《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 其他 > 設(shè)計(jì)應(yīng)用 > 基于ARM和深度學(xué)習(xí)的智能行人預(yù)警系統(tǒng)
基于ARM和深度學(xué)習(xí)的智能行人預(yù)警系統(tǒng)
信息技術(shù)與網(wǎng)絡(luò)安全 12期
劉佳麗1，黃世震1，2，何恩德2
(1.福州大學(xué) 物理與信息工程學(xué)院，福建 福州350116； 2.福州大學(xué) 微電子集成電路重點(diǎn)實(shí)驗(yàn)室，福建 福州350002)
摘要： 針對(duì)行人交通安全問題，開發(fā)行人檢測(cè)系統(tǒng)以提醒行人和司機(jī)危險(xiǎn)的發(fā)生。對(duì)目標(biāo)檢測(cè)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分析和對(duì)比實(shí)驗(yàn)，選取以darknet為網(wǎng)絡(luò)框架的YOLO-fastest模型進(jìn)行改進(jìn)優(yōu)化并采用分類并標(biāo)簽的實(shí)時(shí)交通數(shù)據(jù)進(jìn)行訓(xùn)練，最終將訓(xùn)練模型部署至開發(fā)板完成實(shí)時(shí)性檢測(cè)并能夠根據(jù)車輛速度反饋給行人危險(xiǎn)信號(hào)。實(shí)驗(yàn)結(jié)果表明YOLO-fastest模型的平均檢測(cè)精度為96.1%，檢測(cè)速度為33 f/s，模型大小為1.2 MB，既滿足檢測(cè)精度又滿足檢測(cè)速度的要求，能夠完成對(duì)真實(shí)交通場(chǎng)景下的實(shí)時(shí)性檢測(cè)。
中圖分類號(hào)： TP391.4；TP183
文獻(xiàn)標(biāo)識(shí)碼： A
DOI： 10.19358/j.issn.2096-5133.2021.12.010
引用格式： 劉佳麗，黃世震，何恩德. 基于ARM和深度學(xué)習(xí)的智能行人預(yù)警系統(tǒng)[J].信息技術(shù)與網(wǎng)絡(luò)安全，2021，40(12)：60-64.
Intelligent pedestrian warning system based on ARM and deep learning
Liu Jiali1，Huang Shizhen1，2，He Ende2
(1.College of Physics and Information Engineering，F(xiàn)uzhou University，F(xiàn)uzhou 350116，China； 2.Key Laboratory of Microelectmnics and Integration Circuit，F(xiàn)uzhou University，F(xiàn)uzhou 350002，China)
Abstract： To address the problem of pedestrian traffic safety, a pedestrian detection system is developed to alert pedestrians and drivers to the danger of occurrence. The target detection neural network model is analyzed and compared with the experiments, and the YOLO-fastest model with darknet as the network framework is selected for improvement and optimization and trained with classified and labeled real-time traffic data. The training model is finally deployed to the development board to complete real-time detection and to provide pedestrian danger signals based on vehicle speed. The experimental results show that the average detection accuracy of YOLO-fastest model is 96.1%, the detection speed is 33 f/s, and the model size is 1.2 MB to meet the requirements of both detection accuracy and detection speed to complete the real-time detection of real traffic scenarios.
Key words : pedestrian safety；target detection；neural network；YOLO-fastest algorithm

0 引言

交通安全問題已成為當(dāng)前亟待解決的社會(huì)問題之一，尤其在交通環(huán)境下很多行人的注意力因集中在智能手機(jī)上而不注意周圍是否有車輛威脅自身安全，往往造成悲劇的發(fā)生,故如何降低該類交通事故的發(fā)生率已成為急需要考慮的問題。

HOG(Histogram of Oriented Gradient)提出被檢測(cè)的目標(biāo)輪廓能夠被光強(qiáng)梯度和邊緣分布描述，SVM(Support Vector Machines)為二分類模型并可進(jìn)行回歸分析，通過將兩種方法結(jié)合，使用HOG方法檢測(cè)目標(biāo)物體的邊緣信息并提取特征SVM方法對(duì)目標(biāo)物體區(qū)域進(jìn)行篩選[1]實(shí)現(xiàn)了道路行人的檢測(cè)；當(dāng)今目標(biāo)檢測(cè)算法蓬勃發(fā)展，文獻(xiàn)[2]中提出了一種基于改進(jìn)的YOLOV3檢測(cè)算法大大提高了對(duì)行人檢測(cè)的精度并通過降低算法的復(fù)雜性和簡(jiǎn)化模型解決了長(zhǎng)距離和小體積物體難以檢測(cè)到的問題；文獻(xiàn)[3]中提出了一種依據(jù)上下文信息和行人高寬比的特點(diǎn)改進(jìn)的SSD行人檢測(cè)方法，通過改進(jìn)模型的整體框架和縱橫比，生成淺層語(yǔ)義特征信息和深層語(yǔ)義特征信息以檢測(cè)目標(biāo)行人，提高了檢測(cè)精度；HOG+SVM方法雖然能成功進(jìn)行行人檢測(cè)，但是對(duì)遮擋物體檢測(cè)準(zhǔn)確率極低以及不能完成對(duì)目標(biāo)車輛的檢測(cè)；基于YOLOV3網(wǎng)絡(luò)模型檢測(cè)的準(zhǔn)確率很高，但是檢測(cè)速度慢，不能達(dá)到實(shí)時(shí)性檢測(cè)的要求；SSD屬于輕量級(jí)檢測(cè)模型，對(duì)于較大目標(biāo)的檢測(cè)可以滿足要求，但對(duì)小目標(biāo)物體(如較遠(yuǎn)處的車輛)的檢測(cè)精度低且速度慢。




本文詳細(xì)內(nèi)容請(qǐng)下載：http://theprogrammingfactory.com/resource/share/2000003897.





作者信息：

劉佳麗1，黃世震1，2，何恩德2 

(1.福州大學(xué) 物理與信息工程學(xué)院，福建 福州350116；

2.福州大學(xué) 微電子集成電路重點(diǎn)實(shí)驗(yàn)室，福建 福州350002)


此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。