的閾值設(shè)定為T，令其灰度的平均值為u；前景點數(shù)在圖像整體中所占的比例值為w0，其平均灰度值即u0，背景點數(shù)所占比例值為w1，其對應(yīng)的平均灰度值為u1，類間方差值表示為g，得到公式如式（4）、式（5）所示：

聯(lián)立式（4）與式（5），得式（6）：

根據(jù)式（6）可知，當(dāng)待檢測圖像前景與背景之間的差異最大化時，g可達(dá)到最大值，此時T也可達(dá)到最佳閾值。在經(jīng)過該種圖像處理技術(shù)的操作后，可獲取到待檢測圖像的二值化處理結(jié)果示意圖，如圖1所示。

圖1 待處理圖像的二值化處理結(jié)果示意圖

圖1(a)表示在經(jīng)過二值化處理后所獲取到的智能目標(biāo)檢測案件灰度圖，圖1(b)是在此基礎(chǔ)上進(jìn)行灰度閾值化處理后的圖像。通過采用灰度化閾值處理，能夠有效實現(xiàn)針對待檢測圖像進(jìn)行的提取，從完整待檢測圖像中準(zhǔn)確地提取出相應(yīng)的目標(biāo)檢測物[8]。圖1(a)與圖1(b)中均只存在黑與白兩種色彩，能夠顯著提高目標(biāo)檢測算法的識別精度與處理效率。

1.2 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與計算

在卷積神經(jīng)網(wǎng)絡(luò)中，主要包含輸入層、卷積層、池化層、全連接層4 種結(jié)構(gòu)。其中輸入層作為一個像素矩陣，承擔(dān)著對目標(biāo)圖像進(jìn)行簡單處理的任務(wù)，包括統(tǒng)一圖像尺度、歸一化處理、降維處理等[9-11]。在輸入層中進(jìn)行一系列操作后，可獲取到目標(biāo)圖像的幾何特征。卷積層指的是包含多個特征圖的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其主要作用為學(xué)習(xí)特征表達(dá)。在對目標(biāo)圖像進(jìn)行檢測識別時，卷積層會通過局部感知的手段對所有特征進(jìn)行一一識別處理，最終實現(xiàn)對全局信息的掌握[12]。池化層通常位于兩個不同的卷積層之間，能夠有效控制參數(shù)矩陣的大小，且該矩陣的尺寸大小與全連接層中參數(shù)數(shù)量的多少呈正相關(guān)，池化過程如圖2 所示。

圖2 卷積神經(jīng)網(wǎng)絡(luò)中的池化過程

通過圖2 可知，池化運算分為兩個步驟，第一為最大池化，第二為平均池化。若原始的參數(shù)矩陣特征圖大小為4×4，且其步長為1，則會按照最大池化與平均池化的不同規(guī)則分別實現(xiàn)池化。池化層的作用主要在于防止過擬合現(xiàn)象，并能有效提高卷積層的運算效率。卷積神經(jīng)網(wǎng)絡(luò)中存在的全連接層，通常位于其末端，呈現(xiàn)出單層或多層相連接的狀態(tài)。全連接層的主要作用為對前面提取出的局部特征進(jìn)行處理，以權(quán)值運算的形式進(jìn)行準(zhǔn)確的拼接，進(jìn)而獲取到最高層次圖像特征[13-14]。

在卷積神經(jīng)網(wǎng)絡(luò)中，其網(wǎng)絡(luò)訓(xùn)練覆蓋了大量的復(fù)雜運算，主要為卷積運算與卷積梯度運算，其中前者的實質(zhì)在于提取有效特征。在卷積層的作用下，卷積運算可從初始特征圖中進(jìn)行有效的提取，不僅可對卷積層的輸入進(jìn)行表示，同時還可表示為卷積層的輸出。根據(jù)不同的權(quán)重卷積核，提取到大相徑庭的初始特征圖，即feature map。若令任一卷積層中輸入的feature map 為xj，則有式（7）：

式（7）中，i與j表示提取處理時的匹配結(jié)果；f（·）表示激活函數(shù)；Mj表示所有初始特征圖feature map 的集合；*表示卷積操作；Kij表示卷積層中輸入的第i個初始特征圖與輸出的第j個初始特征圖的卷積核。

1.3 面向城管目標(biāo)檢測的優(yōu)化算法

在文中智慧城管智能目標(biāo)檢測案件的課題實驗中，應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)對目標(biāo)圖像進(jìn)行信息識別與提取，其檢測網(wǎng)絡(luò)的基礎(chǔ)網(wǎng)絡(luò)為VGGNet。在此基礎(chǔ)上，對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行了一定的優(yōu)化改進(jìn)處理，在網(wǎng)絡(luò)架構(gòu)中添加了輔助層，并采用conv5_3 與conv4_3 這兩個不同的卷積層。在進(jìn)行卷積運算的過程中，首先分別將述兩個卷積層的步長設(shè)置為8 與4；隨后再進(jìn)行卷積運算，對其提取的特征圖進(jìn)行歸一化處理，令其尺寸保持一致；最終將其進(jìn)行連接。在檢測網(wǎng)絡(luò)進(jìn)行訓(xùn)練時，往往需要調(diào)整其參數(shù)與學(xué)習(xí)率來避免由于數(shù)據(jù)偏移造成的影響，但這會令網(wǎng)絡(luò)訓(xùn)練的計算量顯著增大，進(jìn)而導(dǎo)致網(wǎng)絡(luò)模型的訓(xùn)練效率有所下降[15-16]?；诖耍闹袑矸e神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化的另一措施為增加批次規(guī)范化（Batch Normalization,BN）層，BN 層的作用在于標(biāo)準(zhǔn)差歸一化處理激活函數(shù)數(shù)據(jù)，能夠有效提升訓(xùn)練效率，防止網(wǎng)絡(luò)訓(xùn)練產(chǎn)生偏移[17]。BN 算法的計算公式如式（8）所示：

式（8）中，B表示單批次的圖像特征，且B={x1,x2,…,xm} ；μB表示進(jìn)行批次規(guī)范化后獲取的平均值；網(wǎng)絡(luò)學(xué)習(xí)的重構(gòu)參數(shù)用γ與β來表示；σB表示批次規(guī)范化的方差；代表著規(guī)范化。在BN 算法中，輸入的內(nèi)容主要包含單批次的圖像特征與網(wǎng)絡(luò)學(xué)習(xí)的重構(gòu)參數(shù)，輸出結(jié)果為yi。文中實驗采用的是多層感知卷積網(wǎng)絡(luò)層，傳統(tǒng)與優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的對比示意圖如圖3 所示。

圖3 傳統(tǒng)與優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的對比示意圖

圖3(a)為傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)為線性卷積層，圖3(b)為優(yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)添加了1×1 的卷積，并接入一個已完成修正的線性激活，這是一個復(fù)雜化的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。采用添加1×1 卷積的優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)，能夠高效地完成特征圖的降維處理，且增大卷積神經(jīng)網(wǎng)絡(luò)的深度與寬度，保障其應(yīng)用性能的穩(wěn)定性。線性激活函數(shù)可表示為式（9）：

通過式（9）有助于實現(xiàn)對輸入內(nèi)容的限制，使輸入的所有小于零的數(shù)縮小至其初始值的十分之一，否則輸入值不發(fā)生任何變化。該優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)中可提取到每個卷積層的圖像特征，并在池化作用下完成對圖像的子抽樣，不僅能夠在減少網(wǎng)絡(luò)訓(xùn)練參數(shù)使用量的基礎(chǔ)上，最大化保留圖像的有效特征，還可有效避免過擬合的現(xiàn)象，顯著提高對目標(biāo)圖像特征的檢測精度與效率。

2 智慧城管智能目標(biāo)檢測算法應(yīng)用效果

2.1 城市管理實驗圖像數(shù)據(jù)集處理

針對當(dāng)前城市管理智能目標(biāo)檢測案件類型的多樣化，需要構(gòu)建一個可供直接使用的標(biāo)準(zhǔn)化成熟數(shù)據(jù)集。目前我國智慧城管智能目標(biāo)案件檢測領(lǐng)域中，這一部分仍是空白，因此文中將智慧城管作為應(yīng)用背景，將城管案件作為目標(biāo)打造了一個囊括較多種類的案件圖像標(biāo)準(zhǔn)數(shù)據(jù)集，如圖4 所示。

圖4 智慧城管智能目標(biāo)檢測圖像數(shù)據(jù)集實例

根據(jù)圖4 可知，智慧城管的圖像數(shù)據(jù)集中主要囊括6 種類型，該圖像數(shù)據(jù)集來源于A 省智慧城市管理智能目標(biāo)檢測案件中，廣大人民群眾上傳的城市案件圖像，文中對該批案件圖像進(jìn)行整理，最終獲取到一個標(biāo)準(zhǔn)化的案件圖像數(shù)據(jù)集，包含6 種案件類型、4 785 個注釋對象，共計8 741 張圖像。為確保該數(shù)據(jù)集的可靠性與檢測工作的高效性，對所有圖像進(jìn)行篩選、剔除，并對選定的圖像進(jìn)行整理與編號。將圖4(a)雨水箅子破損案件圖像統(tǒng)一保存至一個文件夾，并將其命名為unite-20211；圖4(b)非機(jī)動車亂停的案件圖像文件夾則命名為event-20212；圖4(c)交通護(hù)欄破損案件圖像所屬文件夾為unite-20213；圖4(d)亂涂寫亂張貼為event-20214；圖4(e)機(jī)動車亂停的案件圖像為文件夾unite-20215；圖4(f)井蓋破損則表示為unite-20216。

2.2 優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測效果分析

文中對優(yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行了應(yīng)用，將其應(yīng)用至智慧城管智能目標(biāo)案件檢測算法中，并利用A 省的檢測圖像數(shù)據(jù)集進(jìn)行了測試。將文中提出的基于優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的檢測算法，與4 種不同的檢測算法進(jìn)行對比，即Fast R-CNN、Faster RCNN、YOLO、SSD。上述5 種算法在檢測圖像數(shù)據(jù)集上的檢測結(jié)果如表1 所示。

表1 不同算法的目標(biāo)案件圖像檢測結(jié)果

由表1 可知，文中算法具有較為客觀精確的識別檢測效果，在識別“亂涂寫亂張貼”event-20214 時表現(xiàn)得格外突出。Fast R-CNN、Faster R-CNN、SSD在識別該類目標(biāo)圖像時，識別率分別為71.30%、72.30%、79.40%；YOLO 算法的檢測率最低，僅為58.00%；然而基于優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的案件檢測算法識別率卻達(dá)到了83.50%，遠(yuǎn)超上述4 種檢測識別算法。主要是由于在優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的過程中，大幅增加了待檢測圖像的小目標(biāo)特征層數(shù)。就檢測精度mAP 值而言，實驗提出的算法仍然居于榜首，YOLO 算法最低，余下3 種算法的檢測精度相差較小，梯度差保持在2個百分點左右。實驗選取了2 000張機(jī)動車亂停與2 000 張非機(jī)動車亂停兩種事件的圖像，分別進(jìn)行檢測分析，其中針對機(jī)動車亂停進(jìn)行的檢測結(jié)果如圖5 所示。

圖5 機(jī)動車亂停的檢測結(jié)果示意圖

圖5 中直觀地呈現(xiàn)出4 種算法在檢測機(jī)動車亂停的圖像時，出現(xiàn)的3 項數(shù)據(jù)結(jié)果，即F1_Score、召回率、準(zhǔn)確率。采用優(yōu)化后的YOLO 算法，能夠有效提高機(jī)動車亂停圖像檢測的準(zhǔn)確率與召回率。相較于Faster R-CNN 算法與SSD 算法，文中采用的算法具有極高的準(zhǔn)確率與召回率，能夠在2 000 張機(jī)動車亂停的圖像中實現(xiàn)有效檢測識別。除此以外，非機(jī)動車亂停的檢測結(jié)果如圖6 所示。

圖6 非機(jī)動車亂停的檢測結(jié)果示意圖

據(jù)圖6 可知，在對2 000 張非機(jī)動車亂停的圖像進(jìn)行檢測時，采用優(yōu)化后的YOLO 算法具有一定的優(yōu)越性。盡管不如對機(jī)動車亂停圖像檢測的準(zhǔn)確率與召回率高，但相較其余3 種算法，仍然處于最優(yōu)水平，能夠為智慧城市管理提供有力支撐。

3 結(jié)論

作為智慧城市建設(shè)的關(guān)鍵要素，城市管理系統(tǒng)受到了愈加廣泛的重視。當(dāng)前城市管理的智能化程度仍然較低，主要是依靠人力來對城市案件進(jìn)行識別、整理，耗費了大量的時間與金錢，但收效甚微。為了提高城市管理的高效性與精確性，文中針對智慧城管的目標(biāo)檢測算法進(jìn)行了細(xì)致的研究，將優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用其中，將A 省圖像數(shù)據(jù)集作為測試材料，對比分析文中算法與其他算法，結(jié)果顯示，該算法針對6 大主要案件類型的識別率分別為83.50%、72.30%、74.00%、74.40%、75.70%、78.30%，平均水平與最高值均顯著高于其他算法。這表明文中算法具有較高的魯棒性與識別檢測精度，能夠為智慧城管貢獻(xiàn)力量。盡管如此，在未來還需對該算法進(jìn)行更為深入的研究與細(xì)致的優(yōu)化，不斷提升案件識別效率與準(zhǔn)確性。