双目立体视觉测距系统目标车辆检测算法研究

研究以高速公路为背景的双目立体视觉测距系统中目标车辆检测算法。提出一种基于统计理论的方法对图像进行二值化处理,根据图像的边缘特征,运用Sobel算子实现边缘增强,以获取精确的边缘信息。边缘提取后利用Hough变换检测车道边缘并确定目标车辆所在路面区域范围,在该范围内通过检测车辆底部的阴影确定车辆的位置。试验结果表明,该算法能准确地检测出目标车辆,为高速公路目标车辆距离测量提供研究基础。

一种特征融合的小目标车辆检测算法

针对目前基于深度卷积神经网络的目标检测中,高维特征会遗失小区域特征及目标位置信息,从而导致对小目标的识别率很低的问题,提出了一种利用特征层融合进行检测的算法。利用图像插值方法,将高维特征图与低维特征图转化为同样尺寸,通过设置一个网络自学习参数来对各特征图进行有效融合,使得最终进行检测的特征图同时具有丰富的语义信息与尽可能多的目标特征信息。构建了一个简单的卷积神经网络模型,对道路场景中的远距离车辆进行检测,在KITTI数据集上进行测试。测试结果表明:与主流的FasterRCNN和SSD检测框架相比,该模型的检测召回率分别提高了5. 9%和14. 6%。

改进YOLOv8算法的城市车辆目标检测

针对复杂交通场景下城市车辆目标检测算法存在的漏检、精度低、泛化能力弱的问题,提出一种改进的YOLOv8城市车辆目标检测算法。采用一种改进的GAM-C2f结构来代替主干网络中的C2f模块,平衡模型的计算效率和准确性;设计一种SPPFAPGC模块,防止SPPF结构因最大池化操作所导致的局部特征丢失问题,提高特征图的丰富度,并进一步结合小目标检测头来加强对远处小目标车辆的检测能力,加强局部特征与全局特征的融合。为抑制低质量图像产生的有害梯度,使用WIOU损失函数代替CIoU,以提升网络的边界框回归性能,提高模型的收敛速度和回归精度。在Streets车辆数据集上的实验结果表明,与基准模型YOLOv8n相比,改进算法的mAP50和Recall分别提高了1.6和2.0个百分点,有效改善了城市交通场景下小目标车辆检测性能不佳的问题;在VisDrone2019数据集上进行验证,mAP50和Recall也分别提高了1.1和1.6个百分点,充分证明了改进算法的优越性。与其他先进主流算法相比,改进算法表现出了更高的准确率和查全率,表明改进算法在城市车辆检测任务中具有更好的性能。

基于CenterNet编码优化的车辆目标检测模型

为解决车辆识别系统中车辆类型识别率低的问题,文章提出了一种优化CenterNet编码的车辆目标检测模型。本模型为保证实时性采用ResNet18作为基础网络,针对原模型中检测与分类同时进行的目标检测可能会导致车辆目标信息的混淆和互相干扰的问题,本模型将检测与分类进行解耦,着重关注车辆固有特征和车型间的特有特征,有效提高分类的准确率;针对特殊车型识别不准确的问题,模型将车辆目标的宽高,形状等特征信息加入分类中进行特征学习,提高特殊车型分类的准确性。实验结果表明:在UA-DETRAC数据集上,本模型的平均精度均值提升了0.5个百分点,F1-Score提升了1.1个百分点。

融合事件数据和图像帧的车辆目标检测

将事件相机与传统相机结合进行车辆目标检测,既能解决传统相机在高动态范围下的过度曝光与曝光不足、运动模糊等问题,又能解决事件相机由于纹理信息缺失导致的检测精度不高的问题。现有融合算法往往存在计算复杂度高、特征信息丢失以及融合效果不佳等问题。为此,提出一种有效融合事件相机和传统相机的车辆目标检测算法。首先,提出一种基于事件计数(EF)和时间面(TS)的时空事件表示,将事件数据编码成事件帧;然后,提出一种基于通道和空间注意力机制的特征级融合模块(FCSA),对图像帧和事件帧进行特征级融合;最后,利用差分进化搜索算法优化先验框,以进一步提高车辆检测性能。此外,由于包含图像帧和事件数据的公开数据集较为缺乏,建立了一个车辆检测数据集MVSEC-CAR。实验结果表明,在公开数据集PKU-DDD17-CAR上,所提算法的平均精度均值(mAP)比次优的ADF(Attention fusion Detection Framework)提高了2.6个百分点,且获得了较高的帧率,有效提升了车辆目标检测的准确性和对光照的鲁棒性,验证了所提出的事件表示、特征融合和先验框优化算法的有效性。

基于ResNet-MLP模型的车辆目标检测算法

为提高车辆目标检测精度,针对传统视觉传感器光照敏感性、空间感知性差等缺点,采用激光雷达传感器,提出一种基于ResNet-MLP二阶段模型的车辆目标检测算法。该算法对点云鸟瞰图的映射方式进行改进,使其保留点云高度特征,并通过改进后的ResNet进行点云特征的提取,最后使用并行多层感知机网络对车辆目标分类和位置回归。采用KITTI的3D Object数据集进行验证,通过与PointNet++和VoxelNet方法进行对比实验,结果发现,交并比(IOU)较高时3种方法的检测精度均有所下降,但相对于其他2种算法,本算法检测精度更高,运行速度更快,可为未来自动驾驶车辆的实时感知方面提供技术支撑。

基于YOLOv5的车辆目标检测算法轻量化改进

针对传统路端车辆目标检测算法参数多、检测速度较慢等问题,提出了基于YOLOv5的车辆目标检测算法轻量化改进。首先,选用轻量化EfficientnetV2卷积神经网络对原骨干网络进行重构,同时在网络中引入GAM注意力机制;其次,为平衡CIoU损失和IoU损失在损失函数中的权重,引入α-CIoU损失代替原有的CIoU损失;最后,使用soft-NMS算法替换原有的NMS非极大值抑制算法。结果表明:相比原算法,改进后算法的精度提升了2.51%,检测速度提升了8.6%,模型大小降低了31.7%;改进后的模型在提升检测速度的同时,还提高了路端车辆目标的检测性能。

基于计算机视觉的车辆目标检测算法研究

计算机视觉技术在车辆目标检测领域已有重要的应用。本文以计算机视觉技术为基础,深入研究和分析运动目标识别与追踪算法的性能。在此基础上,提出车辆目标检测算法,并通过实验验证算法的实用性和可行性。实验结果表明,车辆目标检测算法能够大幅提高检测精度,减少误报率和漏报率,同时具有良好的运行效果。这项算法具有较强的实用性和应用价值。

双注意力机制与双向特征加权融合的车辆目标检测

公路监控视频中的车辆检测场景复杂多样,存在干扰严重、目标尺寸小、尺寸变化大等情况。已有基于深度神经网络的目标检测模型效率不高,且存在不同程度的错检及漏检问题。文章提出了一种基于通道-空间双注意力机制与双向特征加权融合的车辆目标检测模型,它与YOLOv5网络相结合,不仅提高了目标检测精度,还在满足实时性的前提下有效减少了模型计算量和参数。实验结果表明,模型的平均检测精度mAP由YOLOv5m的85.1%提升至91.5%,而计算量和参数量分别为YOLOv5m的44.3%与53.6%,同时检测速度略有提升,实现了简单、快速的车辆目标检测。

基于改进YOLOv8的轻量型车辆目标检测算法

针对现有交通监控场景下车辆目标检测算法参数多、计算量大,难以在资源有限的设备中部署的问题,提出一种基于YOLOv8改进的轻量型车辆目标检测算法GSE-YOLO。结合Ghost卷积技术,设计出一种轻量型特征提取模块C2fGhostv2,在减少计算负担的同时保证良好的特征提取能力。在颈部网络,引入SA(shu ffl e attention)注意力机制,主动选择合适的特征图权重凸显重要特征信息,减少背景对车辆检测的干扰。引入新的损失函数EIOU,解决边界框的纵横比模糊问题,提高预测框精度。实验结果表明,在交通数据集UA-DETRAC上,GSE-YOLO在检测精度没有损失的情况下,相较于原始YOLOv8参数量降低36.11%,计算量降低29.21%,更适合在计算量有限的边缘设备上部署,具有实用价值。

基于改进YOLOv3的小尺度车辆目标检测算法

针对交通卡口车辆目标检测时,距离卡口相机相对较远的小目标车辆检测结果存在误检、漏检、精度低等问题,提出对原始YOLOv3目标检测模型的加强特征提取网络层进行增加的改进方法,并将YOLOv3原始损失函数进行优化,动态地调整不同尺度检测框的比重。在6组不同像素数据集上进行了模型择优对比实验,实验结果表明:特征提取层设定为5层的YOLOv3-5L模型,随着图像分辨率的提升,在收敛速度与小目标检测精度方面都取得了最优的效果,在2400×2400像素下,YOLOv3-5L模型的平均精确值达到了96.5%,比原始YOLOv3网络提升了2.0%。

基于双分支特征聚合网络的车辆检测算法

车辆目标检测是自动驾驶的重要环节,现有的车辆目标检测算法在特征提取方面没有充分考虑卷积神经网络(convolutional neural network,CNN)和Transformer各自的优缺点,一定程度上限制了网络的整体性能。提出了一种由CNN和Transformer组成的双分支特征聚合网络。在编码阶段,基于CNN和Transformer各自的优势,构建了双分支主干网络来提取原始图像的特征信息;通过设计的多级别空间注意力模块和双支路特征聚合模块,使两个分支间的特征信息相互引导学习;通过构建的双分支注意力模块来进一步减少深层神经网络中特征信息的丢失。在实验部分通过消融实验和对比实验进一步验证了所提算法的有效性,其相比主流的目标检测算法,在mAP(mean average precision)指标上提升了约3.5%。

基于麻雀搜索算法改进的YOLOv7-ECA-SSA模型的车辆检测

为解决复杂背景下小目标车辆检测存在的误检、漏检等现象,创新性提出一种改进YOLOv7网络的目标检测算法。首先,为解决小目标车辆存在次要信息干扰问题,将高效通道注意力(ECA)机制融于YOLOv7模型的主干网络特征层,通过自适应学习来增强目标区域信息权重占比,抑制无关信息;其次,为解决神经网络检测模型训练的超参数随机经验设定性问题,将麻雀搜索算法(SSA)对检测模型训练超参数进行优化,通过内外双循环迭代方式,快速收敛出全局最优学习率,进而得到最优组的权重信息,最终提高小目标车辆检测精度。实验结果表明,基于结构优化、超参数优化的YOLOv7-ECA-SSA检测模型在BDD100K数据集上的检测精度为79.01%,比原始模型提高了5.38%,具备更好的小目标车辆检测性能。

注意力机制的SAR图像车辆目标检测网络

在SAR图像车辆目标检测过程中,车辆轮廓定位不仅能够提供车辆位置信息,而且还能够为车辆状态分析提供依据,是SAR图像理解的关键步骤。但SAR图像中乘性斑点噪声会对轮廓定位造成干扰,增加车辆目标检测的难度。针对这一问题,提出了一种注意力机制的SAR图像像素级车辆目标检测网络。该网络由目标筛选、目标定位和轮廓细化三个模块构成。目标筛选在一个轻量级的特征提取网络中采用通道注意力和自注意力机制,在抑制噪声影响的同时对包含目标图像进行快速筛选,并提供稳定的定位热力图;目标定位利用掩码交叉注意力机制根据定位热力图优化粗尺度特征细化目标定位,并融入细尺度信息改善目标轮廓细节;轮廓细化通过轮廓点筛选消除上采样及噪声带来的轮廓不确定点获取准确的轮廓像素点置信度。对MSTAR数据集进行车辆像素级标注,建立SAR图像车辆数据集及大场景图像数据集用于网络测试。实验结果表明,该网络具有良好的像素级检测性能,可实现大场景SAR图像中车辆目标的快速精确检测。

基于改进GOFRO的多角度SAR图像车辆目标检测方法

针对城市场景中车辆目标分布状态随机,在检测过程中容易受到环境因素干扰等问题,提出一种将多角度合成孔径雷达(SAR)图像用于静止车辆目标提取的检测算法。在特征提取阶段,设计了一种适用于多角度图像上车辆目标的多尺度旋转不变的Gabor滤波器奇分量比例算子(MR-GOFRO)特征提取方法,对原有的GOFRO特征进行了滤波形式、特征尺度、特征方向、特征层次等4个方面的扩展,使其能够适应车辆目标在方向、尺度、形态等方面可能发生的变化。在图像融合阶段,设计了加权的非负矩阵分解(W-NMF)方法,根据特征质量调整来源于不同图像的特征权重,减少由于不同角度间相互干扰造成融合特征质量下降的现象。将该文所提出方法在不同的机载多角度图像数据集上进行验证,实验结果表明,该文提出的特征提取方法与同类方法相比,检测精度平均提升了3.69%;该文提出的特征融合方法与同类方法相比,检测精度提升了4.67%。

基于深度学习的车辆目标检测算法综述

近年来,随着人工智能技术的迅猛发展,许多车企和互联网企业都共同致力于研发智能化的自动驾驶系统。在自动驾驶技术中,车辆目标检测技术是至关重要的核心技术之一。目前,传统的目标检测算法无法满足实时检测的要求,因此在自动驾驶等实际应用场景中很难进行大规模应用。相比之下,基于深度学习的目标检测算法更适合此类场景,已经成为该领域的主流算法。本文首先回顾了传统目标检测算法,然后介绍了当前几种主流的两阶段车辆目标检测算法和单阶段车辆目标检测算法,分析了这几种算法的结构和优缺点,最后对未来车辆目标检测算法的研究方向进行了展望。

基于深度学习方法的复杂场景下车辆目标检测

针对实际交通场景下的车辆目标,应用深度学习目标分类算法中具有代表性的Faster R-CNN框架,结合Image Net中的车辆数据集,把场景中的目标检测问题转换为目标的二分类问题,进行车辆目标的检测识别。相比传统机器学习目标检测算法,基于深度学习的目标检测算法在检测准确度和执行效率上优势明显。通过本实验结果分析表明,该方法在识别精度以及速度上均取得了显著的提高。

基于区域的GLRT车辆目标检测方法

基于合成孔径雷达(Synthetic aperture radar,SAR)图像的地面车辆目标自动检测是一项重要的SAR军事应用研究。提出一种基于区域的广义似然比法(Generalized likelihood ratio test,GLRT)的目标检测方法,该方法将GLRT目标检测理论与图像分割技术相结合。首先利用普通图像常用的分割聚类方法从SAR图像场景中粗略地分离出陆地杂波区域和目标潜在区域。然后根据分割结果,分别对两区域数据建立合理的统计模型。最后在背景和目标统计特性都已知的情况下,采用GLRT目标检测方法对目标潜在区域的像素点进行逐一检测,获得更为精确的检测结果。对实际SAR数据处理的结果表明,该方法能有效地从陆地场景中检测出地面车辆目标,且具备一定的精确性和快速性。

基于多尺度融合方法的无人机对地车辆目标检测算法研究

由于飞行高度等原因,无人机图像在实际使用中目标尺寸普遍较小、特征信息不明显,使用现有的算法对其进行目标检测存在困难。因此,提出了基于多尺度融合的图像多目标检测方法,使用Faster R-CNN为基础框架,将不同层次的特征信息进行融合,再结合上下文信息,实现了对无人机图像小目标检测。使用Vis Drone2019数据集对地面车辆进行目标检查,实验证明:无人机对地面车辆目标的检测达到了较好的结果,所使用算法的精度达到88%,与其它算法相比提升了3.8%以上。

基于机器学习的毫米波雷达车辆目标检测

为了提高毫米波雷达对前方车辆检测的准确性,本文提出一种基于机器学习的前方车辆检测方法。结果表明,该方法满足智能客车环境感知系统对于实时性和准确性的要求。