基于改进YOLOv3的雨天环境车辆目标检测研究

研究提出了一种针对雨天环境的改进YOLOv3车辆目标检测算法。为了减少雨天环境对车辆检测效果的影响,在原始YOLOv3的基础上新增一个去雨模块,该模块根据有雨图像的特点设计了一个卷积网络,将网络结构中的常规卷积替换成空洞卷积,以增加感受野,并且引入了残差学习,从而缓解梯度消失问题。为了满足实际的车辆检测任务需求,对YOLOv3算法进行了改进,通过在骨干网络中加入SPP模块,使网络能够接受任意尺寸的输入,防止图像信息的丢失和变形。为了增强YOLOv3算法处理不同尺度车辆,特别是小目标车辆的能力,将原先的3种预测尺度改为4种。为了证明研究提出的算法的有效性,在车辆数据集上对比了改进前后的算法及其他几种目标检测算法,实验结果显示,改进算法的AP高达92.2%,高于其他几种对比算法,与原始的YOLOv3算法相比提高了6.0%。