《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 其他 > 设计应用 > 基于ARM和深度学习的智能行人预警系统
基于ARM和深度学习的智能行人预警系统
信息技术与网络安全 12期
刘佳丽1，黄世震1，2，何恩德2
(1.福州大学 物理与信息工程学院，福建 福州350116； 2.福州大学 微电子集成电路重点实验室，福建 福州350002)
摘要： 针对行人交通安全问题，开发行人检测系统以提醒行人和司机危险的发生。对目标检测神经网络模型进行分析和对比实验，选取以darknet为网络框架的YOLO-fastest模型进行改进优化并采用分类并标签的实时交通数据进行训练，最终将训练模型部署至开发板完成实时性检测并能够根据车辆速度反馈给行人危险信号。实验结果表明YOLO-fastest模型的平均检测精度为96.1%，检测速度为33 f/s，模型大小为1.2 MB，既满足检测精度又满足检测速度的要求，能够完成对真实交通场景下的实时性检测。
中圖分類號： TP391.4；TP183
文獻標(biāo)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(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，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(dāng)前亟待解決的社會問題之一，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)提出被檢測的目標(biāo)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(jié)合，使用HOG方法檢測目標(biāo)物體的邊緣信息并提取特征SVM方法對目標(biāo)物體區(qū)域進行篩選[1]實現(xiàn)了道路行人的檢測；當(dāng)今目標(biāo)檢測算法蓬勃發(fā)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(fù)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(jù)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(biāo)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(zhǔn)確率極低以及不能完成對目標(biāo)車輛的檢測；基于YOLOV3網(wǎng)絡(luò)模型檢測的準(zhǔn)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(biāo)的檢測可以滿足要求，但對小目標(biāo)物體(如較遠處的車輛)的檢測精度低且速度慢。




本文詳細內(nèi)容請下載：http://m.ihrv.cn/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實驗室，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。

相關(guān)內(nèi)容