基于改进YOLOv5s的车脸检测算法

针对车检站中车辆检测的实际需求,提出一种改进YOLOv5s的轻量级车脸检测算法。使用ShuffleNetV2网络作为Backbone,在保证模型检测精度的同时实现模型的轻量化与实时性;将通道-空间注意力(SA-Net)与跨通道注意力(Triplet)相结合,提出一种跨通道-空间注意力模块(SA-Triplet attention, STA),提高模型的检测精度;提出一种基于STA注意力模块的跨层特征融合模块(SA-Triplet attention feature fusion, STA-FF),进一步提高模型的检测精度。在自建车脸检测数据集Car-Data上进行实验,所提模型的平均检测精度达到了94.3%,检测速度达到了105.60 FPS,模型参数量为12.36 M。

基于改进YOLOv5m的轻量化车脸检测方法

为解决车检站车辆检测中需要对车辆前照灯快速准确定位,同时防止车辆代检的问题,建立了一个车脸检测数据集Car-Data。针对车检站场景中车辆检测问题,提出了一种基于YOLOv5m的轻量化车脸检测方法。首先,将原网络的卷积块替换为改进型跨阶段深度可分离卷积块,以减少网络整体的参数量和计算量。其次,提出增强感受野的空间金字塔扩张卷积模块代替YOLOv5m的主干提取网络中的空间金字塔池化模块,从而提升网络的目标检测精度。最后,在颈部特征增强网络中修改上采样方法,并提出上下层特征融合模块,以减少特征信息的损失。在Car-Data数据集上进行的实验结果表明,改进后的算法相较于原YOLOv5m模型大小减少了48%,每秒检测帧数提高了约10帧,且平均检测精度仍提升了2.02%。因此该改进算法可以满足车检站车辆检测场景中车脸检测的需求。

基于Haar-like和AdaBoost的车脸检测

文中为降低计算的复杂度,提高车型识别的效率,从整幅车辆图像中检测出车辆的车脸部分,用车脸图像对车型进行识别。采用能够快速计算的Haar-like特征,根据Haar-like特征的分布情况对其进行归一化处理,利用归一化处理后的特征构建多个弱分类器,再利用AdaBoost算法把选出的弱分类器级联为强分类器,最后用强分类器对车辆图像的车脸部分进行检测定位。实验结果表明,在100幅不同车辆图像测试样本中,车脸部分的平均检测率为79%,平均识别时间为184.98 ms。

车脸识别的停车场收费系统设计与实现

本文提出使用车脸识别技术对车辆身份进行识别,从而解决目前停车场收费对无牌车无法扣费和套牌车逃费的问题。该系统利用车脸识别与移动支付技术,更好地实现停车场的无人值守,并且进行大量测试,满足中小型停车场的使用。