CN115100903A

CN115100903A - 一种基于yolov3目标检测算法的公路弯道双向预警系统

Info

Publication number: CN115100903A
Application number: CN202210691153.XA
Authority: CN
Inventors: 段丽; 申振武
Original assignee: Wuhan Huake Quanda Transportation Planning And Design Consulting Co ltd
Current assignee: Wuhan Huake Quanda Transportation Planning And Design Consulting Co ltd
Priority date: 2022-06-17
Filing date: 2022-06-17
Publication date: 2022-09-23

Abstract

一种基于YOLOV3目标检测算法的公路弯道双向预警系统。本申请公开了一种在公路弯道路段采用的双向预警系统，包括：通过采用具有红外夜视功能的红外摄像头对弯道路段人、车进行视频采集，利用YOLOV3算法对弯道路段人、车进行识别，并借助预警终端实现对弯道另一端的人、车进行提前提示和预警，准确告知驾驶员弯道两端的车、路环境。本发明适用于公路弯道路段的预警，实施能够有效避免交通安全事故的发生，提高公路弯道路段的交通安全。

Description

一种基于YOLOV3目标检测算法的公路弯道双向预警系统

技术领域

本发明涉及公路安全领域，尤其涉及一种基于YOLOV3目标检测算法的公路弯道双向预警系统。

背景技术

弯道路段发生事故的原因有很多，行车视距受限是其中一个主要原因。车辆在进入弯急路窄的弯道路段时，受地理条件等因素的限制，无法获取对向的车、路环境，极易引发严重的交通事故。前者视野范围有限难以全面反应弯道路段的人、车情况，且不具备全天候工作的适应性。后者在预警的动态性和及时性方面尚有较大的欠缺，警示功能有限。

交通领域针对采用视频的检测方法，传统做法中利用像素值的检测方法已经有很多，但在精确度以及分类有很大的不足。基于特征信息的目标检测技术的出现较大的提高了目标检测的精度和类别广度，其通常分为区域选择、特征提取、分类器分类三个步骤。早期穷举式目标检测框架虽能实现一定程度上精度的提升，但运行、检测速度低，比较耗时。然后出现了以选择性搜索为代表的目标分类方法，相比较穷举式的方法，在效果和计算速度上有较大的提高。随着R-CNN (Regions with CNN features)系列的出现，R-CNN将在图像分类上表现出优越性能的卷积神经网络用于目标检测领域。但是R-CNN框架也有很多弊端，比如整个网络做不到端到端，中间训练过程需要大量的内存来存储一些特征，计算速度不够理想等。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于 YOLOV3目标检测算法的公路弯道路段双向预警系统。YOLO算法提出了一个新的思路，将目标检测的问题转化成一个回归问题，给定输入图像，直接在图像的多个位置上回归出目标的边界框和分类类别。本发明提出了基于YOLOV3目标检测算法、视频识别的检测和预警系统，能够及时、准确地检测、识别公路弯道路段区域复杂的车、路环境，为行驶在弯道路段的驾驶员提供有效、及时的预警，进而提高公路弯道路段的行车安全，达成降低交通事故率的目标。

本发明提供了一种基于YOLOV3目标检测算法的公路弯道双向预警系统，该系统包括：

步骤1，通过部署于公路弯道两端路段和中间路段的具有红外夜视功能的摄像头，采集弯道路段中的行人与车辆的视频信息；

步骤2，通过YOLOV3目标检测算法对视频信息开展特征提取；利用特征提取结果预测图像位置和类别概率值，类别概率值为各个边界框置信度下的条件概率；

步骤3，利用检测到的目标位置和概率值进行目标判定，并形成目标信号；

步骤4，通过信号传输单元输入将目标信号传输到预警输出单元；

步骤5，预警输出单元在获取到目标识别单元的目标信号后，实现预警信息的声光输出，进而提示进入弯道的人、车注意交通安全。

优选地，步骤1中视频检测摄像头均采用具有红外夜视功能的红外摄像头。保证在光线暗淡情况下也可以用于实时采集图像，并将采集到的图像信号输出，而不受外界光线强度的影响。可以在道路周围光线暗淡甚至在夜间光线强度几乎为零的情况下使用,满足了光线暗淡情况下的需要。

优选地，步骤2中Yolo的卷积神经网络将输入的图片分割成S×S网格，每个单元格检测中心点落在该格子内的目标；每个单元格预测B个边界框以及边界框的置信度：边界框记为Pr(object)，当该边界框不包含目标时，此时Pr(object) ＝0，而当该边界框包含目标时，Pr(object)＝1；置信度可以定义为

每个边界框的预测值包含5个元素：(X,Y,W,H,C)，其中前 4个表征边界框的大小与位置，最后一个值是置信度。

优选地，步骤3中预测图像位置和类别概率值。类别概率值为各个边界框置信度下的条件概率。利用检测到的目标位置和概率值进行目标判定，若有行人、车辆等交通参与者进入弯道两侧及弯道内路段，则形成目标信号。

优选地，步骤4中通过信号传输单元输入将目标信号传输到预警输出单元。信号传输单元用于根据目标识别单元的输出结果，输出相应的控制指令，用以控制预警输出单元是否输出特定的图像信息。

优选地，步骤5中预警输出单元在获取到目标识别单元的目标信号后，实现预警信息的声光输出。

本发明选择著名目标检测框架YOLOV3作为目标检测的工具，使系统能在复杂环境下正常工作。

应当理解的是，以上一般描述和后文的细节描述仅是示例性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。

图1是本申请提供的公路弯道双向预警系统的技术架构图；

图2是本申请提供的公路弯道双向预警系统的技术流程图；

图3是本申请提供的公路弯道双向预警系统的部署示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，首先对本发明所设计的术语解释如下：

目标检测：找出图像中所有感兴趣的目标(物体)，确定它们的类别和位置。

选择性搜索方法：采用子区域合并的方法进行提取候选框。

卷积神经网络：一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。

本发明包括目标检测单元、目标识别单元、信号传输单元、预警输出单元。在弯道内和弯道两侧路段部署摄像头作为目标检测设备，在弯道两侧部署显示预警设备，在弯道内或弯道两侧就近部署目标识别设备。摄像头与目标识别设备相连，目标识别设备与摄像头和信号传输单元相连，信号传输单元目标识别设备和显示预警设备相连。

第一部分，目标检测单元用于获取公路弯道两端路段、弯道中间路段的视频图像，并将检测到的视频图像输入到目标识别单元。视频检测摄像头均采用具有红外夜视功能的红外摄像头。保证在光线暗淡情况下也可以用于实时采集图像，并将采集到的图像信号输出，而不受外界光线强度的影响。可以在道路周围光线暗淡甚至在夜间光线强度几乎为零的情况下使用,满足了光线暗淡情况下的需要。

第二部分，目标识别单元在获取到目标检测单元输入的视频图像后，基于目标检测算法YOLOV3开展特征提取。具体步骤如下：

步骤1，通过特征提取网络对输入的图像进行特征提取。

利用YOLO学习框架检测目标，目标检测结果主要包含信息有：包围目标的边界框的中心坐标、边界框的宽度和高度、以及边界框的类型。其中YOLO 学习框架采用YOLOV3在速度与精度上的高水准，大大提高了目标检测的实用性。

所采用的目标检测技术YOLO(YouLookOnlyOnce)是2015年JosephRedmon 等提出的目标检测框架，通过改变传统的框架结构，第一版YOLO极大地提升了目标检测的速度，但由于准确率不高，并未引起注意；2016年，JosephRedmon 等进一步提出YOLOv2，对YOLO作出了部分改进，保持YOLO速度优势的同时，较大地提高了检测的准确率，开始受到研究者的广泛关注；2018年， JosephRedmon等再次提出YOLOv3，这一版的YOLO作出了一些重大改进，维持速度的同时，准确率显著提高。YOLOv3在NvidiaGeForce960M笔记本载GPU 上处理512*512分辨率图片，可达每秒10至15帧，且能正确检出图片中大部分目标。

输入图片通过主干网络得到3个尺度的特征图(从上往下：feat1->(256 *52*52),feat2->(512*26*26),feat3->(1024*13*13))，分别在3种尺度上进行检测。 3个特征图经过5层卷积(Conv2D Block)后，分别进入不同的分支，一条分支进行卷积+上采样，得到的特征图与上层的特征图进行通道合并(Concat)，另一条分支通过两层卷积直接输出预测结果。最后一个卷积层为1*1卷积，卷积核尺寸为(B*(5+C))*1*1，B表示一个网格可以预测边界框的数目，C代表C个类别概率，5表示了4个坐标值(t_x，t_y，t_w，t_h)和1个物体置信度。对于coco数据集， C＝80，B＝3。最终3个尺度的检测结果的尺寸分别是255*52*52、255*26*26和255*52*52。特征图上的一个像素对应原图中的一个网格，每个尺度定义了3种锚框，即每个网格会有3个预测框，每个预测框具有(5+C)个属性。网络在3 个尺度上检测，所以整个网络共检测13*13*3+26*26*3+52*52*3＝10647个边界框。

YOLOv3沿用YOLO9000预测边界框的方法，通过尺寸聚类确定锚框，对于13*13特征图中每个网格点预测3个不同分辨尺寸的边界框，网络为每个边界框预测5个值：t_x，t_y，t_w，t_h，t₀，其中前四个是坐标的偏移值，t₀是置信度，网格距离图像左上角的边距为(c_x,c_y)，p_w和p_h是网格对应的先验框的宽和高，则获得边界框预测：b_x，b_y，b_w，b_h是预测的边界框的中心坐标x，y，边界框的宽度 b_w和高度b_h；

b_x＝σ(t_x)+c_x

b_y＝σ(t_y)+c_y

b_w＝p_w*e^tw

b_h＝p_h*e^th。

本发明中使用Yolo卷积神经网络将输入的图片分割成S×S网格，每个单元格检测中心点落在该格子内的目标；每个单元格预测B个边界框以及边界框的置信度：边界框记为Pr(object)，当该边界框不包含目标时，此时Pr(object)＝0，而当该边界框包含目标时，Pr(object)＝1；置信度可以定义为

步骤2，预测图像位置和类别概率值。类别概率值为各个边界框置信度下的条件概率。

步骤3，利用检测到的目标位置和概率值进行目标判定，若有行人、车辆等交通参与者进入弯道两侧及弯道内路段，则形成目标信号。形成的目标信号通过信号传输单元输入到预警输出单元。

第三部分，信号传输单元用于根据目标识别单元的输出结果，输出相应的控制指令，用以控制预警输出单元是否输出特定的图像信息。

第四部分，预警输出单元在获取到目标识别单元的目标信号后，实现预警信息的声光输出，进而提示进入弯道的人、车注意交通安全。

Claims

1.一种在公路弯道路段采用的双向预警系统，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，步骤1中，视频检测摄像头均采用具有红外夜视功能的红外摄像头。

3.根据权利要求1所述的方法，其特征在于，步骤2中，Yolo的卷积神经网络将输入的图片分割成S×S网格，每个单元格检测中心点落在该格子内的目标；每个单元格预测B个边界框以及边界框的置信度：边界框记为Pr(object)，当该边界框不包含目标时，此时Pr(object)＝0，而当该边界框包含目标时，Pr(object)＝1；置信度可以定义为

每个边界框的预测值包含5个元素：(X,Y,W,H,C)，其中前4个表征边界框的大小与位置，最后一个值是置信度。

4.根据权利要求1所述的方法，其特征在于，步骤3中，利用检测到的目标位置和概率值进行目标判定，若有行人、车辆等交通参与者进入弯道两侧及弯道内路段，则形成目标信号。

5.根据权利要求1所述的方法，其特征在于，步骤4中，信号传输单元用于根据目标信号，输出相应的控制指令，用以控制预警输出单元是否输出特定的图像信息。

6.根据权利要求1所述的方法，其特征在于，步骤5中，预警输出单元在获取到目标识别单元的目标信号后，实现预警信息的声光输出。