基于深度學習的車輛檢測算法研究
信息技術與網絡安全
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為骨架網絡的YOLOv3車輛檢測算法，將該算法模型在標準數據集Pascal-VOC2012上進行訓練，以拍攝的西安南二環路的圖片作為測試集進行測試。實驗結果表明，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的尚未完善，一系列的交通道路問題不斷產生。針對諸多的交通擁堵和交通事故頻發等問題，智能交通系統的理念被提出。車輛目標檢測技術作為智能交通系統最關鍵的環節，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化，即通過對滑動尺寸的合理設定以及對檢測區域的合理劃分，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)相結合的方法，對車輛進行分類識別。
本文詳細內容請下載：http://m.rjjo.cn/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)
此內容為AET網站原創，未經授權禁止轉載。