《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 其他 > 设计应用 > 基于深度学习的车辆检测算法研究
基于深度学习的车辆检测算法研究
信息技术与网络安全
苏欣欣，郭元术，李妮妮
(长安大学 信息工程学院，陕西 西安710064)
摘要： 针对目前车辆实时检测中存在定位不准确、检测精度低等问题，采用了一种以Darknet-53为骨架网络的YOLOv3车辆检测算法，将该算法模型在标准数据集Pascal-VOC2012上进行训练，以拍摄的西安南二环路的图片作为测试集进行测试。实验结果表明，YOLOv3算法的检测精度达到84.9%，相比于SSD算法，其检测精度提高了11.3%，检测速度提高了3.8 f/s。因此YOLOv3算法检测精度更好，检测速度更快，能准确地检测出图像中的车辆信息，满足车辆实时检测的要求。
中圖分類(lèi)號(hào)： TP391.4；TP183
文獻(xiàn)標(biāo)識(shí)碼： A
DOI： 10.19358/j.issn.2096-5133.2021.06.005
引用格式： 蘇欣欣，郭元術(shù)，李妮妮. 基于深度學(xué)習(xí)的車(chē)輛檢測(cè)算法研究[J].信息技術(shù)與網(wǎng)絡(luò)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(chē)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(wèn)題不斷產(chǎn)生。針對(duì)諸多的交通擁堵和交通事故頻發(fā)等問(wèn)題，智能交通系統(tǒng)的理念被提出。車(chē)輛目標(biāo)檢測(cè)技術(shù)作為智能交通系統(tǒng)最關(guān)鍵的環(huán)節(jié)，如何在實(shí)際道路的復(fù)雜背景下，采集全面有效的信息并進(jìn)一步快速、準(zhǔn)確地對(duì)目標(biāo)車(chē)輛進(jìn)行定位和識(shí)別，是一個(gè)有高度研究?jī)r(jià)值的課題。

目前，車(chē)輛檢測(cè)算法主要分為兩類(lèi)：傳統(tǒng)的車(chē)輛檢測(cè)算法和基于深度學(xué)習(xí)的車(chē)輛檢測(cè)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(chē)輛檢測(cè)算法基礎(chǔ)上做一定的算法優(yōu)化，即通過(guò)對(duì)滑動(dòng)尺寸的合理設(shè)定以及對(duì)檢測(cè)區(qū)域的合理劃分，顯著地提高了車(chē)輛檢測(cè)算法的運(yùn)行速度和系統(tǒng)的實(shí)時(shí)性。張小琴等[4]針對(duì)目前車(chē)輛品牌分類(lèi)存在識(shí)別率低和檢測(cè)速度慢等問(wèn)題，提出了方向梯度直方圖(Histogram of Oriented Gradient，HOG)和支持向量機(jī)(Support Vector Machine，SVM)相結(jié)合的方法，對(duì)車(chē)輛進(jìn)行分類(lèi)識(shí)別。




本文詳細(xì)內(nèi)容請(qǐng)下載：http://m.ihrv.cn/resource/share/2000003596




作者信息：

蘇欣欣，郭元術(shù)，李妮妮

(長(zhǎng)安大學(xué) 信息工程學(xué)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。

相關(guān)內(nèi)容