基于深度學習的車輛檢測算法研究
信息技術與網(wǎng)絡安全
蘇欣欣,,郭元術,李妮妮
(長安大學 信息工程學院,,陜西 西安710064)
摘要: 針對目前車輛實時檢測中存在定位不準確,、檢測精度低等問題,,采用了一種以Darknet-53為骨架網(wǎng)絡的YOLOv3車輛檢測算法,將該算法模型在標準數(shù)據(jù)集Pascal-VOC2012上進行訓練,,以拍攝的西安南二環(huán)路的圖片作為測試集進行測試,。實驗結(jié)果表明,YOLOv3算法的檢測精度達到84.9%,,相比于SSD算法,,其檢測精度提高了11.3%,檢測速度提高了3.8 f/s,。因此YOLOv3算法檢測精度更好,,檢測速度更快,能準確地檢測出圖像中的車輛信息,,滿足車輛實時檢測的要求,。
中圖分類號: TP391.4;TP183
文獻標識碼: A
DOI: 10.19358/j.issn.2096-5133.2021.06.005
引用格式: 蘇欣欣,,郭元術,,李妮妮. 基于深度學習的車輛檢測算法研究[J].信息技術與網(wǎng)絡安全,2021,,40(6):28-32.
文獻標識碼: A
DOI: 10.19358/j.issn.2096-5133.2021.06.005
引用格式: 蘇欣欣,,郭元術,,李妮妮. 基于深度學習的車輛檢測算法研究[J].信息技術與網(wǎng)絡安全,2021,,40(6):28-32.
Research on vehicle detection algorithm based on deep learning
Su Xinxin,,Guo Yuanshu,Li Nini
(School of Information Engineering,,Chang′an University,,Xi′an 710064,China)
Abstract: In view of the current real-time detection of vehicles, there are problems such as inaccurate positioning and low detection accuracy. This paper uses a YOLOv3 vehicle detection algorithm with Darknet-53 as the skeleton network. The algorithm model is trained on the standard data set Pascal-VOC2012, and the pictures of Xi′an South Second Ring Road are taken as the test set for testing. Experimental results show that the detection accuracy of YOLOv3 algorithm reaches 84.9%, which is 11.3% higher than that of SSD algorithm. The detection speed has also increased by 3.8 f/s. Therefore, YOLOv3 algorithm has better detection accuracy and faster detection speed, can accurately detect the vehicle information in the image, and meet the requirements of real-time vehicle detection.
Key words : YOLOv3 algorithm;SSD algorithm,;real-time vehicle detection,;deep learning;target detection
0 引言
由于汽車保有量的快速增多和城市交通管理系統(tǒng)的尚未完善,,一系列的交通道路問題不斷產(chǎn)生,。針對諸多的交通擁堵和交通事故頻發(fā)等問題,智能交通系統(tǒng)的理念被提出,。車輛目標檢測技術作為智能交通系統(tǒng)最關鍵的環(huán)節(jié),,如何在實際道路的復雜背景下,采集全面有效的信息并進一步快速,、準確地對目標車輛進行定位和識別,,是一個有高度研究價值的課題。
目前,,車輛檢測算法主要分為兩類:傳統(tǒng)的車輛檢測算法和基于深度學習的車輛檢測算法[1]。前者常用的方法有方向梯度直方圖[2],、尺度不變特征變換[2],、局部二值模式[2]等。張濤等[3]在Haar車輛檢測算法基礎上做一定的算法優(yōu)化,,即通過對滑動尺寸的合理設定以及對檢測區(qū)域的合理劃分,,顯著地提高了車輛檢測算法的運行速度和系統(tǒng)的實時性。張小琴等[4]針對目前車輛品牌分類存在識別率低和檢測速度慢等問題,,提出了方向梯度直方圖(Histogram of Oriented Gradient,,HOG)和支持向量機(Support Vector Machine,SVM)相結(jié)合的方法,,對車輛進行分類識別,。
本文詳細內(nèi)容請下載:http://forexkbc.com/resource/share/2000003596
作者信息:
蘇欣欣,郭元術,,李妮妮
(長安大學 信息工程學院,,陜西 西安710064)
此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載,。