针对夜晚环境中车流量统计的实时性、鲁棒性和准确性不高等问题,提出一种基于YOLOv5算法优化和摄像补光灯相配合的车辆检测方法,实现交通道路上车辆的精确检测,克服以往夜间图像模糊、光线昏暗等造成的检测不准确问题。采用基于YOLOv5...针对夜晚环境中车流量统计的实时性、鲁棒性和准确性不高等问题,提出一种基于YOLOv5算法优化和摄像补光灯相配合的车辆检测方法,实现交通道路上车辆的精确检测,克服以往夜间图像模糊、光线昏暗等造成的检测不准确问题。采用基于YOLOv5深度学习的方法,以道路临时拍摄的图像构成数据集,以高斯函数构建数据增强图像进行车辆检测,其中检测系统的硬件采用芯片双回路设计控制补光装置,提高检测识别准确性,软件上对YOLOv5算法进行超参数优化,提升系统检测精确性和快速性;采集不同天气、不同补光强度下道路交通图像,通过优化后算法分析其有效性,结果表明,相较于原有检测方法,该方法的平均准确率(mean Average Precision,mAP)和检测帧速率(Frame Per Second,FPS)分别增加4.2%、12%,检测效果较好。展开更多
文摘针对夜晚环境中车流量统计的实时性、鲁棒性和准确性不高等问题,提出一种基于YOLOv5算法优化和摄像补光灯相配合的车辆检测方法,实现交通道路上车辆的精确检测,克服以往夜间图像模糊、光线昏暗等造成的检测不准确问题。采用基于YOLOv5深度学习的方法,以道路临时拍摄的图像构成数据集,以高斯函数构建数据增强图像进行车辆检测,其中检测系统的硬件采用芯片双回路设计控制补光装置,提高检测识别准确性,软件上对YOLOv5算法进行超参数优化,提升系统检测精确性和快速性;采集不同天气、不同补光强度下道路交通图像,通过优化后算法分析其有效性,结果表明,相较于原有检测方法,该方法的平均准确率(mean Average Precision,mAP)和检测帧速率(Frame Per Second,FPS)分别增加4.2%、12%,检测效果较好。
文摘传统的夜间车辆检测基于车灯特征的提取和识别,这类方法容易发生误判、检测精度和检测实时性不高。针对上述问题,本文研究了基于改进Mask RCNN(mask RCNN-night vehicle detection,Mask RCNN-NVD)的夜间车辆检测算法。将残差网络(residual network,ResNet)结构中的普通卷积修改为数量为16组的分组卷积,通过16组1×1卷积实现通道数叠加,将网络参数降至普通卷积的1/16,提升检测速度,并实现与普通卷积相同的效果;将通道注意力机制模块(squeeze-and-excitation,SE)嵌入ResNet结构中,通过2个全连接层构建瓶颈结构,将归一化权重加权到各通道特征,增强网络表征能力;在特征金字塔网络(feature pyramid networks,FPN)后加入自底向上结构,将底层特征强定位信息传递到高层语义特征中;加入自适应池化层,根据区域候选网络(region proposal network,RPN)产生的候选区域分配至不同尺度特征图中,并在底层特征与各阶段最高层特征之间加入跳跃连接结构,实现缩减模型参数的同时保留模型的全局表征能力。通过对开源数据集Microsoft common objects in context(MS COCO)、Berkeley deep drive 100K(BDD100K)的夜间行车图像进行数据增强,构建用于评估检测性能的测试集2000张。实验结果表明:算法在测试集上的平均精度(mean Average Precsion,mAP)值高达92.62,每秒图像处理帧数(Frames Per Second,FPS)值高达30帧。相比于原始Mask RCNN算法分别在mAP值上提高1.68,FPS值提高4帧,验证提出的方法可以有效提升夜间车辆检测的准确性和实时性。
