基于深度学习的实时交通车辆检测设计

随着汽车的普及,车辆计数的问题也逐渐出现,效率低下的传统车流检测方法已经无法达到精准计数的目的。本项目组针对这个问题提出新的方法,将YOLOv4目标检测算法与DeepSort目标跟踪算法相结合,进而改进实时车辆检测算法,并且达到精准识别和计数的目的。首先采用VOC格式的车辆数据集训练YOLOv4目标算法模型;得到初步目标检测模型后,再通过K-means聚类改进算法对图像进行特征提取;然后由DeepSort目标跟踪算法对已经识别并所提取到的图像特征进行分析,与此同时开始对其算法模型进行实时跟踪计数。通过多次对不等车辆数的实验数据及结果进行分析,得到了以下结论 :在同一室外环境条件下,对比传统的目标检测算法和实时跟踪算法,改进后的模型算法对车辆漏检的情况显著变少,而且对车辆的实时检测效果表现良好,改进后算法的平均精度达到了92.4%。这些数据证明了改进后算法的可行性。