基于轻量级YOLO的行人和车辆检测

针对道路上的行人和车辆的目标检测问题,提出了一种改进型YOLOv4的轻量级检测网络YOLOSpring,通过在YOLOv4骨干网络中加入深度可分离卷积结构来简化网络模型,并减少网络模型中的残差块的数量,通过使用K-means聚类方法对车辆和行人锚点框进行重新聚类,改进后的网络模型具有网络参数少,检测精度高的优点。算法在实时交通场景下进行模型训练,检测目标包括行人、小汽车、大巴、摩托车和自行车。实验数据抽取了PASCAL VOC 2007数据集中的Person、Car、Bus、Motorcycle、Bicycle共5个种类的图片样本进行训练和测试,实验结果显示较原算法在检测精度上提高了5%。