原文传递
基于深度学习的道路车辆检测算法研究
| 论文题名： | 基于深度学习的道路车辆检测算法研究 |
| 关键词： | 深度学习;目标检测;道路车辆检测;注意力机制;轻量化 |
| 摘要： | 针对自然环境下，车辆所处的交通场景复杂、车辆检测尺度大小不一、车辆目标之间相互重叠和遮挡严重等问题，本文将车辆检测和深度学习相结合，通过多种模型进行针对性优化和改进，较好的实现了道路车辆目标的精准识别。主要研究内容如下。 针对车辆检测过程中检测目标密集、车辆目标尺度大小不一，从而导致检测过程中存在车辆信息提取不充分的问题，本文提出了一种基于Yolov5的多模块注意力机制级联结构的道路车辆目标检测算法。首先通过融合卷积注意模块CBAM和高效通道注意网络ECA-Net的优势提出新的注意力模块，并将其添加到Yolov5算法的网络结构中，将目标检测过程中的检测点进行重要性判断，使其聚焦在重点区域。然后重新设计多尺度检测特征图，采用更大尺度的特征图来捕捉易丢失的更浅层特征信息，接着改用高效交并比EIoU替换输出层复杂的边框回归（Boundingbox）损失函数，从而加快了收敛速度，提高了定位准确度。实验结果证明，改进后的Yolov5算法，相较于原Yolov5算法平均检测精度均值（mAP）由91.3%提升到96.3%，同经典的单阶段检测算法SSD和双阶段检测算法FasterR-CNN相比，改进后的算法在KITTI数据集上具有更高的检测精度和更快的推理速度。 针对车辆检测算法存在的模型参数量大和检测速度较慢的问题，本文分析了深度可分离卷积、GSConv模块和Ghostnet模块等轻量化网络相关算法，采用级联思想将GSConv模块和Ghostnet模块分别应用在多尺度注意力机制Yolov5算法的骨干网络部分和Neck网络部分上，最后在KITTI数据集上测试不同轻量化模块间的精度和实时性的均衡性能。实验结果证明本文改进后的算法能够在保持较高准确率的情况下，较快地完成车辆检测的任务。 本文基于Yolov5算法进行改进设计的车辆检测模型具有较高的车辆检测精度和较快的检测速度，能够满足多种场景下的车辆检测任务，可为进一步开展车牌识别、车辆追踪、交通统计等后续研究工作提供数据信息，具有较强的实际应用价值。 |
| 作者： | 张佳璐 |
| 专业： | 控制工程 |
| 导师： | 刘兆栋;姚峰 |
| 授予学位： | 硕士 |
| 授予学位单位： | 临沂大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
