基于深度学习的交通监控视频车辆检测算法

针对交通视频监控场景复杂、视频单帧图像分辨率高的特点,提出一种基于Faster R-CNN的车辆检测改进算法。利用残差网络原理对Faster R-CNN网络特征提取层进行改进,并在网络中加入空洞卷积过滤掉高分辨率视频图像存在的冗余特征,改善原有算法易发生车辆漏检的问题;为应对交通视频中的车辆重叠场景,使用Soft-NMS替换原有的NMS机制,减少由于车辆重叠导致的检测框丢失问题。分别在三个不同的数据集下进行实验,结果表明,该算法检测精度相较于Faster R-CNN有提高,并且可以较好地适应监控视频中多种环境下车辆检测。

基于YOLOv3的轻量级目标检测网络

针对目标检测领域的网络参数数量较大且嵌入式设备的计算能力有限,难以在嵌入式平台上运行的问题,基于深度可分离卷积的思想,提出一种改进Tiny-YOLOv3的轻量级目标检测网络。将Tiny-YOLOv3中的特征提取网络替换为MobileNet,增加网络层数且减少模型中的参数数量和计算量,同时采用K-means维度聚类生成先验框和多尺度预测的方法提高检测精度。实验结果表明,该网络模型大小为23 MB,仅为Tiny-YOLOv3的67%。模型在PASCAL VOC 2007和COCO目标检测数据集上进行测试,检测精度均高于Tiny-YOLOv3,满足嵌入式设备实时高效检测的要求。