基于视频图像的高速公路异常事件实时检测

为提高高速公路异常事件图像实时检测的准确率,提出一种基于改进YOLOv3的高速公路异常事件实时检测方法。通过采用K均值聚类算法改进YOLOv3目标检测算法的先验框,然后采用HOG特征描述方法解决实时在线跟踪算法(英文简称DEEP-SORT)输入预测框过多而导致的实时性差问题,最后结合高速公路交通参数信息,实现车辆超速和车辆拥堵等异常事件的实时检测。结果表明,相较于改进前的YOLOv3算法,改进后的YOLOv3算法的mAP值均得到了不同程度的提升,平均mAP值提高3.6%;相较于改进前的实时在线跟踪算法,改进后的实时在线跟踪算法跟踪时间更短。由此得出,本改进方法满足高速公路实时检测的需求。

基于改进YOLOv3的街道行人检测与跟踪方法

针对室外街道的行人检测与跟踪,提出一种改进YOLOv3与简单在线实时跟踪(simple online and real-time tracking,SORT)算法相结合的检测及跟踪方法。首先,引入距离和比例交并比(distance and proportional-IOU,DPIOU)损失,将原有的损失函数中的均方误差(mean square error,MSE)部分进行变化,从而得到更精确的检测框;其次,将网络结构中的RestNet进行优化,改变下采样区域,增加池化层,进而减少特征信息的丢失;最后将检测结果输入SORT算法进行建模和匹配。实验结果表明,在室外街道的场景下,改进的算法与YOLOv3相比较,损失值收敛更快,平均准确率高出4.85%,跟踪准确率上升3.4%,同时,模型的速度有所提高,最快可达14.39 FPS。