【毕业设计】行人闯红灯行为的智能监测与预警系统

Mini_hailang_IT

墨衍会员 · AI 创作全网分发码龄9年

关注

原创 2025-03-11 22:52:42 815 阅读 AI 写同款· GEO 优化 ›

「文智助手」全场景办公AI助理AI+OPC全流程实践方案（大赛作品）阅读详情

前言

📅大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临的就业升学做准备,一边要为毕业设计耗费大量精力。近几年各个学校要求的毕设项目越来越难,有不少课题是研究生级别难度的,对本科同学来说是充满挑战。为帮助大家顺利通过和节省时间与精力投入到更重要的就业和考试中去,学长分享优质的选题经验和毕设项目与技术思路。

🚀对毕设有任何疑问都可以问学长哦!

大家好,这里是海浪学长计算机毕设专题,本次分享的课题是

🎯行人闯红灯行为的智能监测与预警系统

项目背景

行人闯红灯行为是城市交通管理中的一个重大安全隐患，造成了大量交通事故，影响了行人和车辆的安全。随着城市化进程的加快，交通流量不断增加，行人闯红灯现象愈加严重。利用先进的深度学习技术和智能监测手段，可以实时检测和识别行人闯红灯行为，为交通管理部门提供数据支持。这将有助于提高交通安全，减少事故发生率，并为智慧城市的建设提供技术保障。

数据集

图像采集，选择了自主拍摄和互联网采集相结合的方式。通过自主拍摄，我们能够获取真实场景中的行人和车辆在不同状态下的图片，包括闯红灯与未闯红灯的情况。同时，互联网采集则为我们提供了丰富的样本，确保数据集的多样性与全面性。这一阶段的目标是尽可能全面地收集与行人闯红灯行为相关的图像数据。

使用Labelme工具对采集到的图像进行数据标注。在标注过程中，我们将图像中的行人、车辆、行人闯红灯、车辆闯红灯、行人未闯红灯以及车辆未闯红灯等不同类型进行分类，以便为后续模型的训练和测试提供精确的支持。为了提高数据集的有效性，我们还进行了数据集的划分，确保训练集和测试集的合理分配。

为了提升模型在极端天气条件下的准确性，我们对图像进行了扩展处理。使用明暗度调节、对比度调整、角度变化以及噪声增强等技术，增加数据集的多样性。利用Retinex图像增强算法对在恶劣天气条件下拍摄的模糊图像进行处理，以增强其视觉效果。数据处理旨在提高神经网络训练的效果，使模型在各类环境条件下均能保持较高的准确率，从而更好地应用于行人闯红灯行为的检测与识别。

设计思路

YOLO训练和检测操作在同一个单独网络中进行，主要通过回归问题模式求解目标检测。在输入图像经过处理后，能够确定目标物的位置和类别概率。相比之下，各类CNN使用分离网络提取候选区域，训练过程和检测结果通过不同模块处理，增加了网络的复杂性。Faster Rcnn采用RPN卷积网络替代搜索网络模块，通过RPN集成处理得到合并的检测模型。在该网络结构中，RPN与Faster Rcnn共享卷积层，但在训练时需要对两者进行多次反复训练，并将检测结果分为物体分类和物体位置两部分进行计算。本项目将使用最新的YOLO V5网络进行目标、行人及闯红灯检测，YOLO算法通过回归方法实现快速检测。

YOLO V5分为输入端、backbone端、neck端和prediction端四个部分。在训练时，适当优化输入端，可以在单独GPU上实现较高的实时性，并降低对硬件的依赖。在输入端通过Mosaic增强和自适应锚框进行改进。Mosaic数据增强方法参考CutMix，通过随机缩放、裁剪和拼接图片，增强了小目标的数量和结构的鲁棒性。自适应锚框计算通过设置初始长宽的锚框，在训练时输出预测框并与真实框对比，确定差异性并进行负反馈，迭代网络参数。

在项目实际应用中，图片的长宽比各异，缩放填充后的图像两侧黑色像素大小未知，若填充过多则导致像素冗余，降低计算速度。在YOLO V5网络模型中，修改了letterbox函数，以最小化黑色像素的添加。Backbone端采用Focus结构，将原始510×510×3的图像输入经过切片操作转换为205×205×12的特征图，进行卷积核处理，获得205×205×n的特征图。CSP结构在Backbone和Neck相关网络中应用，CSP1用于特征提取，CSP2用于特征融合，显著改善了解梯度消失的缺点。Dropblock结构通过处理相邻整片域，确保网络对目标其他部位的特征进行学习，从而表现出更好的泛化能力，防止过拟合。

在Neck端中，SPP模块主要针对各尺度的特征图，通过最大池化模式进行Concat操作，池化模式为padding，步长为1。该模块的处理能够扩大主干特征的接收区域，有效分离不同目标的主要特征。通过这种方式，特征提取的精确度得到了显著提升，为后续的目标检测提供了更丰富的信息。

Neck端还采用了FPN+PAN结构。在运算过程中，FPN通过上采样和低层特征融合处理高层特征，从而生成预测特征图。深层特征图通常包含强语义特征，但位置信息较弱，而浅层特征图则相反。FPN层设置了特征金字塔PAN结构，通过一定规则持续传达强语义特征，同时反向传输强定位特征。这种处理模式使得在主干层可以进行针对性的参数融合，增强了多个尺度上的定位能力，并提高了特征提取的能力。

在Prediction端，YOLO V5使用GIOU_loss作为边界框回归损失函数，以判断预测边界框与真实边界框之间的距离。GIOU_loss函数包含三个重要几何因素：重叠面积、中心点距离和长宽比。目标检测的后处理过程中，通常需要进行nms操作，以筛选多个目标框，确保最终检测结果的准确性和有效性。

通过自主拍摄和互联网采集获取各种场景下的行人和车辆图像，包括闯红灯和未闯红灯的案例。收集到的图像需要进行预处理，以适应YOLO V5模型的输入要求，例如调整图像大小和格式，去除模糊或不相关的图像。使用Labelme等工具对收集到的图像进行标注，标记出行人、车辆及其行为（如闯红灯与未闯红灯）。标注完成后，将标注结果保存为YOLO格式，以便于后续模型训练使用。

import cv2
import os

def preprocess_images(input_folder, output_folder):
    os.makedirs(output_folder, exist_ok=True)
    for img_name in os.listdir(input_folder):
        img_path = os.path.join(input_folder, img_name)
        image = cv2.imread(img_path)
        resized_image = cv2.resize(image, (640, 640))  # 调整图像大小
        cv2.imwrite(os.path.join(output_folder, img_name), resized_image)

preprocess_images('raw_images', 'processed_images')

使用YOLO V5进行模型训练时，首先需要配置训练参数，如学习率、批次大小等。通过引入Mosaic增强、自适应锚框等技术来优化输入端，以提升模型对不同尺度目标的检测能力。训练过程中，监控损失函数的变化，以确保模型逐步收敛。

# 使用YOLO V5进行模型训练的命令行示例
!python train.py --img 640 --batch 16 --epochs 50 --data data.yaml --weights yolov5s.pt

在模型训练完成后，需要对模型进行评估和测试，以验证其在行人闯红灯检测任务中的性能。通过计算准确率、召回率和F1分数等指标，分析模型在不同场景下的表现，并针对性地进行优化。

from utils.metrics import ap_per_class

def evaluate_model(predictions, ground_truths):
    # 计算AP等指标
    stats, ap, ap_class = ap_per_class(predictions, ground_truths)
    print(f"Mean Average Precision: {ap.mean()}")

evaluate_model(predictions, ground_truths)

经过训练和评估后的模型可以部署于实际监测系统中，实时处理交通监控视频流，识别行人和车辆的行为。一旦检测到行人闯红灯行为，系统可以触发预警机制，提醒相关人员采取措施。

海浪学长项目示例：