杨晓玲 罗顺利 梁皓添

（珠海科技学院电子信息工程学院，广东珠海 519041）

随着社会经济的快速发展，越来越多的家庭拥有私家车，如何减少交通意外的发生和实现无人驾驶成为新问题。辅助系统的出现成为解决问题的关键技术，是高精度识别交通路面障碍物的一个重要组成部分。目前解决此问题的方法是通过汽车的摄影机拍摄现场照片，再对原始照片进行处理与模拟训练等，对照片中的交通障碍物进行框选与监测。现实的交通环境变化多样，传统技术通常使用手工和滑动窗口相结合的设计对交通障碍物进行识别检测，精度和实时性难以满足驾驶员的安全需求。随着人工智能的发展，卷积神经网络和深度学习算法的发展为交通技术提供了新的可能。

1 Yolov5介绍

1.1 Yolov5网络模型介绍

YOLOV5模型包括Input、Neck、Backbone和Prediction四个部分。

Yolov5网络模型如图1所示。

图1 YOLOV5结构

1.2 Input端

Input端包括Mosaic数据增强、图片尺寸处理、自适应锚框计算三部分。

Yolov算法中需要将输入图像的尺寸变换为固定大小，再送入检测模型中训练。

网络训练前需要设定初始锚框，Yolov5设定的初始锚框为[116，90，156，198，373，326][30，61，62，45，59，119][10，13，16，30，33，23]。

Yolov5网络模型在基础的锚框上进行模拟得到预测框，如果所得预测框计算与实际相差过大，可以改变代码将自动锚功能关闭。如果效果较好，可与真实框比较，依据差值反向更新调整网络模型参数。

1.3 Backbone

Yolov4的Backbone只有CSP结构，Yolov5新增了Focus结构。在新增操作的Foucs操作中，切片操作非常重要，其过程是逐步变化的。

比如在Foucs结构中加入原始图像608×608×3，通过切边操作将原始图像变为304×304×12的特征图，输出304×304×32的特征图。……