基于YOLO的渡口车辆自动检测系统

王宵 张冬韵 李杰 李志伟 丁政年 马雪仪 邵叶秦

摘要：水上交通安全一直是渡口交通监管部门的工作重心。本文针对渡运单位监管中存在的实际问题，设计和开发了一个基于YOLO的渡口车辆自动检测系统，采用最新基于深度神经网络的YOLO模型实现车辆的检测。系统主要包括用户登录注册、视频采集、车辆检测、结果显示等模块。实际证明，本文的系统能满足渡口车辆的检测要求，有利于规范渡口管理，促进水上交通安全。

关键词：渡口;车辆检测;YOLO

中图分类号：TP391      文献标识码：A

文章编号：1009-3044（2019）22-0261-02

开放科学（资源服务）标识码（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监管部门的工作重心。为了加强渡口交通安全防范与控制的能力，有效防范和减少水上交通事故，2017年11月，交通运输部发布32号文《长江干线水上交通安全管理特别规定》，2018年1月江苏省安委会发布第5号文《关爱生命筑牢防线江苏省“平安交通”建设三年行动计划（2018-2020）》，2018年9月江苏省交通运输厅和江苏海事为了从国家到省等多个层面强调渡口安全的重要性，共同协作发布了11号文《长江江苏段渡运单位岸基监控系统建设与运行规范》，国家安全监管总局会同交通运输部开展了渡口安全专项整治活动，有效防范和减少水上交通事故的发生。

为了规范渡口管理，保证渡运安全，海事管理部门要求渡运单位安装监控摄像头，实时记录渡口车辆的情况。然而渡口车辆众多，依靠人工在后台控制室察看视频的方式，无法实现安全监管的全覆盖。因此，本文设计了一个基于YOLO的渡口车辆自动检测方法，在渡口的监控视频中实时检测渡口来往的车辆，以便后期的分析和计数，保障渡运安全，减少水上事故的发生。

2 YOLO

YOLO（You Only Look Once）是一種基于深度卷积神经网络的目标检测方法，它利用卷积神经网络获取特征，再利用全连接层预测目标的位置信息和类别概率。其网络结构如图1所示，由多个卷积层和2个全连接层构成。它将目标检测作为回归任务，首先将输入图片分割成S×S个方格，若有一个物体的中心位于某个方格内，那么这个方格就负责检测该物体。在训练和检测时，每个方格预测B个回归边框，每个回归边框包含的参数信息有：回归边框中心点的横坐标x、纵坐标y、回归边框的宽w、高h，以及置信度评分confidence。如果考虑C个类别，最终会输出[S*S*（5*B+C）]个量。

为了从中选出最有可能的目标和这些目标对应的位置，YOLO选用非极大值抑制（Non-maximal suppression，NMS）算法。NMS算法的核心步骤是输出最高得分的目标边框，去掉与该输出堆叠的目标边框，反复以上操作，直到处理完全部备选边框。第j个回归边框输入目标[Ci]的得分用下面的式子表示：

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

式子代表了每个回归边框内存在目标[Ci]的可能性。

3系统实现

整个系统用python语言实现，包括四个部分组成，如图2所示。

用户登录注册：实现用户的登录和新用户的注册。

视频采集：使用OpenCV实时采集摄像头中的每一帧图像。

车辆检测：使用YOLO技术对采集到的图像进行车辆检测。

结果显示：使用Python编写系统界面，并显示检测结果。

系统的软件界面如图3所示。为了提高系统的运行效率，本文采用多线程的方式，视頻采集和车辆检测分别使用独立的线程。

4 实验

本文分别采集的白天和晚上的渡口实际视频（如图4所示），基于预训练的神经网络模型，并使用本文设计的系统进行车辆检测。检测结果如图5所示。

另外，本文对系统的检测准确率进行了定量的分析，如表1。

从测试结果可知，基于YOLO的车辆检测系统能够达到较好的检测效果。系统白天的检测效果优于夜晚的检测效果，这可能是因为夜晚的光线比较暗，而车辆照明灯的光线又非常的强烈，容易引起误检。

5结束语

本文设计了一个基于YOLO的渡口车辆检测系统。主要包括用户登录注册、视频采集、车辆检测、结果显示等功能。该系统对渡口车辆实现了全天（白天和晚上）的有效检测，为渡口的自动监管提供了技术保障，有利于促进水上交通安全。

参考文献：

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

[2] 李珣，南恺恺，景军锋.基于改进混合高斯模型的车辆多目标检测方法[J].西安工程大学学报，2017，31（06）：795-802.

[3] 刘冬军，徐美华，龚露鸣，夏臣君.前方车辆检测的特征融合算法研究与实现[J].上海大学学报（自然科学版），2017，23（06）：893-904.

[4] 张若伟，王猛.基于多特征的车辆检测方法的研究[J].电脑知识与技术，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] 杨昌瑞.基于视频图像的车辆计数新方法[J].公路工程，2015，40（03）：250-252+256.

[7] 戴晶华，郭俊生.多车道视频车流量检测和计数[J].国外电子测量技术，2016，35（10）：30-33.

[8] 王超，陈庆奎.实时多车道车辆计数方法[J].计算机工程与设计，2019，40（05）：1383-1389.

[9] 马耀军.交通监控车辆自动计数系统[J].工业控制计算机，2017，30（01）：77-79.

【通联编辑：光文玲】