基于深度学习的道路检测和红绿灯调度_曹威昊.pdf

第 31 卷 第 4 期 2023 年 8 月Vol.31 No.4Aug.2023电脑与信息技术Computer and Information Technology文章编号：1005-1228（2023）04-0034-04基于深度学习的道路检测和红绿灯调度曹威昊，姚春莲（北京工商大学 计算机学院，北京 100048）摘要：为提升城市交通效率，减少交通堵塞，文章设计了道路检测和红绿灯调度控制系统。该系统以 YOLOv5 算法模型为基础，通过调整模型参数，首先实现交通视频中各种道路目标进行实时检测和识别，然后根据道路目标计数值，设置不同的权值，从而完成红绿灯调度。实验数据分析表明，所设计的系统识别结果准确度较高，程序目标识别速度能够达到实时检测的标准，且能初步提高交通效率。关键词：深度学习；Yolov5 算法；道路检测；遗传算法中图分类号：TP18；U463.6文献标识码：ARoad Detection and Traffic Light Scheduling Based on Deep LearningCAO Wei-hao,YAO Chun-lian（School of Computer Science and Engineering,Beijing Technology and Business University,Beijing 100048,China）Abstract：In order to improve urban traffic efficiency and reduce traffic jams,this paper designs a road detection and traffic light scheduling control system.Based on the YOLOv5 algorithm model,the system first realizes real-time detection and recognition of various road targets in traffic video by adjusting model parameters,and then sets different weights according to the value of road targets to complete traffic light scheduling.Experimental data analysis shows that the system designed in this paper has high accuracy,the speed of program target recognition can meet the standard of real-time detection,and can initially improve traffic efficiency.Key words:deep learning;YOLOv5 algorithm;road detection;genetic algorithm.收稿日期：2023-06-29 作者简介：曹威昊（2002-），男，湖南人，本科，专业：软件工程；姚春莲（1973-），女，河北人，副教授，博士，主要研究方向：视频图像处理、嵌入式系统设计。随着城市化进程的不断加速和人口的不断增长，使得城市交通面临着日益严峻的挑战。在城市交通中，道路检测和红绿灯调度是实现高效、安全交通流的重要环节。对于常见的交通拥堵和事故等城市交通问题，传统的交通管理方式效率低下，控制模式固化，不仅浪费时间，还存在行车安全隐患。随着深度学习技术的不断发展和成熟，基于深度学习的智能交通管理系统1逐渐成为研究热点。通过使用深度学习模型，系统可以实时感知和识别道路环境，如道路标记、车辆和行人等交通要素，以实现道路检测功能。相较于传统的基于规则的方法，深度学习方法具有更高的准确性和鲁棒性，能够适应各种复杂的交通环境和场景。另外，传统的红绿灯控制往往基于固定的时间间隔或人工手动控制，无法根据实际交通状况进行灵活调整。基于深度学习的红绿灯调度系统可以通过实时监测和分析交通数据，利用模型预测交通流量、拥堵情况和车辆行为，以实现红绿灯的动态优化和实时调整。这样系统能够根据实时交通状况决定红绿灯的时长和相位，以最大程度地提高路口通行效率和减少交通拥堵，同时增强交通安全性。1模型简介YOLOv52是由 Ultralytics 团队开发的单阶段的目标检测算法，不采用超复杂的算法来获得更高的精度，具有性能高效、自适应训练、轻量等特点，提高了对小目标的检测效率，通过自适应的图片缩放，加快了模型本身的处理速度。DOI:10.19414/ki.1005-1228.2023.04.032第 31 卷 第 4 期35曹威昊等，基于深度学习的道路检测和红绿灯调度YOLOv5 的网络架构可分成输入端、基准网络、Neck 网络、Head 输出层。原理3如图 1 所示，首先使输入图像进入图像预处理阶段，将图形大小保持与网络要求大小相同，同时进行归一化处理。YOLOv5使用了 Mosaic 数据增强操作，将多张图像随机剪裁后拼接到一起作为训练数据提高训练效率，并采用自适应锚框计算与自适应图片缩放方法增强模型定位能力。处理后的图像经过基准网络，通过 Focus结构将图片剪裁成多个 Slice，获得特征映射，经过Concat 操作合并连接所有 Slice 结果，再经过 Conv 层输出更多通道的特征映射，最终进入 SPP 进行多尺度特征融合，将结果传入 Neck 网络。Neck 网络采用FPN+PAN 结构将图像特征和语义特征进行融合，进一步提升特征的多样性及鲁棒性，最后 Head 输出层输出目标检测的结果。图 1YOLOv5 网络结构图2系统设计思路2.1系统处理流程系 统 的 处 理 流 程 如 图 2 所 示，选 择 数 据 集（VOC2012）和训练模型（YOLOv5）。根据模型需要的数据集格式（COCO）修改，使用模型对数据集进行训练，然后对实时道路视频进行测试，根据模型计算道路车流量，根据算法进行修改不同方向的道路红绿灯秒数进行红绿灯调度。图 2系统处理流程2.2模型训练首先下载数据集，修改 train.py 文件中 parse_opt(known=False)函数中的路径，选择大小为 s(small)的 YOLOv5 模型，更改数据集的路径为 data/myvoc.yaml,设置图片尺寸为 640*509、调用 GPU 设备、线程数为 8、epochs 为 300。在 anaconda prompt 中定位到模型所在位置，运行 train.py 文件进行模型训练。2.3红绿灯调度算法红绿灯调度算法借鉴生物学中的遗传算法 来选出最优的决策。其具体原理是先初始化随机生成初始种群，初始种群中包含了一组候选解，每个候选解都是红绿灯调度的一种可能方案。然后通过适应度函数对每个候选解评估其优劣程度。根据适应度评价结果，按照一定的概率选择优秀的候选解作为父代。之后进入交叉操作，父代中选取一对候选解，通过某种方式进行基因交叉操作，生成子代。交叉操作可以通过交换、插入、删除等方式改变候选解的基因组合。为了引入一些随机性，会对生成的子代进行变异操作，改变某些基因的值和位置产生新的解。最终通过不断地重复选择、交叉和变异操作，遗传算法能够在解空间中进行全局寻优，最终找到一个较好的红绿灯调度方案，使交通流量得到最优化的分配。过程如图 3 所示。图 3遗传算法流程图电脑与信息技术 2023 年 8 月363验证与分析3.1目标数据集本系统采用 VOC20125数据集作为模型训练数据再使用真实道路拍摄视频进行测试。VOC2012 数据集是计算机视觉领域常用的一个数据集，用于目标检测、图像分割和场景理解等任务的研究和评估。该数据集包含了 20 个不同类别的图片，本系统将主要将Person 以及 Vehicle 类别进行训练。真实道路拍摄视频是来自同一路口的不同角度，为了还原真实场景的复杂性，从数据集中挑选了不同角度和时段的视频作为训练集。影响识别结果的要素包含视频光线、静态和动态目标、大与小目标、目标有无遮挡等。最终训练集大概含有10000个图像，测试集有约1000个图像，将其分别放入 train 文件和 test 文件中，作为整个模型的数据集。3.2训练结果通过训练后模型反馈的损失图像，得到模型各种指数的损失函数图如图 4 所示，定位损失 box_loss 为预测框与标定框之间的误差（GIoU）；置信度损失obj_loss 为计算网络的置信度；分类损失 cls_loss 为计算锚框与对应的标定分类是否正确。模型训练损失随 epoch（横坐标）的增多呈现下降趋势。验证损失与训练损失不同，刚开始是呈现明显的下降趋势，但大致在 epoch 为 90 左右后损失开始回升，但是测试损失普遍远小于训练损失，属于波动在低水平，预测模型学习完成，可以用于目标检测。图 4模型损失函数图3.3识别结果使用真实的拍摄视频作为模型输入，通过本程序进行目标检测，检测效果如图 5 所示，实际道路中目标的检测效果非常出色，模型能够准确地框选出视频中多个状态下的目标，并提供高质量的目标识别输出。图 5检测效果图模型预测结果的混淆矩阵如图 6 所示。其预测效果还是较为准确的，对于公交车、小汽车与人被正确分类的概率分别为 88%、72%与 83%；但是对于自行车的分类正确率为 65%；对于摩托车的分类正确率为 70%。且背景被有 47%的概率误分类为 person（人），这一点需要对模型进一步的调整。图 6预测结果混淆矩阵图识 别 目 标 的 类 别 及 结 果 mAP（Mean Average Precision）如图 7 所示，可见对于任何一种目标其精度越高，召回率越低，且模型所有类别的 mAP达到 0.7。如图 8 所示中的可见精确率逐渐稳定在70%75%。召回率逐渐稳定在 65%70%。系统表现出了较为良好的检测效果。图 7模型 mAP 图第 31 卷 第 4 期37曹威昊等，基于深度学习的道路检测和红绿灯调度图 8模型精确度与召回率图4结束语本文采用深度学习技术，使用 YOLOv5 算法对道路目标进行检测和识别。通过将识别结果传入红绿灯调度算法，并结合 pyqt 技术进行界面设计，实现了一个可视化系统。该系统具有更高的自动化和智能化程度，能够对交通场景中的流量进行控制和优化，从而提高交通流量的处理能力和交通运行的效率。根据实验结果表明，该系统能够及时对道路上的所有目标进行识别并反馈道路信息，协助实现半自动化的交通管理工作，能有效地解决交通拥堵，改善交通状况以及提高城市交通的效率。参考文献：1 卢晖.智能交通系统在交通运输管理中的应用效能 J.运输经理世界,2023,No.690(08):63-65.2 顾德英,罗聿伦,李文超.基于改进 YOLOv5 算法的复杂场景交通目标检测 J.东北大学学报(自然科学版),2022,43(08):1073-1079.3 贾志,李茂军,李婉婷.基于改进 YOLOv5+DeepSort 算法模型的交叉路口车辆实时检测 J.计算机工程与科学,2023,45(04):674-682.4 赵彪.面向全路网交通流优化的交通灯调度方法研究 D.华东师范大学,2016.5 张卫良.基于深度学习的目标检测算法与应用研究 D.江南大学,2022.2020,91:102117.4 吴兰,赵自广,文成林.基于 YOLOv3 算法的交通事故检测 J.现代电子技术,2022,45(07):181-186.DOI:10.16652/j.issn.1004-373x.2022.07.033.5 吴涛,王伦文,朱敬成.改进的 YOLOv3 算法对伪装目标检测 J.火力与指挥控制,2022,47(02):114-120+126.6 谢 艺 蓉,马 永 杰.基 于 进 化 ResNet 的