改進(jìn)輕量型YOLOV4的目標(biāo)監(jiān)測系統(tǒng)

劉蘇剛，蔣 剛+，朱 昊，陳清平，徐文剛，黃 璜

(1.成都理工大學(xué) 機(jī)電工程學(xué)院，四川 成都 610059； 2.成都陵川特種工業(yè)有限責(zé)任公司 科技管理部，四川 成都 610105)

0 引 言

隨著科技的快速發(fā)展，對目標(biāo)物體識別精度以及復(fù)雜環(huán)境下適應(yīng)能力的要求不斷提高，結(jié)合深度學(xué)習(xí)框架的目標(biāo)監(jiān)測系統(tǒng)成為了當(dāng)前研究的熱點(diǎn)。目前，基于深度學(xué)習(xí)的目標(biāo)檢測算法主要分為兩大類別，一類是由Faster R-CNN[1]為代表的two-stage目標(biāo)檢測算法，該類算法擁有較高的識別精度但不能滿足實(shí)時(shí)性的要求，無法較好地進(jìn)行目標(biāo)檢測工程化應(yīng)用，另一類是由SSD(single shot multibox detector)[2]、YOLO(you only look once)[3-5]系列為代表的one-stage目標(biāo)檢測算法，該類算法能夠滿足實(shí)時(shí)性的工程化應(yīng)用條件。高楊等[6]提出多層特征融合算法，相較于Faster R-CNN犧牲了一定的檢測速度換來了精度的提高。嚴(yán)開忠等[7]對YOLOV3進(jìn)行改進(jìn)，有效提升了目標(biāo)檢測速度，但導(dǎo)致精度降低。羅建華等[8]則通過改進(jìn)YOLOV3，在不影響檢測速度情況下提高道路目標(biāo)檢測精度。薛志峰等[9]將YOLOV3與STM32結(jié)合，實(shí)現(xiàn)手勢交互的工程化應(yīng)用，但交互過程受外界環(huán)境影響較大。

為了達(dá)到昏暗復(fù)雜環(huán)境下檢測精度與速度的平衡，實(shí)現(xiàn)工程應(yīng)用。本文在YOLOV4[10]輕量型目標(biāo)檢測算法上進(jìn)行改進(jìn)，融入圖像增強(qiáng)算法，在滿足目標(biāo)檢測速度要求的同時(shí)，提升了昏暗復(fù)雜環(huán)境下的目標(biāo)檢測精度，同時(shí)能解決目標(biāo)漏檢與誤檢問題。改進(jìn)后的算法與zed雙目相機(jī)結(jié)合，為監(jiān)測系統(tǒng)的建立提供視覺支持，建立了針對昏暗復(fù)雜環(huán)境的智能化實(shí)時(shí)目標(biāo)監(jiān)測系統(tǒng)。

1 昏暗復(fù)雜環(huán)境下的目標(biāo)監(jiān)測系統(tǒng)整體架構(gòu)

監(jiān)測系統(tǒng)的建立分為多源數(shù)據(jù)采集階段、圖像處理階段、數(shù)據(jù)決策階段、工程實(shí)現(xiàn)階段。監(jiān)測系統(tǒng)整體架構(gòu)如圖1所示。

監(jiān)測系統(tǒng)實(shí)時(shí)采集由zed雙目相機(jī)所獲取的圖像深度點(diǎn)云數(shù)據(jù)以及目標(biāo)檢測信息，目標(biāo)檢測信息是由zed雙目相機(jī)所獲取的每幀圖像通過進(jìn)入昏暗復(fù)雜環(huán)境下目標(biāo)檢測模型進(jìn)行目標(biāo)識別得到。當(dāng)數(shù)據(jù)采集完成后系統(tǒng)進(jìn)行數(shù)據(jù)決策，建立MYSQL數(shù)據(jù)庫連接及底層通信管道，發(fā)送決策指令實(shí)現(xiàn)智能化監(jiān)測相關(guān)功能。

2 昏暗復(fù)雜環(huán)境下的目標(biāo)檢測

2.1 目標(biāo)監(jiān)測系統(tǒng)應(yīng)用場景

監(jiān)測系統(tǒng)在昏暗復(fù)雜環(huán)境下進(jìn)行目標(biāo)檢測，圖像增強(qiáng)算法將zed雙目相機(jī)采集的每幀圖像進(jìn)行去噪、輪廓增強(qiáng)及對比度增強(qiáng)，讓檢測目標(biāo)的細(xì)節(jié)信息更加豐富，幫助目標(biāo)檢測模型更好地進(jìn)行目標(biāo)識別，提高系統(tǒng)的魯棒性與實(shí)用性。

2.2 昏暗復(fù)雜環(huán)境下圖像增強(qiáng)算法

監(jiān)測系統(tǒng)運(yùn)動過程中，受外部復(fù)雜環(huán)境的干擾，圖像獲取會產(chǎn)生一定不可避免的噪聲突變點(diǎn)，系統(tǒng)需進(jìn)行噪聲突變點(diǎn)的消除，本文采用中值濾波法進(jìn)行噪聲突變點(diǎn)的濾除。

本文是對彩色圖像進(jìn)行圖像增強(qiáng)，彩色圖像分為R、G、B這3個(gè)通道。令f(i,j) 為獲取二維圖像所對應(yīng)的像素值，進(jìn)行像素值歸一化，使0≤f(i,j)≤255。 將監(jiān)測系統(tǒng)實(shí)時(shí)傳入的圖像進(jìn)行噪聲突變點(diǎn)消除，即

fout=median(f1,f2,f3,…,f9)

(1)

式(1)中，采用3×3的運(yùn)算區(qū)域，fout為濾波后得到的像素值，f1,f2,f3,…,f9為運(yùn)算區(qū)域中排序好的像素值，通過median()函數(shù)取出中間值進(jìn)行賦值操作，有效消除噪聲突變點(diǎn)。

式(1)后，得到去噪后的圖像信息。為了進(jìn)一步加強(qiáng)目標(biāo)物體的邊緣輪廓，需進(jìn)行相應(yīng)目標(biāo)邊緣輪廓的增強(qiáng)，也就是圖像的銳化操作。計(jì)算二維圖像函數(shù)f(x,y) 的一階偏導(dǎo)，用差分形式近似代替一階偏導(dǎo)，可得

(2)

(3)

(4)

(5)

式(5)中，a=1，通過上式可以計(jì)算出此時(shí)邊緣信息增強(qiáng)后的圖像函數(shù)h(x,y)， 使圖像中目標(biāo)物體輪廓更加清晰。

在昏暗復(fù)雜環(huán)境下，需對圖像進(jìn)行對比度增強(qiáng)，使該特定環(huán)境下未顯示的目標(biāo)細(xì)節(jié)信息呈現(xiàn)出來。本文采用直方圖均衡化進(jìn)行后續(xù)圖像處理，處理的彩色圖像為24位，每個(gè)單通道各占8位，因此單通道的灰度級為256種，統(tǒng)計(jì)圖像數(shù)據(jù)中不同灰度級像素個(gè)數(shù)可得

Count(k)=mk

(6)

式(6)中，0≤k≤255，mk表示不同通道下，灰度級為k的像素總個(gè)數(shù)，Count(k)表示統(tǒng)計(jì)的灰度級為k的像素總個(gè)數(shù)，計(jì)算灰度級概率分布可得

(7)

通過式(7)可得到圖像灰度級出現(xiàn)概率，然后進(jìn)行相應(yīng)累加概率計(jì)算可得

(8)

式(8)中，0≤n≤255，在這之后利用累加概率計(jì)算新的灰度級然后進(jìn)行灰度級像素個(gè)數(shù)重新分配，可得新的映射灰度級

(9)

式(9)得到對比度增大后新的灰度級，進(jìn)行灰度級k的像素與hk的像素映射，映射完成后，系統(tǒng)得到對比度增強(qiáng)后的圖像信息。

監(jiān)測系統(tǒng)實(shí)時(shí)傳入的圖像通過圖像增強(qiáng)算法，能夠?qū)崿F(xiàn)噪聲突變點(diǎn)去除、圖像邊緣信息增加及對比度增強(qiáng)，從而為監(jiān)測系統(tǒng)后續(xù)的目標(biāo)檢測提供相應(yīng)的圖像數(shù)據(jù)支持。

2.3 YOLOV4-tiny目標(biāo)檢測算法

YOLOV4-tiny是相較于YOLOV4的一種輕量型目標(biāo)檢測算法。該目標(biāo)檢測算法為達(dá)到較高的目標(biāo)檢測速度，降低了骨架網(wǎng)絡(luò)(CSPDarknet53-Tiny)復(fù)雜度，使骨架網(wǎng)絡(luò)由3個(gè)CBL(conv batch normalization leaky rectified linear unit)結(jié)構(gòu)以及由3個(gè)CSP(cross stage partial connections)[11]與池化層組成的CSP_body結(jié)構(gòu)所構(gòu)成。激活函數(shù)替換為LeakyRelu(leaky rectified linear unit)。從骨架網(wǎng)絡(luò)中引入兩個(gè)有效特征層進(jìn)入FPN(feature pyramid networks)[12]結(jié)構(gòu)后由YOLO-head輸出最終結(jié)果。YOLOV4-tiny結(jié)構(gòu)如圖2所示。

2.4 目標(biāo)檢測改進(jìn)算法

監(jiān)測系統(tǒng)為提高目標(biāo)檢測精度，對YOLOV4-tiny目標(biāo)檢測模型進(jìn)行了一定的改進(jìn)。在YOLOV4-tiny目標(biāo)檢測算法的兩層特征層的基礎(chǔ)上增加兩層更淺層特征層，將從骨架網(wǎng)絡(luò)中獲取到的四層有效特征層進(jìn)行提取和疊加操作，使目標(biāo)檢測過程中更多目標(biāo)特征被融合，從而達(dá)到增大感受野的同時(shí)保留圖像更多的細(xì)節(jié)信息。通過改進(jìn)FPN結(jié)構(gòu)可以使監(jiān)測系統(tǒng)在實(shí)際的目標(biāo)檢測過程中獲取到更多的目標(biāo)物體的特征，不丟失圖像的一些細(xì)節(jié)信息，這樣系統(tǒng)就能夠比較好地判別目標(biāo)物體的類別，提高目標(biāo)物體的識別準(zhǔn)確率。針對昏暗復(fù)雜環(huán)境，監(jiān)測系統(tǒng)能夠較大程度保留周圍環(huán)境中目標(biāo)的特征，使模型更好地滿足實(shí)際工程的要求，F(xiàn)PN改進(jìn)結(jié)構(gòu)如圖3所示。

為了能夠進(jìn)行昏暗復(fù)雜環(huán)境下的目標(biāo)檢測工作，在目標(biāo)檢測模型中引入特定圖像增強(qiáng)算法。在目標(biāo)檢測前進(jìn)行圖像增強(qiáng)，有助于實(shí)際目標(biāo)檢測工作的進(jìn)行，引入圖像增強(qiáng)算法流程如圖4所示。

監(jiān)測系統(tǒng)通過將實(shí)時(shí)傳入的每幀圖像進(jìn)行圖像增強(qiáng)之后，主要達(dá)到以下3種效果，分別為①去除圖像中噪聲信息，防止不必要的外部環(huán)境強(qiáng)烈干擾，從而保證在圖像獲取過程中圖像質(zhì)量不受到影響；②增加目標(biāo)物體相應(yīng)的邊緣信息，使目標(biāo)物體的輪廓更加的清晰，有利于目標(biāo)檢測模型的特征提?。虎郾┞陡酀摬卦诨璋祻?fù)雜環(huán)境中圖像的細(xì)節(jié)信息，使監(jiān)測系統(tǒng)在不借助外部光照輔助的情況下能夠正常地進(jìn)行目標(biāo)檢測工作，有助于監(jiān)測系統(tǒng)的檢測視野不受到昏暗復(fù)雜環(huán)境的影響。通過以上3點(diǎn)能夠達(dá)到在保持系統(tǒng)的魯棒性的同時(shí)，提高系統(tǒng)的隱蔽性與安全性。

改進(jìn)的目標(biāo)檢測算法為滿足監(jiān)測系統(tǒng)進(jìn)行實(shí)時(shí)目標(biāo)監(jiān)測工程化應(yīng)用的要求，保留了YOLOV4-tiny目標(biāo)檢測算法的原有的骨架網(wǎng)絡(luò)，使系統(tǒng)本身能夠達(dá)到較高的目標(biāo)檢測速度。為彌補(bǔ)原目標(biāo)檢測模型的目標(biāo)檢測精度不高的缺點(diǎn)，優(yōu)化原有FPN網(wǎng)絡(luò)結(jié)構(gòu)，從而使改進(jìn)后的算法模型達(dá)到目標(biāo)檢測過程中速度與精度的雙向平衡。為讓系統(tǒng)適應(yīng)昏暗復(fù)雜環(huán)境，引入圖像增強(qiáng)算法，使系統(tǒng)適應(yīng)特定復(fù)雜環(huán)境的能力提高?；璋祻?fù)雜環(huán)境下目標(biāo)檢測算法流程如圖5所示。

3 目標(biāo)監(jiān)測系統(tǒng)工程化應(yīng)用

3.1 雙目相機(jī)結(jié)合目標(biāo)檢測改進(jìn)算法

監(jiān)測系統(tǒng)在進(jìn)行目標(biāo)檢測過程中，實(shí)時(shí)傳入的每幀圖像為系統(tǒng)的目標(biāo)檢測模型提供相應(yīng)的數(shù)據(jù)支持。為了完成每幀圖像的獲取工作，將改進(jìn)后的目標(biāo)檢測算法與zed雙目相機(jī)進(jìn)行相應(yīng)的算法融合。zed雙目相機(jī)采集到的每幀圖像數(shù)據(jù)經(jīng)過改進(jìn)后的目標(biāo)檢測模型實(shí)現(xiàn)實(shí)時(shí)目標(biāo)檢測。zed雙目相機(jī)與優(yōu)化算法的融合流程如圖6所示。

圖6中，系統(tǒng)獲取zed雙目相機(jī)所捕捉的每幀圖像，先進(jìn)行相應(yīng)尺寸變換，將圖像轉(zhuǎn)換為(416，416)的尺寸格式，以滿足目標(biāo)檢測模型輸入圖像尺寸要求，之后圖像通過顏色通道轉(zhuǎn)換后再轉(zhuǎn)為Image圖像格式進(jìn)入目標(biāo)檢測模型。當(dāng)每幀圖像傳入模型之后還要進(jìn)行相應(yīng)的圖像數(shù)據(jù)歸一化以及維度順序變換以滿足目標(biāo)檢測模型對圖像數(shù)據(jù)的特定要求。當(dāng)圖像識別完成，經(jīng)顏色通道轉(zhuǎn)換，利用OpenCV進(jìn)行實(shí)時(shí)顯示，進(jìn)而觀察優(yōu)化算法與zed雙目相機(jī)融合之后實(shí)時(shí)目標(biāo)檢測效果。

3.2 監(jiān)測系統(tǒng)數(shù)據(jù)采集

監(jiān)測系統(tǒng)利用zed雙目相機(jī)獲取圖像的深度點(diǎn)云數(shù)據(jù)進(jìn)行監(jiān)測目標(biāo)的距離與方位角的計(jì)算，從而完成相應(yīng)的數(shù)據(jù)采集工作。

OLeft與ORight為zed雙目相機(jī)左右相機(jī)的光心，本文將zed雙目相機(jī)的左相機(jī)光心作為初始空間坐標(biāo)原點(diǎn)，空間坐標(biāo)為 (0,0,0), 令P點(diǎn)相對于左相機(jī)光心的空間坐標(biāo)點(diǎn)為 (x,y,z)， 空間P點(diǎn)對應(yīng)左右相機(jī)的目標(biāo)像素點(diǎn)為PLeft(xl,yl)、 PRight(xr,yr)， zed雙目相機(jī)的焦距d與左右相機(jī)的基線lbase都可由相機(jī)本身獲取。本文根據(jù)視差測量法，利用三角形相似原理求解出空間P點(diǎn)的z的取值，如圖7(a)所示

(10)

式(10)中dvisual=xl-xr， 通過相應(yīng)x、y、z的等式關(guān)系，結(jié)合空間點(diǎn)P在左相機(jī)所對應(yīng)的目標(biāo)像素點(diǎn)，可分別求出x，y的取值

(11)

(12)

通過式(10)～式(12)分別求出x、y、z的取值。獲取到的P(x,y,z) 坐標(biāo)值，是P相對于左相機(jī)光心的坐標(biāo)取值，在此完成對于監(jiān)測目標(biāo)空間點(diǎn)的三維重構(gòu)，如圖7(b)所示。

目標(biāo)空間坐標(biāo)點(diǎn)P相對于原點(diǎn)OLeft的取值分別為x、y、z，原點(diǎn)OLeft的三維空間坐標(biāo)為 (0,0,0)， 由此可計(jì)算空間坐標(biāo)點(diǎn)P距zed雙目相機(jī)的左相機(jī)原點(diǎn)OLeft的距離

(13)

空間點(diǎn)P的坐標(biāo)點(diǎn)經(jīng)過三維重建后，將空間點(diǎn)P(x,y,z) 映射到XOLeftY二維平面上，本文將X軸方向作為方位角計(jì)算的參考正方向，在XOLeftY二維平面內(nèi)進(jìn)行目標(biāo)物體坐標(biāo)方位角的求解，可得

(14)

通過式(14)計(jì)算出目標(biāo)物體相對于坐標(biāo)原點(diǎn)OLeft的方位角，方位角的取值范圍0°≤angle_object≤360°。

昏暗復(fù)雜環(huán)境下，監(jiān)測系統(tǒng)在混合路況場景進(jìn)行智能化目標(biāo)監(jiān)測任務(wù)時(shí)，通過對目標(biāo)空間點(diǎn)的三維重構(gòu)求解出方位角和目標(biāo)距離，從而完成相應(yīng)的數(shù)據(jù)采集，為監(jiān)測系統(tǒng)之后的數(shù)據(jù)決策提供相應(yīng)的數(shù)據(jù)支持。

3.3 監(jiān)測系統(tǒng)數(shù)據(jù)決策與自動控制

監(jiān)測系統(tǒng)需將獲取到的目標(biāo)距離與方位角以及經(jīng)過目標(biāo)檢測后的目標(biāo)檢測信息進(jìn)行融合，經(jīng)過數(shù)據(jù)決策后形成相應(yīng)的決策指令實(shí)現(xiàn)智能化目標(biāo)監(jiān)測，決策控制流程如圖8所示。

決策控制過程，主要實(shí)現(xiàn)預(yù)警信號收發(fā)、預(yù)警指示燈開閉、異常數(shù)據(jù)存儲和智能避障功能，從而構(gòu)建出一個(gè)智能化的監(jiān)測系統(tǒng)。針對異常數(shù)據(jù)的存儲，本文用到了MYSQL數(shù)據(jù)庫作為異常數(shù)據(jù)存儲的媒介，從而完成相應(yīng)異常數(shù)據(jù)的存儲，在異常數(shù)據(jù)存儲之后，系統(tǒng)授權(quán)用戶還能進(jìn)行相關(guān)異常數(shù)據(jù)的共享，其它功能則是依靠底層STM32主控端與上層搭建相應(yīng)的通信管道實(shí)現(xiàn)。系統(tǒng)為保證數(shù)據(jù)的完整性與安全性，將決策指令采用相應(yīng)的通信協(xié)議通過通信管道下發(fā)底層，從而實(shí)現(xiàn)監(jiān)測系統(tǒng)的自動控制。

4 系統(tǒng)實(shí)驗(yàn)結(jié)果與分析

監(jiān)測系統(tǒng)進(jìn)行分析的實(shí)驗(yàn)結(jié)果包括圖像處理階段中目標(biāo)檢測模型所得的實(shí)驗(yàn)結(jié)果以及由OpenCV實(shí)時(shí)顯示監(jiān)測系統(tǒng)的測試結(jié)果。通過以上實(shí)驗(yàn)結(jié)果分析確保監(jiān)測系統(tǒng)能夠完成昏暗復(fù)雜環(huán)境下目標(biāo)監(jiān)測的任務(wù)。

4.1 目標(biāo)檢測模型數(shù)據(jù)集

4.2 目標(biāo)檢測模型實(shí)驗(yàn)平臺

訓(xùn)練平臺采用的顯卡為GeForce RTX 2080Ti，CPU為i9-10900X，操作系統(tǒng)為64位ubuntu 16.04。訓(xùn)練中batch_size設(shè)置為8，訓(xùn)練epoch設(shè)置為100，num_workers設(shè)置為4，輸入圖片尺寸格式為(416，416)，CUDA為10.0.130。測試平臺采用的配置為Intel(R) Core(TM) i7-9750H CPU @ 2.60GHz 2.59 GHz，操作系統(tǒng)為Windows 10。訓(xùn)練與測試平臺深度學(xué)習(xí)框架采用pytorch1.2.0，編程語言為Python。

4.3 目標(biāo)檢測模型測試效果分析

本文提出的目標(biāo)檢測改進(jìn)算法模型與YOLOV4-tiny目標(biāo)檢測算法模型經(jīng)100個(gè)epoch訓(xùn)練完成后，均處于穩(wěn)定收斂狀態(tài)。改進(jìn)模型的total_loss：5.0675，val_loss：4.9257，均低于YOLOV4-tiny模型的total_loss：5.3310和val_loss：5.1688。改進(jìn)的算法模型權(quán)重大小為26.8 MB，適合在硬件移植使用，具有較好的實(shí)用價(jià)值。

為解決昏暗復(fù)雜環(huán)境下的目標(biāo)檢測問題，本文提出了針對昏暗復(fù)雜環(huán)境的改進(jìn)算法，該算法在該環(huán)境的實(shí)際測試過程中能夠較好識別出目標(biāo)物體，有效地解決該環(huán)境下的目標(biāo)檢測問題。本文為提高對比效果，將YOLOV4-tiny目標(biāo)檢測算法也與圖像增強(qiáng)算法進(jìn)行融合，各模型測試效果對比如圖9所示。

通過圖9測試效果對比可以看出在昏暗復(fù)雜環(huán)境下改進(jìn)的算法模型相對于YOLOV4-tiny算法模型，目標(biāo)檢測精度有較大提升，相比于融合了圖像增強(qiáng)的YOLOV4-tiny算法模型，目標(biāo)檢測精度也有一定提升。并且改進(jìn)后的算法模型有效解決了目標(biāo)檢測過程中目標(biāo)誤檢、漏檢問題。測試結(jié)果表明改進(jìn)后的算法模型適用于實(shí)際工程化應(yīng)用。

4.4 目標(biāo)檢測模型評估

本文對目標(biāo)檢測模型進(jìn)行模型評估過程中，將MAP(mean average precision)作為目標(biāo)檢測精度的評估指標(biāo)，將FPS(frames per second)作為目標(biāo)檢測速度的評估指標(biāo)。本文為全面分析改進(jìn)算法模型性能，引入YOLOV4模型參與評估，保證評估數(shù)據(jù)的完整性。本文對各類別AP(average precision)值對比分析見表1。

表1 各類別AP值對比分析

通過表1可以看出，融合圖像增強(qiáng)算法之后YOLOV4和YOLOV4-tiny算法模型相較與原來的算法模型，在一些類別的檢測精度上都有一定程度的提升，改進(jìn)的算法模型相較于YOLOV4-tiny算法模型在5種類別的AP值上都有較為顯著的提升。

本文為進(jìn)行目標(biāo)檢測的FPS評估，選用了測試集中100張測試圖片。經(jīng)測試，YOLOV4模型測試總用時(shí)為7.83 s，當(dāng)融入圖像增強(qiáng)算法后，總用時(shí)為8.69 s，YOLOV4-tiny模型測試總用時(shí)為4.57 s，當(dāng)融入圖像增強(qiáng)算法后，總用時(shí)為5.26 s，本文所提出的改進(jìn)算法在測試過程中的總用時(shí)為5.55 s。

目標(biāo)檢測模型性能評估見表2。

表2 目標(biāo)檢測模型性能評估

在昏暗的復(fù)雜環(huán)境下,本文所提出的改進(jìn)算法模型相較于YOLOV4-tiny目標(biāo)檢測模型的平均精度提升了14.79%，較融合了圖像增強(qiáng)算法的YOLOV4-tiny平均精度提升了3.06%。改進(jìn)算法模型的檢測速度能達(dá)到18 FPS，比YOLOV4目標(biāo)檢測模型高出5 FPS,能滿足實(shí)際工程應(yīng)用中的實(shí)時(shí)性要求。

4.5 系統(tǒng)測試結(jié)果分析

監(jiān)測系統(tǒng)底層中的STM32主控端的模塊化代碼編寫采用C語言，經(jīng)過實(shí)際的測試發(fā)現(xiàn)，能實(shí)現(xiàn)系統(tǒng)所需要的功能。在此基礎(chǔ)上通過OpenCV進(jìn)行實(shí)時(shí)顯示監(jiān)測系統(tǒng)測試結(jié)果，從而保證監(jiān)測系統(tǒng)運(yùn)行效果可視化。監(jiān)測系統(tǒng)實(shí)物及測試效果如圖10所示。

圖10監(jiān)測系統(tǒng)測試結(jié)果表明，監(jiān)測系統(tǒng)有較好的識別精度以及決策控制能力，能夠完成昏暗復(fù)雜環(huán)境下的目標(biāo)檢測任務(wù)，實(shí)現(xiàn)智能化目標(biāo)監(jiān)測。

5 結(jié)束語

本文為進(jìn)行昏暗復(fù)雜環(huán)境下混合路況的目標(biāo)檢測，提出了一種基于YOLOV4-tiny的改進(jìn)算法。該改進(jìn)算法相較于改進(jìn)前的YOLOV4-tiny算法模型既提高了監(jiān)測系統(tǒng)在昏暗復(fù)雜環(huán)境下目標(biāo)檢測精度，又解決了目標(biāo)誤檢與漏檢問題，同時(shí)能保證系統(tǒng)的魯棒性、隱蔽性與安全性，滿足系統(tǒng)進(jìn)行實(shí)時(shí)目標(biāo)監(jiān)測的工程化要求。本文將改進(jìn)算法模型融入zed雙目相機(jī)中，進(jìn)行多源數(shù)據(jù)的采集工作，監(jiān)測系統(tǒng)將獲取到的數(shù)據(jù)經(jīng)數(shù)據(jù)決策后，建立數(shù)據(jù)庫連接與底層通信管道，能夠?qū)崟r(shí)進(jìn)行異常數(shù)據(jù)存儲及底層控制，進(jìn)而實(shí)現(xiàn)昏暗復(fù)雜環(huán)境下混合路況的目標(biāo)監(jiān)測工程化。