為了研究現有車輛目標檢測算法的檢測精度與檢測速度相矛盾的問題,提出了一種小型化的改進YOLOv3深度卷積網絡的實時車輛檢測及跟蹤算法。采用構建卷積層數少的網絡架構以及進行多目標跟蹤的方法,分析了大網絡模型結構時正向推理速度慢、小網絡模型結構時檢測精度低的原因。在不同尺度卷積特征多層次提取車輛特征信息來保證準確率的基礎上,利用K-means++算法改進聚類先驗框中心點的提取,同時借鑒darknet19骨干網絡結構,構建一種網絡深度更小的基礎卷積網絡結構,采用更少的重復殘差塊結構單元,使網絡模型結構小型化。在采用卡爾曼濾波算法對目標檢測后下一時刻的車輛位置進行跟蹤的基礎上,利用匈牙利匹配算法進行分配關聯(lián)視頻相鄰幀中的車輛,確定被檢測目標唯一標簽ID,實現對多個目標的精確定位與跟蹤,以此改善檢測不連續(xù)、漏檢、目標被遮擋等檢測不穩(wěn)定的情況。結果表明:在實車自采集數據和公開數據集KITTI上進行測試,相較于YOLOv3網絡,在平均準確率基本保持不變情況下,網絡參數減小,網絡模型大小縮小為1/4,為57.2 MB,檢測速度提高一倍,達到101.7 f/s。整體算法檢測速度達到11.3 ms/幀,檢... 

【文章來源】：公路交通科技. 2020年08期 北大核心

【文章頁數】：10 頁

【部分圖文】：

車輛檢測及跟蹤流程圖

Darknet-53通過多層卷積核卷積形成深層次卷積層。在不同卷積層上分別采用1,2,8,8,4多個類ResNet的殘差網絡跳層連接,將殘差網絡經過多次卷積后與原始殘差網絡進行疊加,保證了殘差網絡在較深的情況下,仍能較好收斂。同時采用類FPN的多尺度變化預測的方法,利用3個尺度進行檢測,最終網絡輸出3個不同尺度的特征圖,在不同尺度特征圖上分別使用3個不同的先驗框anchors進行預測識別,最終使得遠近大小目標均能得到較好的檢測。2.2 針對小型化目標檢測的網絡結構設計

式中,Inputlayer為類ResNet的殘差網絡的輸入層;H(Inputlayer)為將Inputlayer的輸入層進行多次卷積操作;Outputlayer為殘差網絡的輸出層。采用相同原理方法,對后續(xù)的網絡結構分別依次采用64,128,256,512,1 024個步長為2的3×3卷積核進行濾波,使特征提取層長寬變小深度變深,能提取到更深層次特征。同時對后續(xù)的前4個不同卷積核分別依次采用2,2,4,4個殘差塊進行連接,加強特征提取,同時也因相較于YOLOv3減少了大量網絡層數,小型化了網絡結構,可加快學習和網絡正向推理運行速度。

【參考文獻】：
期刊論文
[1]視頻車輛檢測技術中的閾值分割算法研究[J]. 張惠玲,李克平,鄧天民.  公路交通科技. 2009(03)

碩士論文
[1]基于單目視覺的智能行車預警系統(tǒng)的技術研究[D]. 虞偉民.南京理工大學 2016
[2]安全駕駛輔助系統(tǒng)若干問題的分析與研究[D]. 張磊磊.南京郵電大學 2016
[3]基于機器視覺感知平臺的前方車輛檢測和測距系統(tǒng)研究[D]. 王利明.江蘇大學 2016



本文編號：2917360