基于YOLOv3 的夜間防眩目LED 車燈＊

王源宇，曾翊晨，李飛揚(yáng)，閻 辰，張 順

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

中國《道路交通安全法》第48 條已經(jīng)明確規(guī)定遠(yuǎn)光燈、近光燈的操作使用要求，但根據(jù)對(duì)路面交通狀況實(shí)際觀察發(fā)現(xiàn)，仍有不少駕駛員在汽車行駛過程中沒有切換遠(yuǎn)光燈、近光燈的習(xí)慣。在會(huì)車時(shí)，遠(yuǎn)光燈強(qiáng)烈的燈光會(huì)對(duì)駕駛員造成眩目，極易造成交通事故[1-2]。目前，國內(nèi)外解決夜間會(huì)車眩目問題大多采用偏振光防眩目技術(shù)[3]和液晶變光裝置[4]等。偏振光防眩目技術(shù)是在汽車的擋風(fēng)玻璃以及前照燈燈罩玻璃上安裝偏振片，兩車會(huì)車時(shí)車燈光線經(jīng)前照燈燈罩玻璃和對(duì)向擋風(fēng)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(shí)現(xiàn)市場(chǎng)化生產(chǎn)[5]。液晶變光裝置是利用光傳感器把強(qiáng)光信號(hào)轉(zhuǎn)變成電信號(hào)，使位于駕駛員眼睛和前擋風(fēng)玻璃之間的液晶板變色，這樣駕駛員感覺不到強(qiáng)光的刺眼，但是該裝置對(duì)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(fù)雜，以上方法均不能有效解決防眩目的問題。因此，研發(fā)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(chǎn)生大量可能包含待檢測(cè)物體的先驗(yàn)框，然后用分類器判斷每個(gè)先驗(yàn)框?qū)?yīng)的邊界框里是否包含待檢測(cè)物體，以及物體所述類別的概論或者置信度，同時(shí)，需要后處理修正邊界框，最后基于一些準(zhǔn)則過濾掉置信度不高和重疊度較高的邊界框，進(jìn)而得到檢測(cè)結(jié)果。這種基于先產(chǎn)生候選區(qū)再檢測(cè)的方法雖然有較高的檢測(cè)準(zhǔn)確率，但運(yùn)行速度較慢。YOLOv2 可以很好地權(quán)衡速度和精度，在不需要較快運(yùn)行速度時(shí)，它可以把精度提高；在不需較高準(zhǔn)確度時(shí)，它可以提升運(yùn)行速遞。而經(jīng)過YOLOv3 的改進(jìn)，算法在擁有較快運(yùn)行速度的同時(shí)有較高的準(zhǔn)確率，這更適用于夜間復(fù)雜環(huán)境下行駛時(shí)對(duì)于檢測(cè)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(shè)計(jì)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(jī)采用YOLOv3 算法處理后，由飛思卡爾單片機(jī)將控制信號(hào)傳至LED 車燈，從而實(shí)現(xiàn)自動(dòng)調(diào)節(jié)遠(yuǎn)近光燈，增加了行駛的安全性，同時(shí)，類比市面上的其他產(chǎn)品，此產(chǎn)品具有可編程性，可以根據(jù)實(shí)際情況進(jìn)行后續(xù)優(yōu)化升級(jí)，為未來的無人駕駛做準(zhǔn)備。

1 硬件設(shè)計(jì)

本系統(tǒng)主要由攝像頭、PC 機(jī)、控制模塊及LED 車燈構(gòu)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(jī)MC9S12P128，單片機(jī)通過串口通信接受PC 機(jī)傳遞的信號(hào)，單片機(jī)內(nèi)部的程序?qū)π盘?hào)正確處理，控制車燈的遠(yuǎn)近光燈切換。LED 車燈內(nèi)部有5 顆燈珠，當(dāng)汽車使用近光燈時(shí)，開啟其中3 顆燈珠；當(dāng)汽車使用遠(yuǎn)光燈時(shí)，開啟全部5 顆燈珠?？刂颇K控制車燈內(nèi)部5 顆燈珠的開關(guān)狀態(tài)，實(shí)現(xiàn)遠(yuǎn)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(jī)，PC 機(jī)對(duì)攝像頭傳送過來的圖像信息用YOLOv3 算法進(jìn)行處理，將檢測(cè)到的車輛和行人信息傳送到飛思卡爾單片機(jī)，再由單片機(jī)發(fā)送控制指令來控制車燈遠(yuǎn)近光燈的亮滅。

2 YOLOv3 算法訓(xùn)練與測(cè)試

2.1 YOLOv3 算法

YOLOv3 在YOLO 系列算法的基礎(chǔ)上進(jìn)行了一些改進(jìn)，包括多尺度預(yù)測(cè)（類FPN）、基礎(chǔ)分類網(wǎng)絡(luò)（類ResNet 殘差塊結(jié)構(gòu)）和更好的特征提取網(wǎng)絡(luò)（Darknet-53）等，很好地改善了YOLO 系列算法對(duì)小物體檢測(cè)效果較差的問題。

由于夜間道路環(huán)境較為復(fù)雜，對(duì)于目標(biāo)檢測(cè)的實(shí)時(shí)性要求較高，同時(shí)，為了保證準(zhǔn)確性，本文采用YOLOv3 算法對(duì)夜間車輛和行人進(jìn)行檢測(cè)。

YOLOv3 整體網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示。其中，DBL 為網(wǎng)絡(luò)的基本組件，即卷積層+歸一化層+激活層；resn 為殘差網(wǎng)絡(luò)Resnet，n 代表數(shù)字，表示有n 個(gè)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(wǎng)絡(luò)結(jié)構(gòu)

2.2 特征提取網(wǎng)絡(luò)

YOLOv3使用基于殘差神經(jīng)網(wǎng)絡(luò)改進(jìn)的Darknet-53網(wǎng)絡(luò)作為特征提取器，整個(gè)網(wǎng)絡(luò)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(gè)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(shí)現(xiàn)張量的尺寸變換。不同于YOLOv2 采用的Darknet-19 網(wǎng)絡(luò)結(jié)構(gòu)，Darknet-53 引入Resnet 的殘差塊結(jié)構(gòu)，如圖3 所示。

圖3 Resnet 殘差塊結(jié)構(gòu)

其相應(yīng)的公式定義如下：

式（1）中：xt+1和xt分別為第t 個(gè)殘差塊的輸出與輸入向量；Ft（xt）為轉(zhuǎn)換函數(shù)，對(duì)應(yīng)于由堆疊層組成的殘差分支。

這樣組成的殘差網(wǎng)絡(luò)有效解決了隨著網(wǎng)絡(luò)層數(shù)的加深而產(chǎn)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(cè)的準(zhǔn)確度。

2.3 類FPN 多尺度預(yù)測(cè)

YOLOv3 借鑒了FPN（feature pyramid networks）的思想，在3 種不同的尺度上進(jìn)行預(yù)測(cè)，分別為13×13、26×26、52×52，每種尺度預(yù)測(cè)3 個(gè)box，anchor 的設(shè)計(jì)方式仍然使用聚類，得到9 個(gè)聚類中心，將其按照大小均分給3 個(gè)尺度。對(duì)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(gè)等大的網(wǎng)格，本文對(duì)應(yīng)預(yù)測(cè)車輛和行人2 個(gè)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(biāo)邊框的4 個(gè)坐標(biāo)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(dú)輸出，對(duì)應(yīng)圖2 中的Y1、Y2、Y3 熱圖，可以精確針對(duì)不同尺寸的目標(biāo)進(jìn)行分別檢測(cè)，極大地提升了YOLOv3 在小目標(biāo)檢測(cè)方面的性能。

2.4 YOLOv3 類別預(yù)測(cè)

YOLOv3 不使用Softmax 對(duì)每個(gè)框進(jìn)行分類，主要原因?yàn)镾oftmax 使得每個(gè)框分配一個(gè)類別，即得分最高的類別，而實(shí)際中的一個(gè)目標(biāo)或一張圖片基本上不會(huì)只有一個(gè)類別，例如對(duì)于Open Images 數(shù)據(jù)集，目標(biāo)可能有重疊的類別標(biāo)簽，因此Softmax 不適用于多標(biāo)簽分類，且Softmax 可被獨(dú)立的多個(gè)logistic 分類器替代，準(zhǔn)確率也不會(huì)下降。

所以，YOLOv3 使用了多個(gè)獨(dú)立的邏輯回歸分類器進(jìn)行分類，邏輯回歸層（logistic）主要使用sigmoid 函數(shù)，每個(gè)分類器使用簡單的二分類對(duì)目標(biāo)邊框中出現(xiàn)的物體進(jìn)行判斷，即實(shí)現(xiàn)了多標(biāo)簽分類。

2.5 損失函數(shù)

YOLO 系列算法均是端到端的訓(xùn)練過程，預(yù)測(cè)框的坐標(biāo)、大小、種類、置信度等信息的預(yù)測(cè)由4 部分的損失函數(shù)組成，其公式為：

3 軟件設(shè)計(jì)

防眩目系統(tǒng)軟件設(shè)計(jì)如圖4 所示。

圖4 軟件流程圖

在夜間行駛時(shí)，駕駛員自動(dòng)選擇遠(yuǎn)近光燈狀態(tài)，同時(shí)，開啟防眩目系統(tǒng)，系統(tǒng)進(jìn)入初始化。進(jìn)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(biāo)檢測(cè)模塊，此模塊由YOLOv3 算法進(jìn)行目標(biāo)檢測(cè)，如果未檢測(cè)到車輛及行人信息，則繼續(xù)進(jìn)行數(shù)據(jù)采集；如果檢測(cè)到車輛及行人信息，則立即判斷車燈開啟狀態(tài)。如果同時(shí)開啟遠(yuǎn)近光燈時(shí)，轉(zhuǎn)入車燈控制模塊，關(guān)閉遠(yuǎn)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(tài)，最后回到主控制模塊，循環(huán)進(jìn)行該算法流程。

4 實(shí)驗(yàn)過程及結(jié)果分析

4.1 實(shí)驗(yàn)配置與數(shù)據(jù)

本文算法使用tensorflow 框架，實(shí)驗(yàn)的軟硬件配置如表1 所示。

表1 實(shí)驗(yàn)配置

本實(shí)驗(yàn)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(duì)上述圖片進(jìn)行標(biāo)注，只設(shè)置車輛、行人以及背景三個(gè)類別，最后從中隨機(jī)選取4 200 張圖片作為訓(xùn)練集，1 800 張圖片作為測(cè)試集。

使用上述數(shù)據(jù)集，對(duì)目標(biāo)檢測(cè)模型進(jìn)行訓(xùn)練與測(cè)試，相比于目前存在的數(shù)據(jù)集，本數(shù)據(jù)集更適合于夜間對(duì)車輛及行人的檢測(cè)。

實(shí)驗(yàn)過程中，設(shè)置初始學(xué)習(xí)率為0.000 1，迭代次數(shù)為1 000，耗時(shí)約14 h。

4.2 實(shí)驗(yàn)結(jié)果及分析

將測(cè)試集輸入到訓(xùn)練好的模型中，得到車輛與行人識(shí)別率的結(jié)果，其中車輛檢測(cè)的mAP 為97.31%，行人檢測(cè)的mAP 為91.67%?？梢钥闯霰疚挠?xùn)練的YOLOv3 算法能夠準(zhǔn)確檢測(cè)出夜間車輛和行人。同時(shí)，將檢測(cè)到的信息處理之后發(fā)出的車燈控制信號(hào)，可以準(zhǔn)確地切換遠(yuǎn)近光燈。實(shí)際場(chǎng)景如圖5 所示。

圖5 實(shí)際場(chǎng)景圖

5 結(jié)論

本文將YOLOv3 網(wǎng)絡(luò)應(yīng)用于汽車防眩目領(lǐng)域，通過訓(xùn)練自制的夜間數(shù)據(jù)集，對(duì)車輛前方的道路信息做出判斷，實(shí)現(xiàn)對(duì)車輛遠(yuǎn)近光燈的自適應(yīng)切換，以解決夜間車輛行駛過程中濫用遠(yuǎn)光燈的現(xiàn)象。

實(shí)驗(yàn)結(jié)果表明，對(duì)于本文提出的方法，輸入一張圖像直接預(yù)測(cè)出目標(biāo)信息耗時(shí)0.04 s，整體mAP 達(dá)到94.49%，能夠保證控制車燈的準(zhǔn)確性和實(shí)時(shí)性。