基于改进YOLOv5算法的道路交通参与者实时检测方法

从道路监控图像中快速准确地检测交通参与者对于智能交通系统监管道路目标具有重要意义。为解决传统YOLOv5目标检测算法对多种交通参与者目标检测精度低、重叠目标漏检等问题,研究了基于改进YOLOv5算法的道路交通参与者实时检测方法。为增强浅层网络提取图像特征信息能力,采用融合移动翻转瓶颈卷积(FusedMBC)代替原卷积结构,并通过自注意力机制学习交通参与者的纹理特征;为加强主干网络感知图像空间特征信息的能力,引入坐标注意力机制(CA),使主干网络更加关注图像中交通参与者的语义特征;为使普通卷积拥有感知构造能力,以增强激活空间的灵敏度,采用漏斗激活函数(FReLU)作为卷积层的激活函数,并能够使特征向量进行像素级建模;为增强网络对密集目标的空间特征信息提取能力,在特征融合网络中加入坐标注意力机制,通过注意力捕捉密集目标融合后的空间与通道特征信息,让网络精确定位各个目标。通过对车路协同自动驾驶数据集DAIR-V2X的交通参与者图像进行数据增强预处理,构建用于验证模型性能的测试集2000张并进行了算法验证。实验结果表明:①改进后的YOLOv5算法平均检测精度达到82.4%,平均召回率达到95%,平均检测速度达到204帧/s。②相比于原始YOLOv5,其在平均检测精度和平均检测速度分别提高了5.8%和33.3%,证实提出的方法能够实现快速准确地检测交通参与者,有助于提升智能交通系统监管交通参与者的能力。

基于改进PPO算法的自动驾驶技术研究

针对强化学习在解决端到端自动驾驶行为决策问题时面临采样效率低、环境适应性差、决策效果不佳的问题,提出循环近端策略优化算法(RPPO),采用LSTM与移动翻转瓶颈卷积模块构建策略网络与价值网络,有效整合前后帧的关联信息,实现智能体对多变情况的预测,提高智能体对环境的快速认知能力,并在价值网络添加L2正则化层,进一步提高算法的泛化能力,最后手动设置智能体在2个连续帧中保持动作不变,引入先验知识约束搜索空间,加快算法收敛。通过CARLA开源模拟环境测试,该改进方法与传统方法相比,奖励曲线明显占优,且直行、转弯、指定路线行驶3类任务的成功率分别提高了10%、16%、30%,证明提出的方法更有效。

改进YOLOv4-tiny模型的交通图像目标检测

道路交通中的实时智能安全监控系统拥有着海量图像数据源。数据源中具有不同路况、不同天气、多类别车型和多种分辨率的道路交通图像数据。针对该类图像,本文提出了一种基于YOLOv4-tiny的轻量级目标检测模型,以快速捕捉目标车辆的行驶信息。首先,采用移动翻转瓶颈卷积对骨干结构进行优化,有助于实现更好的内存效率;其次,在模型的颈部网络中使用改进的空间金字塔池化结构,将多尺度的局部特征连接在同一卷积层中,从而增加局部区域特征图的接受域;最后,在网络中添加一个尺度层,将顶层的特征图合并,获得细粒度的特征,提高了检测精度,特别是对小目标的检测。实验结果表明,与以往模型相比,该模型结构具有较高的精确度,需要的存储空间最小,能够高效检测并提取空间内的目标信息,实现智能监控。