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,。