论文部分内容阅读
摘 要：TensorFlow是Google开发的一个端到端开源机器学习平台，可以让开发者轻松地构建和部署由机器学习提供支持的应用。本文通过在Raspberry Pi上部署TensorFlow应用，针对驾驶员在照明良好的道路上非法使用远光灯影响到他人正常行驶问题，利用TensorFlow深度学习框架和OpenCV对具体对象进行Object detection实现远近光灯适应行驶环境自动切换，从而实现基于TensorFlow前照灯系统应用。
关键词：TensorFlow;Raspberry Pi;深度学习;OpenCV;Object detection
1研究现状
目前现有的智能灯光系统最为典型的有：自适应前照灯系统（AFS）、自适应远光灯系统（ADB）以及其他针对远近光切换的技术。
ADB系统是利用了自动调整远光光束分布，在前方车辆和对向来车的周围形成阴影区域来减少远光灯造成道路使用者目眩的技术。通过研究表明，配备有自适应远光灯系统的汽车，在系统传感器检测到行车道路前方或对向有车辆时，汽车会自动将远光光束调整为“L”型，实现在正常远光照明区域内形成一个暗区，从而能够提高驾驶员的视线距离，帮助驾驶员看清道路环境，并且减少给其他道路使用者造成眩目、不适和注意力分散等情况。
2前照灯系统设计
2.1系统工作原理
前照灯系统有三层结构：感知层、处理层、决策层。通过搭建汽车模型，模拟行车状态。其中处理层的中央处理器采用了基于ARM的单板计算机——Raspberry Pi作为中央处理器，再结合摄像头、光敏传感器，构成路测装置。系统通过对驾驶环境的光线强度、有无障碍物等指标进行实时状态监测，采集监测数据，并对数据进行判断，建立监测数据库。由TensorFlow和OpenCV作为算法编程支撑。实时监测摄像头与光敏传感器接收到的数据作为判断依据。
感知层由摄像头、光敏传感器组成，实时接收外界环境信息。处理层由Raspberry Pi与TensorFlow、OpenCV组成，实时接收由摄像头与光敏传感器传来的数据信息，对传来的数据信息进行处理，得到处理结果传给决策层做出一系列反应。决策层由两个LED灯组成，根据处理层传来的处理结果做出反应。
2.2核心算法
TensorFlow是用数据流图做计算的。首先数据进行输入，经过塑形后，一层一层进行前向传播运算。在输出前会使用Relu层用激活函数做非线性处理，然后进入Logit层（输出层），学习两个权重和偏置，用Softmax来计算输出结果中各个类别的概率分布。用交叉熵来度量两个概率分布（源样本的概率分布和输出结果的概率分布）之间的相似性。然后开始计算梯度，以及交叉熵后的结果。随后进入SGD训练，也就是反向传播的过程，从上往下计算每一层的参数，依次进行更新。其中激活函数做非线性处理也就是运行时激活神经网络中某一部分神经元，将激活信息向后传入下一层的神经网络。这一部分是我们训练得到目标对象的过程，也就是用来标识识别哪个物体是车或者是人。
Object Detection是在静止图像或视频中查找真实世界对象实例（如汽车，自行车，电视，鲜花和人类）的过程。它允许识别，定位和检测图像中的多个对象，这使我们能够更好地理解整个图像。算法的实现流程为：首先从手上的输入图像中提取特征，并使用这些特征来确定图像的类别，构建神经网络，创建一组软件“神经元”并将它们连接在一起，允许它们相互发送消息。接下来，要求网络解决一个问题，它试图反复尝试，每次加强导致成功的连接并减少导致失败的连接。从而进行模型的训练，提高正确识别率。这一部分是我们检测物体是否为我们训练得到的目标对象。也就是通过摄像头上获取的实时影像中是否包含了車或者人。
3前照灯系统功能
3.1远近光灯自动切换
通过摄像头实时监测驾驶视野，当驾驶视野中有其他道路使用者时（如跟车、会车、行人），系统会自动捕捉其他道路使用者的位置是否处于让其致盲区，若处于该区域时会将远光自动调为近光灯，避免对其他道路使用者造成眩目，保证驾驶安全性。
光敏电阻实时监测行驶环境的光强强度，当系统检测到环境光照较强时，按照道路交通法是不允许开启远光灯，如当前前照灯是属于远光灯的话就自动切换为近光灯行驶。
4实验测试与验证
4.1测试数据集的精准度
经过多次道路训练实验后，得到的精准度数据为：正确检测率：80.05%，错误检测率：43.1%，漏检率：21.2%。
4.2验证实验结果
根据实验验证，摄像头实时监测道路信息，当车或者人处于让其致盲区时，将处理结果迅速的返回给决策层，关闭远光灯开启近光灯。
5总结
自动化、智能化是汽车产业未来的发展趋势，深度学习顺应时代热点，本文设计的前照灯系统可以降低不正确使用远光灯造成车祸的概率，很好的辅助了驾驶员，让驾驶员把注意力放在安全驾驶上，减少驾驶员关闭远光灯的反应时间，具有很好的应用前景。
参考文献：
[1] 汪茂盛. 机动车驾驶光污染及视力防护[J]. 中国眼镜科技杂志， 2012（9）：132-134.
[2]方路平，何杭江，周国民.目标检测算法研究综述[J].计算机工程与应用，2018，54（13）：11-18.
[3] 尚岩巍， 赵利波. 汽车AFS照明系统浅析[J]. 华东科技：学术版， 2015（5）：404-404.
[4] 刘然， 陈积先， 武华堂， et al. 自适应远光（ADB）相关法规研究[J]. 光源与照明， 2017（1）.
关键词：TensorFlow;Raspberry Pi;深度学习;OpenCV;Object detection
1研究现状
目前现有的智能灯光系统最为典型的有：自适应前照灯系统（AFS）、自适应远光灯系统（ADB）以及其他针对远近光切换的技术。
ADB系统是利用了自动调整远光光束分布，在前方车辆和对向来车的周围形成阴影区域来减少远光灯造成道路使用者目眩的技术。通过研究表明，配备有自适应远光灯系统的汽车，在系统传感器检测到行车道路前方或对向有车辆时，汽车会自动将远光光束调整为“L”型，实现在正常远光照明区域内形成一个暗区，从而能够提高驾驶员的视线距离，帮助驾驶员看清道路环境，并且减少给其他道路使用者造成眩目、不适和注意力分散等情况。
2前照灯系统设计
2.1系统工作原理
前照灯系统有三层结构：感知层、处理层、决策层。通过搭建汽车模型，模拟行车状态。其中处理层的中央处理器采用了基于ARM的单板计算机——Raspberry Pi作为中央处理器，再结合摄像头、光敏传感器，构成路测装置。系统通过对驾驶环境的光线强度、有无障碍物等指标进行实时状态监测，采集监测数据，并对数据进行判断，建立监测数据库。由TensorFlow和OpenCV作为算法编程支撑。实时监测摄像头与光敏传感器接收到的数据作为判断依据。
感知层由摄像头、光敏传感器组成，实时接收外界环境信息。处理层由Raspberry Pi与TensorFlow、OpenCV组成，实时接收由摄像头与光敏传感器传来的数据信息，对传来的数据信息进行处理，得到处理结果传给决策层做出一系列反应。决策层由两个LED灯组成，根据处理层传来的处理结果做出反应。
2.2核心算法
TensorFlow是用数据流图做计算的。首先数据进行输入，经过塑形后，一层一层进行前向传播运算。在输出前会使用Relu层用激活函数做非线性处理，然后进入Logit层（输出层），学习两个权重和偏置，用Softmax来计算输出结果中各个类别的概率分布。用交叉熵来度量两个概率分布（源样本的概率分布和输出结果的概率分布）之间的相似性。然后开始计算梯度，以及交叉熵后的结果。随后进入SGD训练，也就是反向传播的过程，从上往下计算每一层的参数，依次进行更新。其中激活函数做非线性处理也就是运行时激活神经网络中某一部分神经元，将激活信息向后传入下一层的神经网络。这一部分是我们训练得到目标对象的过程，也就是用来标识识别哪个物体是车或者是人。
Object Detection是在静止图像或视频中查找真实世界对象实例（如汽车，自行车，电视，鲜花和人类）的过程。它允许识别，定位和检测图像中的多个对象，这使我们能够更好地理解整个图像。算法的实现流程为：首先从手上的输入图像中提取特征，并使用这些特征来确定图像的类别，构建神经网络，创建一组软件“神经元”并将它们连接在一起，允许它们相互发送消息。接下来，要求网络解决一个问题，它试图反复尝试，每次加强导致成功的连接并减少导致失败的连接。从而进行模型的训练，提高正确识别率。这一部分是我们检测物体是否为我们训练得到的目标对象。也就是通过摄像头上获取的实时影像中是否包含了車或者人。
3前照灯系统功能
3.1远近光灯自动切换
通过摄像头实时监测驾驶视野，当驾驶视野中有其他道路使用者时（如跟车、会车、行人），系统会自动捕捉其他道路使用者的位置是否处于让其致盲区，若处于该区域时会将远光自动调为近光灯，避免对其他道路使用者造成眩目，保证驾驶安全性。
光敏电阻实时监测行驶环境的光强强度，当系统检测到环境光照较强时，按照道路交通法是不允许开启远光灯，如当前前照灯是属于远光灯的话就自动切换为近光灯行驶。
4实验测试与验证
4.1测试数据集的精准度
经过多次道路训练实验后，得到的精准度数据为：正确检测率：80.05%，错误检测率：43.1%，漏检率：21.2%。
4.2验证实验结果
根据实验验证，摄像头实时监测道路信息，当车或者人处于让其致盲区时，将处理结果迅速的返回给决策层，关闭远光灯开启近光灯。
5总结
自动化、智能化是汽车产业未来的发展趋势，深度学习顺应时代热点，本文设计的前照灯系统可以降低不正确使用远光灯造成车祸的概率，很好的辅助了驾驶员，让驾驶员把注意力放在安全驾驶上，减少驾驶员关闭远光灯的反应时间，具有很好的应用前景。
参考文献：
[1] 汪茂盛. 机动车驾驶光污染及视力防护[J]. 中国眼镜科技杂志， 2012（9）：132-134.
[2]方路平，何杭江，周国民.目标检测算法研究综述[J].计算机工程与应用，2018，54（13）：11-18.
[3] 尚岩巍， 赵利波. 汽车AFS照明系统浅析[J]. 华东科技：学术版， 2015（5）：404-404.
[4] 刘然， 陈积先， 武华堂， et al. 自适应远光（ADB）相关法规研究[J]. 光源与照明， 2017（1）.