原文传递
基于深度学习的交通场景多尺度目标检测算法研究
| 论文题名： | 基于深度学习的交通场景多尺度目标检测算法研究 |
| 关键词： | 交通流;实时监测;YOLOv4算法;深度学习 |
| 摘要： | 目标检测技术作为计算机视觉领域的核心研究课题之一，在该研究领域受到了广泛关注，具有广阔的应用前景。车辆检测又是目标检测的细分研究方向之一，被广泛地应用于视频监控、自动驾驶等领域。在实际的城市交通场景中，由于拍摄的范围很广泛，因此远距离的待检测目标的尺寸通常都比较小。并且在出行高峰期车流量大，交通拥堵时会出现严重的局部遮挡现象，从而造成了待检测目标的多尺度问题。本文针对城市交通车流量的精准实时监测任务，选取YOLOv4目标检测算法作为本文的基础算法，开展了多尺度目标检测算法的研究。主要工作内容及创新点如下： 首先，在基于深度学习的目标检测方法中，拥有一个完备的数据集对于模型训练而言是至关重要的，本文通过手动采集标注的方法建立了有效城市交通场景中的车辆数据集。在数据采集的过程中充分考虑了诸多实际影响因素，选择在不同路段和时间段以多种视角来拍摄图像，并且对采集到的图像数据进行预处理和标签制作。其次，针对模型预设先验框缺乏尺度适应性等问题，提出了一种改进的k-means++聚类算法。使用该算法聚类分析自制车辆数据集的目标边框，重新生成了更加适合本文数据集的先验框尺寸，从而提升了模型的检测效果。然后，针对随着网络层数加深而导致的小尺度目标特征消失的问题，本文提出了改进的MS-YOLOv4多尺度目标检测算法。在主干特征提取网络中引入了一种特殊的空洞卷积模块，通过不同空洞率的空洞卷积来加大浅层特征图的感受野尺寸，获取更加丰富的多尺度特征，降低了小尺度目标的漏检率。最后，将本文提出的MS-YOLOv4算法部署到Jetson TX2嵌入式平台进行验证。针对该平台的计算资源有限、检测速度慢等问题，提出了一种可复用特征扩展的方法来实现模型的推理加速，从而构建出一个便于在TX2端进行部署的轻量化网络结构。 本文在自制车辆数据集上对模型进行训练和测试，实验结果表明，改进后的MS-YOLOv4检测模型的平均精度均值（mAP）比原始的YOLOv4模型提高了2.84。并且将模型成功地部署到Jetson TX2嵌入式端，实际检测速度达到了20FPS，可以有效地应用于城市交通场景下的实时车流量监测。 |
| 作者： | 刘志柳 |
| 专业： | 电子与通信工程 |
| 导师： | 刘民岷 |
| 授予学位： | 硕士 |
| 授予学位单位： | 电子科技大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
