基于ARM和深度學習的智能行人預警系統
信息技術與網絡安全 12期
劉佳麗1，黃世震1，2，何恩德2
(1.福州大學 物理與信息工程學院，福建 福州350116； 2.福州大學 微電子集成電路重點實驗室，福建 福州350002)
摘要： 針對行人交通安全問題，開發行人檢測系統以提醒行人和司機危險的發生。對目標檢測神經網絡模型進行分析和對比實驗，選取以darknet為網絡框架的YOLO-fastest模型進行改進優化并采用分類并標簽的實時交通數據進行訓練，最終將訓練模型部署至開發板完成實時性檢測并能夠根據車輛速度反饋給行人危險信號。實驗結果表明YOLO-fastest模型的平均檢測精度為96.1%，檢測速度為33 f/s，模型大小為1.2 MB，既滿足檢測精度又滿足檢測速度的要求，能夠完成對真實交通場景下的實時性檢測。
中圖分類號： TP391.4；TP183
文獻標識碼： 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和深度學習的智能行人預警系統[J].信息技術與網絡安全，2021，40(12)：60-64.
文獻標識碼： 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和深度學習的智能行人預警系統[J].信息技術與網絡安全，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，Fuzhou University，Fuzhou 350116，China； 2.Key Laboratory of Microelectmnics and Integration Circuit，Fuzhou University，Fuzhou 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前亟待解決的社會問題之一，尤其在交通環境下很多行人的注意力因集中在智能手機上而不注意周圍是否有車輛威脅自身安全，往往造成悲劇的發生,故如何降低該類交通事故的發生率已成為急需要考慮的問題。
HOG(Histogram of Oriented Gradient)提出被檢測的目標輪廓能夠被光強梯度和邊緣分布描述，SVM(Support Vector Machines)為二分類模型并可進行回歸分析，通過將兩種方法結合，使用HOG方法檢測目標物體的邊緣信息并提取特征SVM方法對目標物體區域進行篩選[1]實現了道路行人的檢測；當今目標檢測算法蓬勃發展，文獻[2]中提出了一種基于改進的YOLOV3檢測算法大大提高了對行人檢測的精度并通過降低算法的復雜性和簡化模型解決了長距離和小體積物體難以檢測到的問題；文獻[3]中提出了一種依據上下文信息和行人高寬比的特點改進的SSD行人檢測方法，通過改進模型的整體框架和縱橫比，生成淺層語義特征信息和深層語義特征信息以檢測目標行人，提高了檢測精度；HOG+SVM方法雖然能成功進行行人檢測，但是對遮擋物體檢測準確率極低以及不能完成對目標車輛的檢測；基于YOLOV3網絡模型檢測的準確率很高，但是檢測速度慢，不能達到實時性檢測的要求；SSD屬于輕量級檢測模型，對于較大目標的檢測可以滿足要求，但對小目標物體(如較遠處的車輛)的檢測精度低且速度慢。
本文詳細內容請下載：http://m.xxav2194.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 物理與信息工程學院，福建 福州350116；
2.福州大學 微電子集成電路重點實驗室，福建 福州350002)
此內容為AET網站原創，未經授權禁止轉載。