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。
中图分类号： TP391.4；TP183
文献标识码： A
DOI： 10.19358/j.issn.2096-5133.2021.06.005
引用格式： 苏欣欣，郭元术，李妮妮. 基于深度学习的车辆检测算法研究[J].信息技术与网络安全，2021，40(6)：28-32.
文献标识码： A
DOI： 10.19358/j.issn.2096-5133.2021.06.005
引用格式： 苏欣欣，郭元术，李妮妮. 基于深度学习的车辆检测算法研究[J].信息技术与网络安全，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
由于汽车保有量的快速增多和城市交通管理系统的尚未完善，一系列的交通道路问题不断产生。针对诸多的交通拥堵和交通事故频发等问题，智能交通系统的理念被提出。车辆目标检测技术作为智能交通系统最关键的环节，如何在实际道路的复杂背景下，采集全面有效的信息并进一步快速、准确地对目标车辆进行定位和识别，是一个有高度研究价值的课题。
目前，车辆检测算法主要分为两类：传统的车辆检测算法和基于深度学习的车辆检测算法[1]。前者常用的方法有方向梯度直方图[2]、尺度不变特征变换[2]、局部二值模式[2]等。张涛等[3]在Haar车辆检测算法基础上做一定的算法优化，即通过对滑动尺寸的合理设定以及对检测区域的合理划分，显著地提高了车辆检测算法的运行速度和系统的实时性。张小琴等[4]针对目前车辆品牌分类存在识别率低和检测速度慢等问题，提出了方向梯度直方图(Histogram of Oriented Gradient，HOG)和支持向量机(Support Vector Machine，SVM)相结合的方法，对车辆进行分类识别。
本文详细内容请下载：http://www.chinaaet.com/resource/share/2000003596
作者信息：
苏欣欣，郭元术，李妮妮
(长安大学 信息工程学院，陕西 西安710064)
此内容为AET网站原创，未经授权禁止转载。