基于YOLOv3 的夜間防眩目LED 車燈＊

王源宇，曾翊晨，李飛揚，閻 辰，張 順

（1.武漢理工大學 信息工程學院通信工程，湖北 武漢430070；2.武漢理工大學 信息工程學院電子科學與技術，湖北 武漢430070）

中國《道路交通安全法》第48 條已經明確規定遠光燈、近光燈的操作使用要求，但根據對路面交通狀況實際觀察發現，仍有不少駕駛員在汽車行駛過程中沒有切換遠光燈、近光燈的習慣。在會車時，遠光燈強烈的燈光會對駕駛員造成眩目，極易造成交通事故[1-2]。目前，國內外解決夜間會車眩目問題大多采用偏振光防眩目技術[3]和液晶變光裝置[4]等。偏振光防眩目技術是在汽車的擋風玻璃以及前照燈燈罩玻璃上安裝偏振片，兩車會車時車燈光線經前照燈燈罩玻璃和對向擋風玻璃的透射率幾乎為0，而偏振片透光率不理想，單片透光率僅有36%左右，且成本及精度要求高，難以實現市場化生產[5]。液晶變光裝置是利用光傳感器把強光信號轉變成電信號，使位于駕駛員眼睛和前擋風玻璃之間的液晶板變色，這樣駕駛員感覺不到強光的刺眼，但是該裝置對各種路況的適用性差，容易造成視覺疲勞[6]。由于夜間道路情況復雜，以上方法均不能有效解決防眩目的問題。因此，研發一款智能夜間防眩目車燈十分必要。

YOLO（You Only Look Once）[7]算法屬于one-stagedetection 方法，首先需要產生大量可能包含待檢測物體的先驗框，然后用分類器判斷每個先驗框對應的邊界框里是否包含待檢測物體，以及物體所述類別的概論或者置信度，同時，需要后處理修正邊界框，最后基于一些準則過濾掉置信度不高和重疊度較高的邊界框，進而得到檢測結果。這種基于先產生候選區再檢測的方法雖然有較高的檢測準確率，但運行速度較慢。YOLOv2 可以很好地權衡速度和精度，在不需要較快運行速度時，它可以把精度提高；在不需較高準確度時，它可以提升運行速遞。而經過YOLOv3 的改進，算法在擁有較快運行速度的同時有較高的準確率，這更適用于夜間復雜環境下行駛時對于檢測速度和精度的要求。因此，本文采用YOLOv3 算法作為核心處理算法。

本文設計的夜間防眩目LED 車燈通過攝像頭采集前方車輛行人信息，PC 機采用YOLOv3 算法處理后，由飛思卡爾單片機將控制信號傳至LED 車燈，從而實現自動調節遠近光燈，增加了行駛的安全性，同時，類比市面上的其他產品，此產品具有可編程性，可以根據實際情況進行后續優化升級，為未來的無人駕駛做準備。

1 硬件設計

本系統主要由攝像頭、PC 機、控制模塊及LED 車燈構成，其硬件組成如圖1 所示。其中，控制模塊為飛思卡爾單片機MC9S12P128，單片機通過串口通信接受PC 機傳遞的信號，單片機內部的程序對信號正確處理，控制車燈的遠近光燈切換。LED 車燈內部有5 顆燈珠，當汽車使用近光燈時，開啟其中3 顆燈珠；當汽車使用遠光燈時，開啟全部5 顆燈珠。控制模塊控制車燈內部5 顆燈珠的開關狀態，實現遠近光燈的切換。

整體工作流程如下：攝像頭采集駕駛車輛前的路況信息后，將圖像信息傳遞給PC 機，PC 機對攝像頭傳送過來的圖像信息用YOLOv3 算法進行處理，將檢測到的車輛和行人信息傳送到飛思卡爾單片機，再由單片機發送控制指令來控制車燈遠近光燈的亮滅。

2 YOLOv3 算法訓練與測試

2.1 YOLOv3 算法

YOLOv3 在YOLO 系列算法的基礎上進行了一些改進，包括多尺度預測（類FPN）、基礎分類網絡（類ResNet 殘差塊結構）和更好的特征提取網絡（Darknet-53）等，很好地改善了YOLO 系列算法對小物體檢測效果較差的問題。

由于夜間道路環境較為復雜，對于目標檢測的實時性要求較高，同時，為了保證準確性，本文采用YOLOv3 算法對夜間車輛和行人進行檢測。

YOLOv3 整體網絡結構如圖2 所示。其中，DBL 為網絡的基本組件，即卷積層+歸一化層+激活層；resn 為殘差網絡Resnet，n 代表數字，表示有n 個殘差塊；concat 為張量拼接，即連接darknet 中間層與后面的某一層的上采樣。

圖2 YOLOv3 整體網絡結構

2.2 特征提取網絡

YOLOv3使用基于殘差神經網絡改進的Darknet-53網絡作為特征提取器，整個網絡中沒有池化層和全連接層，采用大量的3×3 和1×1 卷積層，共有53 個卷積層。YOLOv3 采用416×416 的圖像輸入到前向傳播過程中，通過改變卷積核的步長來實現張量的尺寸變換。不同于YOLOv2 采用的Darknet-19 網絡結構，Darknet-53 引入Resnet 的殘差塊結構，如圖3 所示。

圖3 Resnet 殘差塊結構

其相應的公式定義如下：

式（1）中：xt+1和xt分別為第t 個殘差塊的輸出與輸入向量；Ft（xt）為轉換函數，對應于由堆疊層組成的殘差分支。

這樣組成的殘差網絡有效解決了隨著網絡層數的加深而產生的梯度爆炸問題，使得Darknet-53 提取的特征效果更好，更好地提升了分類和檢測的準確度。

2.3 類FPN 多尺度預測

YOLOv3 借鑒了FPN（feature pyramid networks）的思想，在3 種不同的尺度上進行預測，分別為13×13、26×26、52×52，每種尺度預測3 個box，anchor 的設計方式仍然使用聚類，得到9 個聚類中心，將其按照大小均分給3 個尺度。對于輸入為416×416 的圖像，按照特征圖的尺度大小劃分為S×S 個等大的網格，本文對應預測車輛和行人2 個類別，則最終得到的張量大小為S×S×[3×（4+1）+2]，其中，包括目標邊框的4 個坐標值以及置信度得分（tx，ty，tw，th，confidence）。這種方式將不同分辨率的特征圖融合之后單獨輸出，對應圖2 中的Y1、Y2、Y3 熱圖，可以精確針對不同尺寸的目標進行分別檢測，極大地提升了YOLOv3 在小目標檢測方面的性能。

2.4 YOLOv3 類別預測

YOLOv3 不使用Softmax 對每個框進行分類，主要原因為Softmax 使得每個框分配一個類別，即得分最高的類別，而實際中的一個目標或一張圖片基本上不會只有一個類別，例如對于Open Images 數據集，目標可能有重疊的類別標簽，因此Softmax 不適用于多標簽分類，且Softmax 可被獨立的多個logistic 分類器替代，準確率也不會下降。

所以，YOLOv3 使用了多個獨立的邏輯回歸分類器進行分類，邏輯回歸層（logistic）主要使用sigmoid 函數，每個分類器使用簡單的二分類對目標邊框中出現的物體進行判斷，即實現了多標簽分類。

2.5 損失函數

YOLO 系列算法均是端到端的訓練過程，預測框的坐標、大小、種類、置信度等信息的預測由4 部分的損失函數組成，其公式為：

3 軟件設計

防眩目系統軟件設計如圖4 所示。

圖4 軟件流程圖

在夜間行駛時，駕駛員自動選擇遠近光燈狀態，同時，開啟防眩目系統，系統進入初始化。進入程序后，首先由攝像頭采集前方道路信息直到采集完成，然后將圖像信息送入目標檢測模塊，此模塊由YOLOv3 算法進行目標檢測，如果未檢測到車輛及行人信息，則繼續進行數據采集；如果檢測到車輛及行人信息，則立即判斷車燈開啟狀態。如果同時開啟遠近光燈時，轉入車燈控制模塊，關閉遠光燈，只開啟近光燈；如果只開啟近光燈，則保持近光燈開啟狀態，最后回到主控制模塊，循環進行該算法流程。

4 實驗過程及結果分析

4.1 實驗配置與數據

本文算法使用tensorflow 框架，實驗的軟硬件配置如表1 所示。

表1 實驗配置

本實驗圖像由載有OV7725攝像頭模塊的車輛在夜間拍攝得到，包括高速公路、城市道路等150 000 萬張圖片，精選6 000 張清晰圖片，使用labelImg 軟件對上述圖片進行標注，只設置車輛、行人以及背景三個類別，最后從中隨機選取4 200 張圖片作為訓練集，1 800 張圖片作為測試集。

使用上述數據集，對目標檢測模型進行訓練與測試，相比于目前存在的數據集，本數據集更適合于夜間對車輛及行人的檢測。

實驗過程中，設置初始學習率為0.000 1，迭代次數為1 000，耗時約14 h。

4.2 實驗結果及分析

將測試集輸入到訓練好的模型中，得到車輛與行人識別率的結果，其中車輛檢測的mAP 為97.31%，行人檢測的mAP 為91.67%。可以看出本文訓練的YOLOv3 算法能夠準確檢測出夜間車輛和行人。同時，將檢測到的信息處理之后發出的車燈控制信號，可以準確地切換遠近光燈。實際場景如圖5 所示。

圖5 實際場景圖

5 結論

本文將YOLOv3 網絡應用于汽車防眩目領域，通過訓練自制的夜間數據集，對車輛前方的道路信息做出判斷，實現對車輛遠近光燈的自適應切換，以解決夜間車輛行駛過程中濫用遠光燈的現象。

實驗結果表明，對于本文提出的方法，輸入一張圖像直接預測出目標信息耗時0.04 s，整體mAP 達到94.49%，能夠保證控制車燈的準確性和實時性。