基于YOLOv5的改进型夜间车辆检测算法研究

基于视觉图像的城市道路车辆检测是计算机视觉领域重要的研究课题之一。目前,其在白天环境下已取得良好的成果,但夜间环境的车辆检测问题仍存在许多研究难点。文章主要基于深度学习中目标检测(YOLOv5)算法进行改进,使用K-Means++算法获取先验框,提高收敛速度和检测准确率,使用空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)替换原模型的快速空间金字塔池化(Spatial Pyramid Pooling-Fast,SPPF),提高了召回率和平均准确率。实验表明,提出的YOLOv5x+ASPP较原网络YOLOv5x在驾驶数据集BDD100K上平均准确率提高了2.1个百分点。

夜间车辆检测研究综述

车辆检测算法研究是目前深度学习领域的重要问题之一,也是智能交通系统的重要应用。车辆检测算法的应用场景的不同也会遇到不同的问题和挑战,例如在夜间环境下的车辆检测相对于白天环境下更加困难。在夜间环境下,传统基于车灯信息的方法容易受限,在车辆图像清晰度降低,光照环境复杂的环境下效果不是很好。随着深度学习的发展,深度学习在夜间车辆检测方面的方法研究受到关注。文章对近些年来夜间车辆检测方法进行系统的总结和分析。

基于改进Mask RCNN的夜间车辆检测方法

传统的夜间车辆检测基于车灯特征的提取和识别,这类方法容易发生误判、检测精度和检测实时性不高。针对上述问题,本文研究了基于改进Mask RCNN(mask RCNN-night vehicle detection,Mask RCNN-NVD)的夜间车辆检测算法。将残差网络(residual network,ResNet)结构中的普通卷积修改为数量为16组的分组卷积,通过16组1×1卷积实现通道数叠加,将网络参数降至普通卷积的1/16,提升检测速度,并实现与普通卷积相同的效果;将通道注意力机制模块(squeeze-and-excitation,SE)嵌入ResNet结构中,通过2个全连接层构建瓶颈结构,将归一化权重加权到各通道特征,增强网络表征能力;在特征金字塔网络(feature pyramid networks,FPN)后加入自底向上结构,将底层特征强定位信息传递到高层语义特征中;加入自适应池化层,根据区域候选网络(region proposal network,RPN)产生的候选区域分配至不同尺度特征图中,并在底层特征与各阶段最高层特征之间加入跳跃连接结构,实现缩减模型参数的同时保留模型的全局表征能力。通过对开源数据集Microsoft common objects in context(MS COCO)、Berkeley deep drive 100K(BDD100K)的夜间行车图像进行数据增强,构建用于评估检测性能的测试集2000张。实验结果表明:算法在测试集上的平均精度(mean Average Precsion,mAP)值高达92.62,每秒图像处理帧数(Frames Per Second,FPS)值高达30帧。相比于原始Mask RCNN算法分别在mAP值上提高1.68,FPS值提高4帧,验证提出的方法可以有效提升夜间车辆检测的准确性和实时性。

基于高斯混合模型和AdaBoost的夜间车辆检测

针对夜间车辆检测精度相对不高的问题,提出通过构建车头灯对空间几何关系的高斯混合模型(GMM)和采用逆投影车辆样本的Ada Boost分类器准确检测夜间车辆的方法。首先,在交通场景中根据车头灯对的空间位置关系设置逆投影面,通过图像预处理粗定位车灯区域;其次,在逆投影图像下利用车头灯对的空间几何关系构建车灯对的高斯混合模型,初步匹配车头灯对;最后,采用逆投影车辆样本,利用Ada Boost分类器进一步准确检测车辆。实验在3个交通场景的检测结果表明,与原始图像下的Ada Boost方法相比,所提方法的检测率提高了1.93%,漏检率降低了17.83%,误检率降低了27.61%;与D-S(Dempster-Shafer)证据理论方法相比,检测率提高了2.03%,漏检率降低了7.58%,误检率降低了47.51%。所提方法提高了相对检测精度,减少了地面反光和影子等的干扰,满足交通场景中夜间车辆检测的可靠性和准确性的要求。

基于YOLO v4的夜间车辆检测模型轻量化研究

针对夜间车辆检测模型的实时性要求,以YOLO v4模型为基础,将主干特征提取网络更改为灵活性强且易于实现的MobileNet V2,并将加强特征提取网络里面的普通卷积全部更改为深度可分离卷积,同时模型给每个通道引入缩放因子,并与该通道输入相乘。然后将缩放因子正则项和权重损失函数联合进行稀疏正则化训练,此时选择较小的缩放因子进行通道剪枝,剪枝后模型的部分通道缺失,检测性能会降低,因此通过模型微调来弥补精度损失,并经过性能评估后再进行修剪迭代。最后得到一个轻量化的车辆检测模型,使其检测速度更快,更能满足夜间车辆检测的实时性需求。经过在UA-DETRAC数据集的实验分析可知:轻量化夜间车辆检测模型的检测精度可达98.29%,同时每秒处理帧数高达42帧图像。

基于Hough变换检测前大灯的夜间车辆检测

针对夜间车辆检测与昼间车辆检测的不同,提出一种基于Hough圆检测的夜间车辆检测方法。首先利用灰度分割的方式提取车灯,对提取出的车灯进行连通域分析和边缘提取;然后进行Hough圆检测,得到车灯的半径和位置;最后利用车灯成对出现的特点,对车灯进行匹配确定车辆位置。实验结果表明,该算法对于夜间车辆检测检测率高,且虚警低。

基于视频的夜间车辆检测与跟踪

在道路交通管理中基于视频的车辆检测技术发挥了越来越重要的作用。针对夜间交通视频图像中由于照明度低和光线反射干扰导致运动目标提取困难等问题,提出一种建立矩形框来标志车辆的夜间车辆检测与跟踪的方法。通过对图像进行预处理,提取可能为车灯的亮点,建立连通区域。利用两车灯之间的水平位置,两车灯的面积应该是相近或几乎相等以及两者之间的距离应该小于设定的阈值来进行车灯配对。车灯配对成功之后,适当放大配对车灯的连线长度,得到车头宽度。进而根据车头长宽比关系得到车头区域,再通过规则集来定义多种情况下矩形框保存车辆信息的基本原则。车辆的统计跟踪通过基于邻域的方法来实现。经过实验表明,该方法能很好地适用于夜间车辆的检测,并且能满足夜间检测的要求,具备一定的稳定性和准确率。

基于RetinaNet及优化损失函数的夜间车辆检测方法

为解决智能驾驶系统中夜间车辆检测误检多、远处小目标检测效果差的问题,在RetinaNet的基础上对损失函数进行全面优化。在分类损失函数方面,分析了负样本与正样本交并比的产生机理和对训练的影响,构造了关联交并比的分类损失函数,利用负样本交并比使网络注重于训练难分类负样本,同时利用正样本交并比提高了检测框的定位精度;在定位损失函数方面,改进了传统L1损失的归一化方式,提高了小目标检测能力。此外,针对夜间场景中的车辆特征对网络结构进行了优化设计,并在夜间车辆数据集上进行了测试验证,结果表明模型优化后的平均检测精度提升了14.6%。

有限状态机在夜间车辆检测上的应用

为了有效地解决夜间车辆检测这一难题,提出了一种新颖的基于有限状态机的夜间车辆检测算法。该算法将车辆检测的问题转变成一个有序状态转换的模型,即检测所选择区域内的车辆到达、车辆移动和车辆离开。先计算所选区域内的明亮像素点的数量以及他们之间的差异,然后将结果输入到所提出的状态机来检测车辆,最后输出检测结果。实验结果证明,该算法简单且易于实现,对检测夜间道路车辆有很强的鲁棒性。

基于卷积神经网络的夜间车辆检测算法

针对夜间车辆检测模型的精度要求,提出以夜间车辆为研究对象,利用深度学习中的卷积神经网络构建检测模型。首先对数据集进行白平衡处理以减少路灯颜色的干扰进而增强图像画质,并用Mosaic数据增强来丰富检测数据集进而提升模型对小目标车辆的检测效果;其次针对先验框的选取采用K-means++算法,并利用交并比距离对先验框进行聚类;接着向主干特征提取网络加入注意力机制模块来增强残差结构特征图中目标的通道和空间特征信息;最后在损失函数的原始置信度交叉熵损失中引入梯度均衡机制,使模型有效衰减难易样本。通过在UA-DETRAC数据集的实验与对比分析可知:本文提出的夜间车辆检测算法的精度可达99.24%,同时每秒处理图像帧数高达19帧,验证了该算法的有效可行性。

一种视频监控中的夜间车辆检测方法

车辆检测是车辆跟踪和车牌识别的前提,在电子警察和视频监控系统中有重要作用。针对目前视频监控中对夜间车辆检测方法较少且检出率不高的问题,提出了一种夜间车辆检测方法。首先选取夜间车辆样本作为训练样本,然后利用AdaBoost算法训练级联检测器,对视频监控中的夜间车辆进行检测。结果表明,本文提出的夜间车辆检测算法能够有效的检测夜间车辆,检测速度快,可实时检测。

基于改进YOLOv5s的无人驾驶夜间车辆目标检测算法

夜间车辆检测对无人驾驶车辆行驶安全具有重要意义。但是,夜间光照强度低,车辆几何特征呈现不明显,尤其远处车辆由于目标小而特征视认难,导致检测难度大幅提升。基于此,提出了一种基于改进YOLOv5s的无人驾驶夜间车辆检测算法。首先,采集榆林市部分道路夜间场景自构建数据集,并通过Retinex算法实现数据增强处理;在此基础上,进一步通过以下3个措施对传统YOLOv5s网络进行改进:将深度可分离卷积引入Backbone结构,减少网络参数量;将多种注意力机制与FPN融合,提升网络的特征提取能力;在PAN中引入空洞卷积,在感受野不变和特征信息损失较少的同时,减少网络参数量。最终实验结果显示:夜间车辆的平均检测精度可达84.8%,相较改进前提升了5.2%;对应检测速度可达48 fps,提升了9.1%。研究成果可为提升无人驾驶车辆在事故多发夜间时段的行车安全性奠定理论基础。

夜间运动车辆检测

论文提出了夜间运动车辆检测的一种有效的算法。首先对原始图像做“浮雕”处理,消除车灯对检测结果的影响,再通过两帧差分检测出运动区域,最后利用形态学腐蚀消除孤立噪声点,计算连通域面积去除大的噪声区域,从而提取出准确的运动目标。

夜间交通监控中的反光干扰消除和车辆检测方法研究

在交通监控场景中,基于前车灯特征的车辆检测是夜间道路交通监控中的车辆智能检测方法。然而,前车灯在路面形成的反射光会对基于车灯的夜间车辆检测算法造成很大干扰。本文提出了消除路面反射光干扰的夜间车辆检测方法,利用反射光与车灯在视频图像中的亮度方差特征差异,构造基于决策树的反射光和车灯的分类算法,识别视频图像中的车灯和反射光,效消除图像中的反射光,然后提取候选车灯ROI;最后通过对车灯的几何约束匹配实现夜间车辆检测;该方法有效提高了夜间交通车辆检测的性能,检测性能优于现有算法。

基于毫米波雷达和机器视觉的夜间前方车辆检测

为研究夜间追尾事故中本车智能防撞预警方法,提出了一种基于毫米波雷达和机器视觉的前方车辆检测方法。利用多传感器融合数据,检测前方车辆的距离、速度等。建立传感器之间转换关系,转换雷达目标的世界坐标到图像坐标。在图像上形成感兴趣区域,利用图像处理方法减少干扰点,运用Dempster-Shafer(D-S)证据理论,融合特征信息,得到总的信任度值检验感兴趣区域内的车辆。实验采集多段夜间道路行车视频数据,统计实现尾灯识别的帧数,与主观判断进行比较。结果表明:该方法能够实现对夜间前方车辆的检测和定位。

融合前照灯信息的夜间迎向车辆检测

论文通过前灯信息在夜间(黑暗)环境中检测出行驶车辆。基本思想是利用颜色空间中的变化率来检测由车辆前照灯产生的地面照明区域。然后,对前灯进行分类,以提供前照灯信息,用于确定运动对象区域并补偿被错误分类为地面照明的像素,并返回到目标蒙版,用以检测车辆。此外,通过预测规则检测阴影,然后将其排除以得到更好的车辆分割,实现车辆检测,提升车辆检测的正确率。实验结果表明,该算法可以检测车辆,并减少地面照明和阴影的影响。在正常情况下,平均精度可以达到90%。

夜间车流量检测算法

为了解决夜间车辆检测和车辆跟踪的问题,提出了一种基于车前灯的夜间车流量检测算法。首先,分析了夜间车辆检测的特点及采用车前灯进行夜间车辆检测的原因。其次,利用图像二值化的方法对车灯进行分割,通过比较车灯和车灯投射光线之间的差异识别出车灯,然后在此基础上分别利用车灯帧内配对规则和车灯帧间匹配规则实现车辆检测和车辆跟踪。最后,在跟踪过程中,利用该算法实现了车流量的统计。

一种高鲁棒性的夜间车辆定位与跟踪方法

针对夜间环境下的车辆检测问题,从车头灯视角出发,提出一种具有高鲁棒性的夜间车辆定位和跟踪方法。结合卡尔曼滤波实现健壮的亮斑帧间跟踪,并根据亮斑的运动连续性和形态稳定性提取车灯目标。采用基于时域和空域特征的谱系聚类方法对车灯进行同车分组,利用车头灯组对车辆目标进行准确定位和跟踪。实验表明该方法在夜间交通环境中的有效性和高鲁棒性。

夜间环境交通数据采集系统设计与实现

针对夜间交通环境的特点,设计和实现了一种基于车灯的交通流视频检测系统。首先,提出一种夜间车道线检测算法,提取车道线并标定摄像机参数。接着,采用一种自适应阈值分割算法提取候选车灯连通域,并利用空间距离信息配对和分组属于同一辆车的连通域,根据规则集定位车灯,建立车辆假设。然后,通过线性搜索,结合最近邻准则和形状属性匹配在帧间关联车辆假设。对于部分和全部遮挡的情况,结合Kalman滤波器处理。根据跟踪信息的连续性,确认车辆存在并保存跟踪轨迹。实验表明,算法的复杂度低,能够在夜晚多种交通环境下实时检测和跟踪车辆,误检和漏检率低,并且对遮挡情况具有一定的鲁棒性。

用于智能交通系统的夜间车流量统计

智能交通系统是一种充分利用交通基础设施,实现交通环保节能,提升交通服务水平的手段。建立智能交通系统,能有效规划城市道路,抑制交通事故的发生。交通监控应在不同的环境、天气和照明条件下正常有效地工作。在晚上,许多中小城市的照明条件不是很好。本文主要针对夜间的车流量统计,根据上述特征对视频序列图像进行阈值处理,然后,通过形态分析,可以提取灯光走廊,最后根据前灯之间的一定距离分离车灯对,将其用作移动目标并通过计算得到交通流量。