基于改进YOLOv5的车辆属性检测
2022年电子技术应用第7期
刘 俊，钟国韵，黄斯雯，刘麒麟
东华理工大学 信息工程学院，江西 南昌330013
摘要： 车辆属性检测是一个基础任务，其属性检测结果可以被应用到很多下游的交通视觉任务。提出了一种基于YOLOv5的车辆属性检测改进算法。针对检测目标较小的问题，加入了卷积注意力模块，让网络模型把更多的注意力放在小目标对象上；针对数据集样本种类较少的问题，改进了YOLOv5的马赛克数据增强方式；使用自门控激活函数Swish，起到抑制噪声、加快收敛速度并提升模型鲁棒性的作用。此外，还在公开车辆数据集VeRi-776的基础上进行了详细的车辆属性标注，构建了一个车辆属性数据集。实验结果表明，改进后的算法比原始YOLOv5的平均精确率提升了4.6%，能够准确地检测到车辆图像的通用属性，可以供下游任务使用。
中图分类号： TP391；TP183
文献标识码： A
DOI：10.16157/j.issn.0258-7998.222802
中文引用格式： 刘俊，钟国韵，黄斯雯，等. 基于改进YOLOv5的车辆属性检测[J].电子技术应用，2022，48(7)：19-24，29.
英文引用格式： Liu Jun，Zhong Guoyun，Huang Siwen，et al. Vehicle attribute detection based on improved YOLOv5[J]. Application of Electronic Technique，2022，48(7)：19-24，29.
文献标识码： A
DOI：10.16157/j.issn.0258-7998.222802
中文引用格式： 刘俊，钟国韵，黄斯雯，等. 基于改进YOLOv5的车辆属性检测[J].电子技术应用，2022，48(7)：19-24，29.
英文引用格式： Liu Jun，Zhong Guoyun，Huang Siwen，et al. Vehicle attribute detection based on improved YOLOv5[J]. Application of Electronic Technique，2022，48(7)：19-24，29.
Vehicle attribute detection based on improved YOLOv5
Liu Jun，Zhong Guoyun，Huang Siwen，Liu Qilin
School of Information Engineering，East China University of Technology，Nanchang 330013，China
Abstract： Vehicle attribute detection is a basic task, which can be applied to many downstream traffic vision tasks. This paper presents an improved vehicle attribute detection algorithm based on YOLOv5. Aiming at the problem of small target detection, this paper adds the convolution attention module to make the network model pay more attention to the small target object. Aiming at the problem of less sample types of the dataset, this paper improves the mosaic data enhancement method of YOLOv5. The self-gated activation function Swish is used to suppress noise, accelerate convergence speed, and improve the robustness of the model. In addition, this paper also makes a detailed vehicle attribute labeling based on the public vehicle dataset VeRi-776, and constructs a vehicle attribute dataset. The experimental results show that the average accuracy of the improved algorithm is 4.6 % higher than that of the original YOLOv5, which can accurately detect the general attributes of vehicle images and can be used for downstream tasks.
Key words : vehicle attribute；object detection；YOLOv5 algorithm
0 引言
目前计算机视觉研究者们在逐渐探索车辆图像数据处理的落地应用，以助力智慧交通。车辆属性检测就是其中一个基础的计算机视觉任务，主要检测车辆的车灯、车牌、车辆logo等车辆属性区域位置，其结果可以被应用到很多下游的交通视觉任务。例如利用检测到的车灯属性来判定车辆是否变道打转向灯；车牌属性可以作为车牌OCR识别的输入，还可结合整体的车辆属性，来实现车辆重识别等[1]。
由于早期显卡的显存和计算能力的限制，神经网络无法设计得很深，导致当时目标检测的研究还是偏向于传统的图像处理，主要可以分为区域选择、特征提取和分类三步。区域选择一般是通过在图像上进行逐块像素的遍历，来找到与目标匹配的区域；特征提取则是依据研究员的相关先验知识，如待检测目标的形状、纹理、明暗颜色等，从上一步获取的区域中提取特征，代表算法有尺度不变特征变换(SIFT)[2]和方向梯度直方图(HOG)[3]；最后是训练分类器将特征分类，主要利用将待分类数据的特征向量映射到高维空间，以实现将不同类别的数据分开，经典算法有支持向量机(SVM)[4]和AdaBoost[5]。
本文详细内容请下载：http://www.chinaaet.com/resource/share/2000004580。
作者信息：
刘 俊，钟国韵，黄斯雯，刘麒麟
(东华理工大学 信息工程学院，江西 南昌330013)
此内容为AET网站原创，未经授权禁止转载。