论文部分内容阅读
车辆检测技术是计算机视觉领域研究的热点,同时也是车牌识别,车流监测,车辆跟踪等应用的研究基础。由于车辆检测技术应用的场景和环境比较复杂,尤其是场景中存在部分小尺寸车辆以及车辆之间存在遮挡时,使得车辆检测的难度加大。本文以实际道路场景中的运动车辆为研究对象,对比了常用的目标检测算法,从实时性和准确度的角度进行综合考虑,选择了YOLO-v3算法作为本文研究的基础算法。针对传统车辆检测算法中存在的问题,通过从三个方面改进深度学习中的YOLO-v3算法,有效提升了算法对远处车辆和遮挡车辆的检测能力。首先,采用金字塔池化算法进行特征增强,通过使用不同的最大池化尺寸进行特征池化实验,选取效果最好的池化尺寸;其次,通过对样本数据集使用K-Means算法进行聚类分析,通过分析预选框之间的IOU(intersection over union)和预选框个数之间的关系,选择合适的预选框尺寸和个数;最后,对非极大值抑制方法进行修改,使得预测框之间的IOU大于设定阈值时以一定的方式进行衰减。与此同时,将本文所提出算法与大尺度特征层预测、输入图片局部ROI放大增强相结合,进一步增强了算法对较小车辆和遮挡车辆的检测能力。通过分别使用ResNet50、ResNet152、DenseNet201、Darknet网络作为YOLO算法的特征提取网络,进一步说明了本文算法的优越性。本文使用的数据集分为手动采集制作的数据和UA-DETRAC数据集两种,文中分别对晴天,雨天,夜晚,遮挡,阴天五个场景中的车辆进行测试对比,同时将本文算法与Faster-RCNN、YOLO-v1、Tiny-Yolo、YOLO-v2、YOLO-v3算法分别从查全率、查准率、F1值三个方面进行比较,表明本文算法的优越性。通过对UA-DETRAC数据集进行测试,在NVIDIA 1080显卡上其查准率为95.1%,查全率为98.3%,检测速度为35fps,满足了实时性的要求。