基于Yolov5的交通路面障礙物目標檢測

楊曉玲 羅順利 梁皓添

（珠海科技學院電子信息工程學院，廣東珠海 519041）

隨著社會經(jīng)濟的快速發(fā)展，越來越多的家庭擁有私家車，如何減少交通意外的發(fā)生和實現(xiàn)無人駕駛成為新問題。輔助系統(tǒng)的出現(xiàn)成為解決問題的關(guān)鍵技術(shù)，是高精度識別交通路面障礙物的一個重要組成部分。目前解決此問題的方法是通過汽車的攝影機拍攝現(xiàn)場照片，再對原始照片進行處理與模擬訓練等，對照片中的交通障礙物進行框選與監(jiān)測?，F(xiàn)實的交通環(huán)境變化多樣，傳統(tǒng)技術(shù)通常使用手工和滑動窗口相結(jié)合的設(shè)計對交通障礙物進行識別檢測，精度和實時性難以滿足駕駛員的安全需求。隨著人工智能的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)和深度學習算法的發(fā)展為交通技術(shù)提供了新的可能。

1 Yolov5介紹

1.1 Yolov5網(wǎng)絡(luò)模型介紹

YOLOV5模型包括Input、Neck、Backbone和Prediction四個部分。

Yolov5網(wǎng)絡(luò)模型如圖1所示。

圖1 YOLOV5結(jié)構(gòu)

1.2 Input端

Input端包括Mosaic數(shù)據(jù)增強、圖片尺寸處理、自適應錨框計算三部分。

Yolov算法中需要將輸入圖像的尺寸變換為固定大小，再送入檢測模型中訓練。

網(wǎng)絡(luò)訓練前需要設(shè)定初始錨框，Yolov5設(shè)定的初始錨框為[116，90，156，198，373，326][30，61，62，45，59，119][10，13，16，30，33，23]。

Yolov5網(wǎng)絡(luò)模型在基礎(chǔ)的錨框上進行模擬得到預測框，如果所得預測框計算與實際相差過大，可以改變代碼將自動錨功能關(guān)閉。如果效果較好，可與真實框比較，依據(jù)差值反向更新調(diào)整網(wǎng)絡(luò)模型參數(shù)。

1.3 Backbone

Yolov4的Backbone只有CSP結(jié)構(gòu)，Yolov5新增了Focus結(jié)構(gòu)。在新增操作的Foucs操作中，切片操作非常重要，其過程是逐步變化的。

比如在Foucs結(jié)構(gòu)中加入原始圖像608×608×3，通過切邊操作將原始圖像變?yōu)?04×304×12的特征圖，輸出304×304×32的特征圖。

1.4 Neck

Neck的結(jié)構(gòu)是FPN（自上而下）+PAN（自底向上結(jié)構(gòu)的特征金字塔）結(jié)構(gòu)，F(xiàn)PN結(jié)構(gòu)采用上采樣方法進傳遞信息和融合信息，獲取預測的結(jié)果圖。

1.5 Prediction

Prediction由非極大值抑制（NMS）和Bounding box損失函數(shù)兩大部分組成。

在Bounding box中，GIOU_Loss函數(shù)作為損失函數(shù)，通過NMS函數(shù)可以在預測結(jié)果處理階段解決重合目標邊框或進行篩選。

2 影響因素

雨雪天氣時，攝影照片的清晰度受到影響，大幅度降低安全駕駛要求的準確性。

利用Yolov5算法可以在環(huán)境變化中提高預處理照片的準確性和實時性，通過labelimg標注使最后得到的預測結(jié)果更有效及合理。對于種類模糊的可以進行二次排查，提高試驗結(jié)果的準確性。

3 訓練樣本集設(shè)計

3.1 訓練樣本集的重要性

道路障礙物樣本集是目標檢測的關(guān)鍵因素，樣本集的可靠性對于訓練后模型的質(zhì)量具有重要的影響。樣本集多樣性、覆蓋面足夠，訓練后的模型質(zhì)量也能夠滿足相關(guān)要求。

3.2 樣本的來源及標注

從線上收集10 000張路面障礙物的圖片，組合訓練集和測試集，訓練集和測試集比例為1∶7，即1 250張∶8 750張，樣本集中obstacle表示有障礙物，通過labelimg軟件對路面障礙物進行標注。

部分樣本集如圖2所示。

圖2 部分樣本集展示

障礙物標注情況如圖3所示。

圖3 路面障礙的標注

3.3 樣本的預處理

樣本的預處理是路面障礙檢測的重要環(huán)節(jié)，圖片通過攝像頭采集或人為拍攝，本身會受到攝像頭鏡頭不清晰、影像傳輸以及人手抖動等問題影響。

檢測前應對所有圖片進行預處理，通過預處理過濾無用信息，提升訓練集的質(zhì)量。

4 試驗與討論

4.1 試驗算法與過程

試驗流程如圖4所示。

圖4 試驗流程

進行目標識別檢測時，首先輸入樣本圖片，通過Yolov5算法，采用labelimg軟件對目標障礙物進行框選，開始訓練，得到需要的數(shù)據(jù)集。與對應的數(shù)據(jù)進行對比，選擇準確度更高的圖片輸出，基于Yolov5算法對交通路面障礙物進行檢測，驗證其準確性和實時性。

4.2 試驗結(jié)果及其分析

城市道路試驗、盲人道試驗如圖5、圖6所示。

圖5 城市道路試驗結(jié)果

圖6 城市盲人道試驗結(jié)果

使用Yolov5算法模型進行訓練，通過改進損失函數(shù)，采用DIoU損失函數(shù)替代GIoU損失函數(shù)。由試驗結(jié)果可知，采用這種方法可以更準確和迅速標注交通障礙物。Yolov5算法相較于Yolov4，具有更高的實時性和準確性。更換使用損失函數(shù)后，結(jié)果更明顯，是否進一步改進其他系數(shù)還需要其他試驗深入分析。

5 結(jié)語

綜上所述，本文提出的交通路面障礙物識別檢測是基于改進Yolov5的檢測算法，用于交通駕駛路面檢測，主要數(shù)據(jù)源于交通路面視頻，通過改進的DIoU、labelimg等方法改進Yolov5計算網(wǎng)絡(luò)，將其應用于車輛，以滿足駕駛員對于安全駕駛的需求和無人駕駛技術(shù)的鞏固，降低事故概率。