基于YOLOv3的货车盲区检测系统

张杨 朱霞 丁文静 卜飏 陆怡霖

（金陵科技学院 网络与通信工程学院 江苏省南京市 211116）

货车盲区[1,2,3]研究点由于货车存在多方位的视觉盲区[5]，使得驾驶员无法充分观察周围环境，易发生交通事故。因此开发可靠安全的货车盲区检测系统[4,5]对道路车辆交通安全有较大的意义。本文通过结合科研项目，通过YOLOv3[6,7,8]算法大幅度地提高了检测精度和检测速度，实现检测的准确性和快速性。所设计检测系统通过多角度全方面检测货车盲区，并及时警报，为货车司机提供真正的驾驶便利，让公路交通拥有更高的安全保障。

1 YOLOv3

1.1 YOLOv3算法简介

YOLO 算法全称You Only Look Once，最早由Joseph Redmon等人提出，其原理是将待检测的图片转换为矩阵数据作为卷积神经网络的输入，最后使用OpenCV 开源计算机视觉库在输出层直接标记出回归的目标框的位置和类别信息。YOLO 算法最大的创新在于将物体检测作为回归问题来求解，实现了端到端的结构。YOLOv1算法在检测速度方面较CNN[9]算法有一定的提升，但也存在目标定位准确度低、针对小目标检测效果较差和计算量大等缺陷。YOLOv2 在YOLOv1 算法上进行了改进，参考了SSD[10]网络，使用3*3 卷积核，在每一次池化操作之后都会把通道的数量翻倍，在检测速度上有一定的提升，但仍有一些缺陷需要改进。

图1：YOLOv3 结构图

图2：系统架构图

YOLOv3 算法是在YOLO 以及YOLO2 算法的基础上继续进行优化算法，实现快速的多尺度的检测，修改了损失函数和anchor box 的数目，改进了特征提取网络。在检测精度和速度上都有很大的提高，其使用残差神经网络（Darknet-53）作为全卷机神经网络隐藏层进行特征提取，大量使用残差的跳层连接并且为了降低网络池化带来的梯度负面效果，该神经网络直接摒弃了POOLing，使用函数conv2d 中的stride 参数实现降采样，使得速度更快，在预测输出模块的架构中，YOLOv3 中采用了类似FPN (Feature Pyramid Network)算法中的upsample 融合做法，对多尺度的特征图进行识别目标的预测，即在三种不同尺度上，每个尺度上的每个单元格都会预测出三个边界框。

图3：人车检测

图4：小型物体检测

按照YOLO9000，使用维度簇来预测边界框。网络为每一个边界框tx，ty，tw，th预测4 个坐标。（cx, cy）作为单元格中相对于从图像位置的左上角偏移值，(pw, ph)为对应尺度锚框的长和宽，而且边界框已预先设定好宽度和高度pw，ph预测对应于如下方程：

在图像训练的过程中，通常用使用平方误差损失的和的方法。若某个坐标预测的标定过的真值是t*，梯度标定过的真值减去我们预测的值：ˆt*− t*.真值可以较为容易的反推上述方程。

YOLOv3 使用逻辑回归来预测每一个边界框的对象分数。如果边界框比其他边界框与真值对象重叠更多，该值为1；如果边界框具有维度尺寸先验和位置预测的边界框。预测长方体的宽度和高度为群集质心的偏移量，使用Sigmoid 函数预测盒子相对于过滤应用位置中心坐标。

1.2 YOLO3网络结构

YOLOv3 共包含图1 所示的三个模块，分别受Darkent53 特征提取模块，FPN（Feature Pyramid Network）特征金字塔和预测分支模块。

2 系统介绍

如图2 为基于YOLOv3 的货车盲区检测系统的架构图。首先通过摄像头进行图像采集，将采集到的图片通过摄像头传送到处理器，使用OpenCV 算法，先将图像进行预处理，再通过Coco 数据集、TinyYOLOv3。过滤之后再进行图像分析和图像标志叠加。

3 系统测试

3.1 测试环境

本实验所用的环境操作系统为Ubuntu16.04，所用的硬件为树莓派4B，其系统环境为openeuler 20.09，显卡型号为Nvidia GTX2060 8G，实验基于GPU 运行，开发环境为PyCharm，所用到的开发包有OpenCv、NumPy 和imutils。

3.2 测试指标

在本次实验的训练模型中，通过可视化的训练输出参数loss 曲线变化设定不同参数，得到多个训练模型。以精确率（Precision）、召回率（Recall）、平均精度（AP）、均值平均精度（mAP）和检测速度作为衡量模型的指标。其中检测速度对于货车盲区的目标实时检测来说，是否满足实时的检测要求相当重要。

3.3 实验过程

本文通过图片采用YOLOv3 算法得到模型对于测试集的货车盲区物体进行检测可视化。在项目实验过程中，模拟公路场景，将摄像头安装在模型货车上，通过自行车、行人和障碍物等作为目标检测对象进行跟踪识别来实现，如图3、图4 所示。

4 结语

随着互联网环境下物流行业的飞速发展，公路运输也成为运输的支柱，而货车盲区的存在会对货车驾驶、公路交通造成巨大的危害。本文将YOLO3 算法应用到货车盲区物体跟踪及自动检测系统，通过实验仿真以及实际的应用验证了该系统的可行性以及在盲区检测过程中的快速性、准确性和鲁棒性，技术的成本以及实现等方面都是贴近市场、较为合理的。当然该系统也存在不足，对于较小的事物识别率较低，因此，将来有必要将算法进一步的优化从未来发展的角度看，货车盲区检测系统将会被广泛使用。