基于TensorFlow前照燈系統應用

賴樹旺

摘 要：TensorFlow是Google開發的一個端到端開源機器學習平臺，可以讓開發者輕松地構建和部署由機器學習提供支持的應用。本文通過在Raspberry Pi上部署TensorFlow應用，針對駕駛員在照明良好的道路上非法使用遠光燈影響到他人正常行駛問題，利用TensorFlow深度學習框架和OpenCV對具體對象進行Object detection實現遠近光燈適應行駛環境自動切換，從而實現基于TensorFlow前照燈系統應用。

關鍵詞：TensorFlow;Raspberry Pi;深度學習;OpenCV;Object detection

1研究現狀

目前現有的智能燈光系統最為典型的有：自適應前照燈系統（AFS）、自適應遠光燈系統（ADB）以及其他針對遠近光切換的技術。

ADB系統是利用了自動調整遠光光束分布，在前方車輛和對向來車的周圍形成陰影區域來減少遠光燈造成道路使用者目眩的技術。通過研究表明，配備有自適應遠光燈系統的汽車，在系統傳感器檢測到行車道路前方或對向有車輛時，汽車會自動將遠光光束調整為“L”型，實現在正常遠光照明區域內形成一個暗區，從而能夠提高駕駛員的視線距離，幫助駕駛員看清道路環境，并且減少給其他道路使用者造成眩目、不適和注意力分散等情況。

2前照燈系統設計

2.1系統工作原理

前照燈系統有三層結構：感知層、處理層、決策層。通過搭建汽車模型，模擬行車狀態。其中處理層的中央處理器采用了基于ARM的單板計算機——Raspberry Pi作為中央處理器，再結合攝像頭、光敏傳感器，構成路測裝置。系統通過對駕駛環境的光線強度、有無障礙物等指標進行實時狀態監測，采集監測數據，并對數據進行判斷，建立監測數據庫。由TensorFlow和OpenCV作為算法編程支撐。實時監測攝像頭與光敏傳感器接收到的數據作為判斷依據。

感知層由攝像頭、光敏傳感器組成，實時接收外界環境信息。處理層由Raspberry Pi與TensorFlow、OpenCV組成，實時接收由攝像頭與光敏傳感器傳來的數據信息，對傳來的數據信息進行處理，得到處理結果傳給決策層做出一系列反應。決策層由兩個LED燈組成，根據處理層傳來的處理結果做出反應。

2.2核心算法

TensorFlow是用數據流圖做計算的。首先數據進行輸入，經過塑形后，一層一層進行前向傳播運算。在輸出前會使用Relu層用激活函數做非線性處理，然后進入Logit層（輸出層），學習兩個權重和偏置，用Softmax來計算輸出結果中各個類別的概率分布。用交叉熵來度量兩個概率分布（源樣本的概率分布和輸出結果的概率分布）之間的相似性。然后開始計算梯度，以及交叉熵后的結果。隨后進入SGD訓練，也就是反向傳播的過程，從上往下計算每一層的參數，依次進行更新。其中激活函數做非線性處理也就是運行時激活神經網絡中某一部分神經元，將激活信息向后傳入下一層的神經網絡。這一部分是我們訓練得到目標對象的過程，也就是用來標識識別哪個物體是車或者是人。

Object Detection是在靜止圖像或視頻中查找真實世界對象實例（如汽車，自行車，電視，鮮花和人類）的過程。它允許識別，定位和檢測圖像中的多個對象，這使我們能夠更好地理解整個圖像。算法的實現流程為：首先從手上的輸入圖像中提取特征，并使用這些特征來確定圖像的類別，構建神經網絡，創建一組軟件“神經元”并將它們連接在一起，允許它們相互發送消息。接下來，要求網絡解決一個問題，它試圖反復嘗試，每次加強導致成功的連接并減少導致失敗的連接。從而進行模型的訓練，提高正確識別率。這一部分是我們檢測物體是否為我們訓練得到的目標對象。也就是通過攝像頭上獲取的實時影像中是否包含了車或者人。

3前照燈系統功能

3.1遠近光燈自動切換

通過攝像頭實時監測駕駛視野，當駕駛視野中有其他道路使用者時（如跟車、會車、行人），系統會自動捕捉其他道路使用者的位置是否處于讓其致盲區，若處于該區域時會將遠光自動調為近光燈，避免對其他道路使用者造成眩目，保證駕駛安全性。

光敏電阻實時監測行駛環境的光強強度，當系統檢測到環境光照較強時，按照道路交通法是不允許開啟遠光燈，如當前前照燈是屬于遠光燈的話就自動切換為近光燈行駛。

4實驗測試與驗證

4.1測試數據集的精準度

經過多次道路訓練實驗后，得到的精準度數據為：正確檢測率：80.05%，錯誤檢測率：43.1%，漏檢率：21.2%。

4.2驗證實驗結果

根據實驗驗證，攝像頭實時監測道路信息，當車或者人處于讓其致盲區時，將處理結果迅速的返回給決策層，關閉遠光燈開啟近光燈。

5總結

自動化、智能化是汽車產業未來的發展趨勢，深度學習順應時代熱點，本文設計的前照燈系統可以降低不正確使用遠光燈造成車禍的概率，很好的輔助了駕駛員，讓駕駛員把注意力放在安全駕駛上，減少駕駛員關閉遠光燈的反應時間，具有很好的應用前景。

參考文獻：

[1] 汪茂盛. 機動車駕駛光污染及視力防護[J]. 中國眼鏡科技雜志， 2012（9）：132-134.

[2]方路平，何杭江，周國民.目標檢測算法研究綜述[J].計算機工程與應用，2018，54（13）：11-18.

[3] 尚巖巍， 趙利波. 汽車AFS照明系統淺析[J]. 華東科技：學術版， 2015（5）：404-404.

[4] 劉然， 陳積先， 武華堂， et al. 自適應遠光（ADB）相關法規研究[J]. 光源與照明， 2017（1）.