譚宏年，時長偉

（1.克拉瑪依職業(yè)技術(shù)學(xué)院 機(jī)械工程系，新疆 克拉瑪依 834000；2.新特能源股份有限公司，新疆 烏魯木齊 830000）

0 引言

在智能物聯(lián)系統(tǒng)中，利用邊緣端監(jiān)控系統(tǒng)進(jìn)行人流統(tǒng)計十分便捷。后臺系統(tǒng)可實時準(zhǔn)確獲取邊緣端推送的人流信息，對于日常以及突發(fā)情況下的人員管理是非常必要的。

基于視覺的人流量統(tǒng)計通常分為行人目標(biāo)檢測與跟蹤兩個部分。關(guān)于目標(biāo)檢測，傳統(tǒng)的方法是人工提取目標(biāo)特征點構(gòu)建目標(biāo)特征，然后利用分類算法進(jìn)行分類并判斷目標(biāo)是否存在。典型的算法如Hog+SVM[1]、Haar+Adaboost[2]，它們的不足之處主要是泛化能力較差、檢測準(zhǔn)確率不高以及運算資源消耗過多。近些年，隨著深度學(xué)習(xí)技術(shù)的發(fā)展以及GPU（Graphics Processing Unit）并行計算能力的提高，涌現(xiàn)了一批基于目標(biāo)檢測的深度學(xué)習(xí)算法，如R-CNN 系列[3-5]，SSD（Single Shot multibox Detec tor）[6]、RetinaNet[7]和YOLO 系列[8-10]。基于深度學(xué)習(xí)的目標(biāo)檢測算法能自動從行人圖片數(shù)據(jù)集中學(xué)習(xí)更深層次的信息，泛化能力強，兼顧檢測速度與識別準(zhǔn)確度。如YOLO 算法已經(jīng)更迭到Y(jié)OLOv5，其模型權(quán)重大小分為s，m，l 和x，相應(yīng)識別精確度以及時間復(fù)雜度也依次增高。其中，YOLOv5s 與YOLOv5m 模型參數(shù)量（Params）相對較少，浮點運算量（FLOPs）低，在算力有限的邊緣計算領(lǐng)域應(yīng)用最多。

當(dāng)前，基于視覺的人流量統(tǒng)計方法的挑戰(zhàn)主要是遮擋問題，尤其是在人群密度較大的場合，行人之間的遮擋難以避免。針對該問題，有不少學(xué)者開展了相關(guān)研究。如趙朵朵等[11]提出一種基于Deep SORT（Simple Online and Realtime Tracking）算法的人流統(tǒng)計方案，使用改進(jìn)的YOLOv3 作為檢測器，利用輕量級網(wǎng)絡(luò)MobileNet[12]替換原有的DarkNet-53 網(wǎng)絡(luò)，減少了參數(shù)量，提高了識別速度，但存在識別精確度降低的問題。朱行棟[13]提出一種單獨基于YOLOv5 模型進(jìn)行行人檢測的方法，但存在只能檢測行人無法進(jìn)行更深層次的行人方向判斷與跨線計數(shù)的問題。綜上，本文利用輕量級深度學(xué)習(xí)模型YOLOv5s 作為檢測器，基于檢測的多目標(biāo)跟蹤（tracking-by-detection）算法Deep SORT[14]實現(xiàn)行人的實時跟蹤，通過設(shè)置兩個虛擬檢測區(qū)域完成人流的方向檢測與計數(shù)。

1 YOLOv5s 人流檢測

在多目標(biāo)跟蹤算法中，檢測器的好壞直接關(guān)系到目標(biāo)跟蹤結(jié)果的準(zhǔn)確率，檢測器的速率也會直接影響整個系統(tǒng)的實時性。為了兼顧識別準(zhǔn)確率與實時性，也考慮到邊緣設(shè)備的算力限制，本文選用YOLOv5s 模型作為人流檢測的基礎(chǔ)模型。

1.1 YOLOv5s 網(wǎng)絡(luò)結(jié)構(gòu)

YOLOv5 針對不同大小的網(wǎng)絡(luò)的整體架構(gòu)都是一樣的，只不過會在每個子模塊中采用不同的深度和寬度。如圖1 所示，YOLOv5s 的結(jié)構(gòu)主要分為四個部分，即Input 輸入端、Backbone 主干網(wǎng)絡(luò)、Neck 網(wǎng)絡(luò)和Prediction 預(yù)測端。輸入端包含對圖像的預(yù)處理、Mosaic 數(shù)據(jù)增強、自適應(yīng)錨框計算，來適應(yīng)不同大小的數(shù)據(jù)集。Backbone 主干網(wǎng)絡(luò)通過卷積運算從圖像中提取不同的層次特征，主要包含CSP（Cross Stage Partial）結(jié)構(gòu)和SPP（Spatial Pyramid Pooling）結(jié)構(gòu)。前者作用是減少冗余計算量和增強梯度，提高計算速度；后者可將圖像不同層次的特征提取出來，提高檢測精度。Neck 網(wǎng)絡(luò)層結(jié)構(gòu)和YOLOv4 相似，F(xiàn)PN（Feature Pyramid Networks）層自頂向下傳遞語義信息，PAN（Path Augmentation Network）層自底向上傳遞信息，從各個主干層對對應(yīng)的檢測層進(jìn)行信息融合，進(jìn)一步提高特征提取的能力。Prediction 預(yù)測端的主要作用是在大小不同的特征圖上預(yù)測不同尺寸的目標(biāo)。

圖1 YOLOv5s 網(wǎng)絡(luò)架構(gòu)Figure 1 YOLOv5s Network Architecture

1.2 圖像預(yù)處理

在常用的目標(biāo)檢測算法中，不同的圖片長寬都不相同，因此常用的方式是將原始圖片統(tǒng)一縮放到一個標(biāo)準(zhǔn)尺寸，再送入檢測網(wǎng)絡(luò)中。YOLOv5 算法涉及對圖片自適應(yīng)縮放的步驟為計算縮放比例、計算縮放后尺寸、計算黑邊填充數(shù)值。其計算公式如式（1）所示：

式中：l1，w1——原始圖像的長和寬；l2，w2——原始縮放尺寸的長和寬；l3，w3——自適應(yīng)縮放尺寸的長和寬。

1.3 Mosaic 數(shù)據(jù)增強

Mosaic 數(shù)據(jù)增強參照了Cut Mix 數(shù)據(jù)增強方式，開始前每次讀取4 張圖片，然后依次對4 張圖片進(jìn)行翻轉(zhuǎn)、縮放和色域變化等處理，再按照4 個方向擺好，組合為一張新的圖片。這種隨機(jī)機(jī)制豐富了檢測物體的背景。因為在網(wǎng)絡(luò)模型上，由于硬件資源的原因，不能夠?qū)atch_size 設(shè)置過大，通過Mosaic 方法就類似間接增大了batch_size，提高了硬件GPU 的使用效率。

1.4 CBAM 注意力機(jī)制

YOLOv5 算法將CBAM（Convolutional Block Attention Module）注意力模塊嵌入到網(wǎng)絡(luò)結(jié)構(gòu)中，解決原始網(wǎng)絡(luò)無注意力偏好的問題。如圖2 所示，CBAM 一共包含2 個獨立的子模塊，通道注意力模塊（Channel Attention Module，CAM）和空間注意力模塊（Spartial Attention Module，SAM），分別進(jìn)行通道與空間維度上的注意力特征融合并對網(wǎng)絡(luò)中間的特征圖進(jìn)行重構(gòu)，強調(diào)重要特征，抑制一般特征，達(dá)到提升目標(biāo)檢測效果的目的。這樣不僅能節(jié)約參數(shù)和計算力，并且保證了其能夠做為即插即用的模塊集成到現(xiàn)有的網(wǎng)絡(luò)架構(gòu)中去。

圖2 CBAM 結(jié)構(gòu)Figure 2 CBAM structure

YOLOv5s 網(wǎng)絡(luò)中圖像特征提取主要在主干網(wǎng)絡(luò)中完成。因此，本文將CBAM 融合在Backbone 之后和Neck 網(wǎng)絡(luò)的特征融合之前，可以起到承上啟下的作用。

1.5 損失函數(shù)

目標(biāo)檢測任務(wù)的損失函數(shù)一般由Classification Loss（分類損失函數(shù)）和Bounding Box Regression Loss（回歸損失函數(shù)）兩部分構(gòu)成。YOLOv5s 使用GIoU Loss 作為邊界框回歸損失函數(shù)，用以評判預(yù)測邊界框（Predicted Box，PB）和真實邊界框（Ground Truth，GT）的距離，如式（2）所示：

式中：IoU 表示預(yù)測邊界框和真實邊界框的交并比；Ac表示預(yù)測邊界框和真實邊界框同時包含的最小的矩形框的面積；u 表示預(yù)測邊界框和真實邊界框的并集；LGIoU為GIoU 損失。GIoU Loss 的優(yōu)勢是尺度不變性，即預(yù)測邊界框和真實邊界框的相似性與它們的空間尺度大小無關(guān)。

1.6 NMS 非極大值抑制

在目標(biāo)檢測的預(yù)測階段，會輸出許多候選的anchor box，其中有很多是明顯重疊的預(yù)測邊界框都圍繞著同一個目標(biāo)，這時候可以使用NMS（Non-Maximum Suppression）來合并同一目標(biāo)的類似邊界框，或者說是保留這些邊界框中最好的一個。

NMS 非極大值抑制算法首先從所有候選框中選取置信度最高的預(yù)測邊界框作為基準(zhǔn)，然后將所有與基準(zhǔn)邊界框的IoU 超過預(yù)定閾值的其他邊界框移除。再從所有候選框中選取置信度第二高的邊界框作為一個基準(zhǔn)，將所有與基準(zhǔn)邊界框的IoU 超過預(yù)定閾值的其他邊界框移除。重復(fù)上述操作，直到所有預(yù)測框都被當(dāng)做基準(zhǔn)，即這時候沒有一對邊界框過于相似。

2 Deep SORT 多目標(biāo)跟蹤

多目標(biāo)在線跟蹤算法SORT 的核心是卡爾曼濾波和匈牙利算法，即把一群檢測框和卡爾曼濾波預(yù)測得到的邊界框做分配，讓卡爾曼濾波預(yù)測得到的邊界框找到和自己最匹配的檢測框，達(dá)到追蹤的效果。但是SORT 算法的缺陷是當(dāng)物體發(fā)生遮擋的時候特別容易丟失ID。而Deep SORT 算法在SORT算法的基礎(chǔ)上增加了級聯(lián)匹配（Matching Cascade）和新軌跡的確認(rèn)（confirmed）。

2.1 跟蹤處理與狀態(tài)估計

在Deep SORT 算法中，使用8 維狀態(tài)空間描述目標(biāo)的狀態(tài)和在圖像坐標(biāo)系中的運動信息，如圖3 所示：

圖3 多維狀態(tài)空間描述Figure 3 Description of multidimensional state space

其中：cx 和cy 分別表示目標(biāo)中心點的橫坐標(biāo)和縱坐標(biāo)，r 表示長寬比，h 表示高，剩下四個參數(shù)分別是它們的導(dǎo)數(shù)（對應(yīng)前四個參數(shù)在圖像像素中的相對速度）。在狀態(tài)估計中，一般狀態(tài)向量是由狀態(tài)量跟它的導(dǎo)數(shù)構(gòu)成的。在Deep SORT 算法中，卡爾曼濾波進(jìn)行預(yù)測時采用最基本的線性勻速模型，即認(rèn)為框的移動和框的尺寸、形變的變化是線性勻速變化的。

2.2 數(shù)據(jù)關(guān)聯(lián)代價公式

Deep SORT 算法基于目標(biāo)的運動信息和外觀信息，使用匈牙利算法匹配預(yù)測框和跟蹤框。對于運動信息，算法使用馬氏距離描述卡爾曼濾波預(yù)測結(jié)果和YOLO 檢測器輸出結(jié)果的關(guān)聯(lián)程度，如式（3）所示：

式中，dj和yi分別表示第j 個檢測結(jié)果和第i個預(yù)測結(jié)果的狀態(tài)向量，Si表示檢測結(jié)果和平均跟蹤結(jié)果之間協(xié)方差矩陣。但是Deep SORT 不僅看框與框之間的距離，還要看框內(nèi)的表觀特征，顯然單純用馬氏距離度量框與框的接近度是遠(yuǎn)遠(yuǎn)不夠的，依然不能解決目標(biāo)遮擋后跟蹤丟失的問題，所以Deep SORT 還引入了表觀特征余弦距離度量，如式（4）所示：

當(dāng)d2（i，j）小于指定的閾值，認(rèn)為關(guān)聯(lián)成功。

因此，Deep SORT 在數(shù)據(jù)關(guān)聯(lián)中一共有兩個代價，一個是馬氏距離，一個是余弦距離，求解過程中要使兩者都盡量小，即框也接近、特征也接近的話，就認(rèn)為兩個Bbox 中是同一個目標(biāo)物體。綜合馬氏距離和表觀余弦度量的代價公式如式（5）所示，使用線性加權(quán)方式進(jìn)行求和。

2.3 級聯(lián)匹配

長時間遮擋中，卡爾曼濾波的輸出會發(fā)散，不確定性增加，而不確定性強的track（預(yù)測框）的馬氏距離反而更容易競爭到detection 匹配。因此，需要按照遮擋時間n 從小到大給track 分配匹配的優(yōu)先級。Tracks 分為確認(rèn)態(tài)（confirmed）和不確認(rèn)態(tài)（unconfirmed），新產(chǎn)生的Tracks 是不確認(rèn)態(tài)的。不確認(rèn)態(tài)的Tracks 必須要和檢測框連續(xù)匹配一定的次數(shù)（默認(rèn)是3）才可以轉(zhuǎn)化成確認(rèn)態(tài)。確認(rèn)態(tài)的Tracks 必須和檢測框連續(xù)失配一定次數(shù)（默認(rèn)30次），才會被刪除，這樣就很好解決了目標(biāo)遮擋后跟蹤丟失的問題。

3 YOLOv5s-DeepSORT 人流統(tǒng)計

人流統(tǒng)計模型的另一個重點是行人計數(shù)。本文通過設(shè)置兩個虛擬區(qū)域來記錄行人跟蹤框中心點進(jìn)入兩個區(qū)域的先后來判斷行人的方向并進(jìn)行計數(shù)。這里涉及到的主要問題是如何判斷一個點是否在某個多邊形區(qū)域內(nèi)。相應(yīng)的方法有：

射線法：從判斷點向某個統(tǒng)一方向作射線，根據(jù)交點個數(shù)的奇偶判斷；

轉(zhuǎn)角法：按照多邊形頂點逆時針順序，根據(jù)頂點和判斷點連線的方向正負(fù)（設(shè)定角度逆時針為正）求和判斷；

夾角和法：求判斷點與所有邊的夾角和，等于360°則在多邊形內(nèi)部；

面積和法：求判斷點與多邊形邊組成的三角形面積和，等于多邊形面積則點在多邊形內(nèi)。

上述方法中，面積和法涉及多個面積的計算，比較復(fù)雜；夾角和法以及轉(zhuǎn)角法用到角度計算，會涉及反三角函數(shù)，計算開銷比較大；而射線法主要涉及循環(huán)多邊形的每條邊進(jìn)行求交運算，但大部分邊可以通過簡單坐標(biāo)比對直接排除。因此本文選擇射線法來判斷行人跟蹤框中心點是否在虛擬區(qū)域內(nèi)。

如圖4 所示，在隨機(jī)點上作一條平行于x 軸的射線，方向是x 軸正方向，看這條射線與多邊形區(qū)域的交點個數(shù)，如果是偶數(shù)，那么這個隨機(jī)點不在該區(qū)域內(nèi)，如果是奇數(shù)，則這個點在該區(qū)域內(nèi)。

圖4 射線判別法示意圖Figure 4 Schematic diagram of ray discrimination method

如圖5 所示，當(dāng)行人跟蹤框中心點在B 區(qū)域內(nèi)時，查看當(dāng)前跟蹤框ID 號在A 區(qū)域是否有記錄：若有記錄，則下行人數(shù)加1；若沒有記錄，則記錄當(dāng)前跟蹤框ID 號。當(dāng)行人跟蹤框中心點在A 區(qū)域內(nèi)時，查看當(dāng)前跟蹤框ID 號是否在B 區(qū)域有記錄：若有記錄，上行人數(shù)加1；若沒有記錄，則記錄當(dāng)前跟蹤框ID 號。

圖5 雙虛擬檢測區(qū)設(shè)置Figure 5 Setting of dual virtual detection area

YOLOv5s-DeepSORT 人流統(tǒng)計系統(tǒng)采用YOLOv5s 模型作為基礎(chǔ)檢測器，精確快速完成對監(jiān)控視頻每一幀的處理，并將檢測框信息傳給下一級；Deep SORT 模塊作為下一級，主要實現(xiàn)多目標(biāo)行人的跟蹤，為行人計數(shù)模塊提供準(zhǔn)確和擁有唯一編號的行人檢測框。行人計數(shù)模塊通過AB 虛擬區(qū)域完成上行以及下行人數(shù)的計數(shù)，整個人流統(tǒng)計流程如圖6 所示。

圖6 YOLOv5s-DeepSORT 人流統(tǒng)計系統(tǒng)流程圖Figure 6 Flow chart of YOLOv5s-DeepSORT flow statistics system

4 實驗與分析

4.1 實驗準(zhǔn)備

實驗配置環(huán)境：Windows 10 操作系統(tǒng)；內(nèi)存為16G；GPU 為NVIDIA GeForce 1650；學(xué)習(xí)框架為PyTorch1.7.1，torchvision 0.8.2，CUDA10.2 和CUDNN7.6.5。

數(shù)據(jù)集使用INRIA 數(shù)據(jù)集。它是一組有標(biāo)記的站立或行走的人的圖片，其中訓(xùn)練集中有正樣本614 張（包含1237 個標(biāo)注行人），負(fù)樣本1218 張；測試集中有正樣本288 張（包含589 個標(biāo)注行人），負(fù)樣本453張，其中行人的類名定義為person。

4.2 評價指標(biāo)

在目標(biāo)檢測中，一般使用召回率（Recall）、精準(zhǔn)率（Precision）和綜合前兩者的平均精度均值mAP（mean Average Precision）對目標(biāo)檢測算法性能進(jìn)行評價。所以，本文使用以上3 個指標(biāo)作為模型評估指標(biāo)，同時使用每秒幀數(shù)FPS（Frames Per Second）作為檢測速度的評估指標(biāo)。計算公式如（6）（7）（8）所示，其中TP（True Positive）表示正類判定為正類；FP（False Positive）表示負(fù)類判定為正類；FN（False Negative）表示正類判定為負(fù)類，k 表示類別，C 表示總類別數(shù)。

4.3 實驗結(jié)果

本文運用YOLOv3、YOLOv4、YOLOv4-tiny 以及YOLOv5s 算法進(jìn)行了比較實驗，實驗結(jié)果如表1 所示。

表1 不同算法精度與速度對比Table 1 Comparison of precision and speed of different algorithms

由表1 可知，YOLOv5s 算法在檢測速度以及精度綜合性能上相比其他算法有明顯優(yōu)勢。

Deep SORT 追蹤模塊使用的是開源的行人重識別權(quán)重ckpt.t7，完成對上一級檢測框的ID 分配與追蹤。整個系統(tǒng)的實時運行圖如圖7 所示。可以看出，利用YOLOv5s-Deep SORT 算法的人流檢測效果較好，距離較遠(yuǎn)的目標(biāo)定位也十分準(zhǔn)確，沒有出現(xiàn)行人數(shù)量檢測遺漏現(xiàn)象，檢測速度能達(dá)到每秒32 幀以上，整體視頻流暢。

圖7 實時人流統(tǒng)計界面Figure 7 Real-time traffic statistics interface

5 結(jié)語

本文將基于深度學(xué)習(xí)的目標(biāo)檢測網(wǎng)絡(luò)YOLOv5s 與多目標(biāo)跟蹤算法Deep SORT 融合起來，通過設(shè)置兩個虛擬檢測區(qū)域完成人流的方向檢測與計數(shù)，實現(xiàn)了一種兼顧實時性與準(zhǔn)確度的人流統(tǒng)計系統(tǒng)。經(jīng)過測試，相比基于YOLOv3、YOLOv4以及YOLOv4-tiny 的目標(biāo)檢測網(wǎng)絡(luò)的綜合性能有明顯提高，結(jié)合Deep SORT 多目標(biāo)跟蹤，特定環(huán)境下人流統(tǒng)計準(zhǔn)確率最高接近100%。