一种基于目标检测算法的交通警示信息系统设计_李枫.pdf

-95-CHINA SCIENCE AND TECHNOLOGY INFORMATION Apr.2023中国科技信息 2023 年第 8 期三星推荐塞的情况发生。如果某个相位没有车辆时，并且正好是放行时间，那么这时候就有交通指挥忙点出现。如果一个路口有着很大的车流量时，对于绿灯放行时间不能自动延长，那么在该路口的车辆就不能在一个周期内全部通过，使得车辆越积越多，大大阻碍了交通。行人检测算法和人们的生活息息相关，研究也比较活跃，这些研究成功主要能够分成红外以及日光行人检测，而红外以及日光行人检测算法相结合是比较少的。但很多情况不管是夜晚还是白天都需要较高的准确性以及识别效果。基于此，本篇文章对红外切换来计算图像模糊度和灰度，然后再将图像的数据予以传送至红外和日光数据集模型识别检测。对行人的候选框通过提取特征，并使用多层感知器算法加以相应的分类，以此对检测的准确度进行提升。由此能够对夜晚和白天的需求进行满足，还能保证检测的准确度。随着科技的发展，智能交通技术也越来越成熟，相比传统交通系统，智能交通系统不管是算法还是硬件都逐渐完善，具有低误报率、高准确性、及时性以及实时性等优点。智能交通系统能够对监测数据实时进行获取，并通过计算机进行高效处理，而行人检测模块作为智能交通系统的一部分，成为很多学者主要的研究课题，而行人检测技术有着非常好的应用前景。系统架构该系统主要包括软件与硬件两部分，在硬件方面，核心主要是处理器，在图像检测中，需要通过摄像机进行采集，行人检测到之后，再由声光电来示警。示警信息主要包括FM 无线发射器、语音播报、发光字 LED 灯、爆闪灯以及斑马线射灯。射灯为信息交互单元，MCU 为数据处理单元，摄像机作为采集图像的设备，包括的有红外图像以及日光图像，该系统的硬件架构图如图 1 所示。在软件方面，现计算模糊度与灰度，以此对图像的质量进行评价，选择优质图像。对行人检测时通过输入到 YOLOv3模型中优质图像进行检测，红外图像以及日光图像分别输入到红外与日光数据集训练的 YOLOv3 模型中。系统经过有效的提取行人候选框表现出的特征，再依据算法有效的过滤后，明确检测到行人再经处理器将预警信息予以发出。行人检测对于该系统要想实现，主要就是准确地对行人进行检测，不管是白天还是夜晚上都能够准确地进行识别。所以，本篇文章通过评价图像质量，在对象模型中输入优质图像，以此对行人进行检测，行人候选框通过多层感知器算法来进行过滤，以此才能对检测的缺陷加以完善和改进。行业曲线开放度创新度生态度互交度持续度可替代度影响力可实现度行业关联度真实度一种基于目标检测算法的交通警示信息系统设计李 枫李 枫昆仑芯（北京）科技有限公司李枫（1985），陕西渭南，研究生，研究方向：人工智能（主要研究方向：智慧交通）。随着我国居民的生活水平提高，拥有私家车的越来越多，这也大大提高了交通事故的发生概率。尤其在偏远地区，因为很多交通安全设施不完善，基层交警管理薄弱，司机安全意识淡薄，使得交通事故大大增加。有调查显示，人的因素在交通事故中有着很大的决定性作用，很多都是因为人的原因导致的。所以，本篇文章通过对交通安全设施进行完善，设计一种行人检测的交通智能安全警示系统，在各交通路口安装该系统，当行人经过时，系统进行检测，通过声光反馈给驾驶员以及行人，以此能够对交通事故的发生率大大降低。传统交通信号灯采取的控制是定时分配的方式，这种控制有着如下几点不足：在对车辆进行放行时，由于车辆处在不同的相位上，所以会产生在十字路口放行时的时间基本相同，但一方车辆多的会发生堆积的情况，从而使得交通阻中国科技信息 2023 年第 8 期CHINA SCIENCE AND TECHNOLOGY INFORMATION Apr.2023-96-三星推荐灰度和模糊度分析经计算灰度与模糊度对图像生成的质量开展评价，这种研究较好，大部分都是联合评估。姚旺通过卷积神经网络模型，人眼视觉系统对梯度敏感性进行加权优化，提取和人眼符合的图片。邹国锋根据人脸对称度评价，来对光照和非对称姿态影响人脸质量进行评估。本篇文章通过该模糊度以及灰度，结合已有的设计思想来对图像质量进行评判断，以此来决定行人检测时是否切换红外或日光，这样能够对白天以及晚上的应用需求进行满足，并且还能有效的保证准确性。2550 kkkkngrayscalerowcol=（1）在上述公式（1）中，grayscale表示像素平均灰度值，k表示像素灰度值，nk表示灰度级k的像素个数，col表示图像列数，row表示图像行数。模糊度计算公式如下公式（2）：2f（x，y）=f（x+1，y）+f（x-1，y）+f（x，y+1）+f（x，y-1）-4f（x，y）（2）图像依据拉普拉斯进行卷积操作，产生突变纹理，在原图中模板逐渐移动，最终得出像素乘积，再把结果赋予原图像素。在原图第一行、第一列、最后一行、最后一列赋零，得到结果。对于图像方差进行计算，可得到模糊度。评价图像质量是通过灰度以及模糊度进行联合判决，选择优质图像。行人检测YOLOv3 对 SSD 与 ResNet 网络结构进行参考，并兼顾到准确率与网络复杂度。在行人检测中，为了更好的保证白天与夜晚都有较高的准确性，使用 YOLOv3 对红外照片与日光照片数据进行训练。行人检测时，根据联合判决的图像质量，选择对应的模型来检测。由此能够使得不管是白天还是夜晚都能符合检测要求，并且检测的准确性也比较高。模型训练中对于图片的选择，分别选取不同的分辨率，再开展相应的多尺度训练，此能够提高网络的适应性。目标分类对行人经 YOLOv3 可以有效地检测，但不可避免的还是会存在误检的情况，因此非常有必要进一步的提升检测目标的准确率。在对目标进行分类计算时，现对行人目标候选框进行处理，再对候选框局部二值模式特征进行提取，最后采取多层感知器进行过滤。提取局部二值模式特征对目标图片先缩放到一定比例，然后进行灰度图转化，之后提取局部二值模式特征。该模式的算子定义在 33 领域内，中心像素为阈值，并与相邻八个像素对比，大于取 0，小于取 1.由此会有八位二进制数产生，这就是中心像素的局部二值模式，通过数学公式（3）与公式（4）进行表示。由此能够看出，局部二值模式的值共 256 种，此能够清晰地呈现出区域纹理的相关特征，并利于对相关数据的直方图统计，最终获得局部二值模式的特征资料。81(,)()(,)2nnLBP x ys V nV x y=（3）1,0()0,0ms mm=（4）V（n）表示中心像素点邻域第 n 各像素点灰度值，V（x，y）表示中心像素点灰度值，n 表示中心像素点邻域第 n 个像素点。多层感知器分类在目标检测中分类算法这个环节非常重要，其性能和检测的性能有着直接的关系。当前有很多的分类算法，其中应用广泛以及性能优良的分类算法有支持向量机算法、多层感知器算法以及 Adaboost 算法。其中，多层感知器算法是全连接，多层神经网络，在所有节点中除了输入节点，其他节点都有线性激活函数神经单元。该感知器网络通过训练后，可以对复杂的函数进行拟合，以此有效的解决分类问题。f（x）=Gsoftmax（b（2）+W（2）（s（b（1）+W（1）x）（5）上述公式（5）是三层感知器网络计算式，s（b（1）+W（1）x）表示隐藏层的输出，b 表示对应层的偏置，W表示，对应层的权重。测试结果作者一共架设了三台摄像机，其位置在有人行横道的主干以及支干道路上，对早上 7 点到晚上 11 点之间的行人数据通过 20 天的采集，形成 9 873 张有效的行人数据集。随机分成数据集以及测试集，数据集占总数的 80%，测试集占 20%。网络训练需要对随机参数进行相应的调整，并对不同分辨率图片训练，随机改变分辨率，引能提升网络适应性，本文运用的方式对行人的检测性能如下表 1。表 1 检测性能对比输入图像尺寸红外准确率日光准确率51251290.98%92.85%38238288.96%89.98%27827887.79%88.69%通过结果可以看出，随着像素提高行人检测识别率也会随之增加，日光准确率要比红外准确率高，其是因为红外下会降低图像质量，在该算法下，还能进一步的提升红外下的准确率。另外，哪怕是红外下，像素为 512512 时也有90.98%的准确率。结束语该系统通过检测行人能够对交通路口进行监测，如果有行人经过会给出信号，通过信号对过路车辆以及行人进行警示，并且还能通过车载广播对一定距离的驾驶员进行提醒。不管是白天还是晚上，该系统都能超过 90%的准确率，其实用性较好，尤其是警力不足的偏远地区，应用该系统能够有效地降低事故发生的概率。图 1 交通安全警示系统硬件架构