王宵 張冬韻 李杰 李志偉 丁政年 馬雪儀 邵葉秦

摘要：水上交通安全一直是渡口交通監(jiān)管部門的工作重心。本文針對(duì)渡運(yùn)單位監(jiān)管中存在的實(shí)際問題，設(shè)計(jì)和開發(fā)了一個(gè)基于YOLO的渡口車輛自動(dòng)檢測(cè)系統(tǒng)，采用最新基于深度神經(jīng)網(wǎng)絡(luò)的YOLO模型實(shí)現(xiàn)車輛的檢測(cè)。系統(tǒng)主要包括用戶登錄注冊(cè)、視頻采集、車輛檢測(cè)、結(jié)果顯示等模塊。實(shí)際證明，本文的系統(tǒng)能滿足渡口車輛的檢測(cè)要求，有利于規(guī)范渡口管理，促進(jìn)水上交通安全。

關(guān)鍵詞：渡口;車輛檢測(cè);YOLO

中圖分類號(hào)：TP391? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2019）22-0261-02

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

YOLO-based Automatic Detection System for Ferry Vehicles

WANG Xiao， ZHANG Dong-yun， LI Jie， LI Zhi-wei， DING Zheng-nian， MA Xue-yi，SHAO? Ye-qin

（School of Transportation and Civil Engineering， Nantong University， Nantong 226019， China）

Abstract： Water transportationsafety has always been the focus of the ferry traffic supervision department.In this paper， to solve the practical issues in the supervision of ferry departments， a YOLO-based automatic detection system for ferry vehicles is designed and developed.The latest YOLO model based on deep neural network is used to implement the vehicle detection.The detection system mainly includes user login/registration， video capture， vehicle detection， and result display modules. It has been proved that the system in this paper can meet the detection requirements of ferry vehicles， facilitate the standard of ferry management， and promote the safety of water transportation.

Key words： Port; Vehicle Detection; YOLO

1引言

水上交通安全一直是渡口監(jiān)管部門的工作重心。為了加強(qiáng)渡口交通安全防范與控制的能力，有效防范和減少水上交通事故，2017年11月，交通運(yùn)輸部發(fā)布32號(hào)文《長(zhǎng)江干線水上交通安全管理特別規(guī)定》，2018年1月江蘇省安委會(huì)發(fā)布第5號(hào)文《關(guān)愛生命筑牢防線江蘇省“平安交通”建設(shè)三年行動(dòng)計(jì)劃（2018-2020）》，2018年9月江蘇省交通運(yùn)輸廳和江蘇海事為了從國(guó)家到省等多個(gè)層面強(qiáng)調(diào)渡口安全的重要性，共同協(xié)作發(fā)布了11號(hào)文《長(zhǎng)江江蘇段渡運(yùn)單位岸基監(jiān)控系統(tǒng)建設(shè)與運(yùn)行規(guī)范》，國(guó)家安全監(jiān)管總局會(huì)同交通運(yùn)輸部開展了渡口安全專項(xiàng)整治活動(dòng)，有效防范和減少水上交通事故的發(fā)生。

為了規(guī)范渡口管理，保證渡運(yùn)安全，海事管理部門要求渡運(yùn)單位安裝監(jiān)控?cái)z像頭，實(shí)時(shí)記錄渡口車輛的情況。然而渡口車輛眾多，依靠人工在后臺(tái)控制室察看視頻的方式，無法實(shí)現(xiàn)安全監(jiān)管的全覆蓋。因此，本文設(shè)計(jì)了一個(gè)基于YOLO的渡口車輛自動(dòng)檢測(cè)方法，在渡口的監(jiān)控視頻中實(shí)時(shí)檢測(cè)渡口來往的車輛，以便后期的分析和計(jì)數(shù)，保障渡運(yùn)安全，減少水上事故的發(fā)生。

2 YOLO

YOLO（You Only Look Once）是一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)方法，它利用卷積神經(jīng)網(wǎng)絡(luò)獲取特征，再利用全連接層預(yù)測(cè)目標(biāo)的位置信息和類別概率。其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，由多個(gè)卷積層和2個(gè)全連接層構(gòu)成。它將目標(biāo)檢測(cè)作為回歸任務(wù)，首先將輸入圖片分割成S×S個(gè)方格，若有一個(gè)物體的中心位于某個(gè)方格內(nèi)，那么這個(gè)方格就負(fù)責(zé)檢測(cè)該物體。在訓(xùn)練和檢測(cè)時(shí)，每個(gè)方格預(yù)測(cè)B個(gè)回歸邊框，每個(gè)回歸邊框包含的參數(shù)信息有：回歸邊框中心點(diǎn)的橫坐標(biāo)x、縱坐標(biāo)y、回歸邊框的寬w、高h(yuǎn)，以及置信度評(píng)分confidence。如果考慮C個(gè)類別，最終會(huì)輸出[S*S*（5*B+C）]個(gè)量。

為了從中選出最有可能的目標(biāo)和這些目標(biāo)對(duì)應(yīng)的位置，YOLO選用非極大值抑制（Non-maximal suppression，NMS）算法。NMS算法的核心步驟是輸出最高得分的目標(biāo)邊框，去掉與該輸出堆疊的目標(biāo)邊框，反復(fù)以上操作，直到處理完全部備選邊框。第j個(gè)回歸邊框輸入目標(biāo)[Ci]的得分用下面的式子表示：

[Scoreij=PCi|Object*Confidencej]? ? ? ?（1）

式子代表了每個(gè)回歸邊框內(nèi)存在目標(biāo)[Ci]的可能性。

3系統(tǒng)實(shí)現(xiàn)

整個(gè)系統(tǒng)用python語言實(shí)現(xiàn)，包括四個(gè)部分組成，如圖2所示。

用戶登錄注冊(cè)：實(shí)現(xiàn)用戶的登錄和新用戶的注冊(cè)。

視頻采集：使用OpenCV實(shí)時(shí)采集攝像頭中的每一幀圖像。

車輛檢測(cè)：使用YOLO技術(shù)對(duì)采集到的圖像進(jìn)行車輛檢測(cè)。

結(jié)果顯示：使用Python編寫系統(tǒng)界面，并顯示檢測(cè)結(jié)果。

系統(tǒng)的軟件界面如圖3所示。為了提高系統(tǒng)的運(yùn)行效率，本文采用多線程的方式，視頻采集和車輛檢測(cè)分別使用獨(dú)立的線程。

4 實(shí)驗(yàn)

本文分別采集的白天和晚上的渡口實(shí)際視頻（如圖4所示），基于預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型，并使用本文設(shè)計(jì)的系統(tǒng)進(jìn)行車輛檢測(cè)。檢測(cè)結(jié)果如圖5所示。

另外，本文對(duì)系統(tǒng)的檢測(cè)準(zhǔn)確率進(jìn)行了定量的分析，如表1。

從測(cè)試結(jié)果可知，基于YOLO的車輛檢測(cè)系統(tǒng)能夠達(dá)到較好的檢測(cè)效果。系統(tǒng)白天的檢測(cè)效果優(yōu)于夜晚的檢測(cè)效果，這可能是因?yàn)橐雇淼墓饩€比較暗，而車輛照明燈的光線又非常的強(qiáng)烈，容易引起誤檢。

5結(jié)束語

本文設(shè)計(jì)了一個(gè)基于YOLO的渡口車輛檢測(cè)系統(tǒng)。主要包括用戶登錄注冊(cè)、視頻采集、車輛檢測(cè)、結(jié)果顯示等功能。該系統(tǒng)對(duì)渡口車輛實(shí)現(xiàn)了全天（白天和晚上）的有效檢測(cè)，為渡口的自動(dòng)監(jiān)管提供了技術(shù)保障，有利于促進(jìn)水上交通安全。

參考文獻(xiàn)：

[1] J. Redmon and A. Farhadi. YOLOv3： An Incremental Improvement. 2018. 2， 4.

[2] 李珣，南愷愷，景軍鋒.基于改進(jìn)混合高斯模型的車輛多目標(biāo)檢測(cè)方法[J].西安工程大學(xué)學(xué)報(bào)，2017，31（06）：795-802.

[3] 劉冬軍，徐美華，龔露鳴，夏臣君.前方車輛檢測(cè)的特征融合算法研究與實(shí)現(xiàn)[J].上海大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，23（06）：893-904.

[4] 張若偉，王猛.基于多特征的車輛檢測(cè)方法的研究[J].電腦知識(shí)與技術(shù)，2018，14（30）：184-185.

[5] Poddar， M.， Giridhar， M. K.， Prabhu， A. S.， & Umadevi， V.? Automated traffic monitoring system using computer vision[C].2016 International Conference on ICT in Business Industry & Government （ICTBIG）. IEEE， 2016： 1-5.

[6] 楊昌瑞.基于視頻圖像的車輛計(jì)數(shù)新方法[J].公路工程，2015，40（03）：250-252+256.

[7] 戴晶華，郭俊生.多車道視頻車流量檢測(cè)和計(jì)數(shù)[J].國(guó)外電子測(cè)量技術(shù)，2016，35（10）：30-33.

[8] 王超，陳慶奎.實(shí)時(shí)多車道車輛計(jì)數(shù)方法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2019，40（05）：1383-1389.

[9] 馬耀軍.交通監(jiān)控車輛自動(dòng)計(jì)數(shù)系統(tǒng)[J].工業(yè)控制計(jì)算機(jī)，2017，30（01）：77-79.

【通聯(lián)編輯：光文玲】