基于改进YOLOv3-SPP算法的道路车辆检测

针对在城市道路场景下视觉检测车辆时,车辆密集和远处车辆呈现小尺度,导致出现检测精度低或者漏检的问题,提出了一种基于改进的YOLOv3-SPP算法,对激活函数进行优化,以DIOU-NMS Loss作为边界框损失函数,增强网络的表达能力。为提高所提算法对小目标和遮挡目标的特征提取能力,引入空洞卷积模块,增大目标的感受野。实验结果表明,所提算法在检测车辆目标时m AP提高了1.79%,也有效减少了在检测紧密车辆目标时出现的漏检现象。

基于自适应融合的实时车辆检测

针对传统的车辆检测技术检测速度慢和精度低的问题,提出了一种融合注意力的自适应金字塔网络的交通目标检测算法(fusion attentiont adaptive pyramid network,FAAP-Net),可以显著降低交通事故的发生率。为了降低计算复杂度,设计了一种轻量级的互补池化结构(CPS),该结构在宽度和高度上采用了两组不同的池化组合,在保持高精度的同时,显著降低了网络的浮点运算数(GFLOPs)和参数量。为了解决智能交通系统特征图生成过程中的信息损失问题,通过将自适应注意力模块(AAM)和特征增强模块(FEM)引入自适应融合特征金字塔网络(AF-FPN),以融入车辆检测的形状特征。针对车辆细节特征表征弱的问题,引入了一种按通道维度分组的注意力(SA)机制,以增强主干网络对不同车辆检测细节特征的关注,有效提取车辆细节的显著特征。在BDD100K数据集上的实验结果表明,FAAP-Net算法相比于传统算法,平均精度从30.3%提升到43.7%。

一种融合注意力机制与边缘计算的遥感影像车辆检测算法

针对遥感影像目标检测任务中存在的背景复杂、小目标检测困难、大尺寸影像导致的检测效率低等问题,提出了一种融合注意力机制与边缘计算的遥感影像车辆检测算法。首先在YOLOv5的主干网络中引入多维协作注意机制(Multidimensional Collaborative Attention,MCA),然后提出多分支卷积模块替换特征融合网络中的CBL模块,最后将训练的网络权重部署到Atlas 200开发者套件(Developer Kit,DK)边缘计算设备。在UCAS-AOD数据集上进行模型验证与对比,实验结果表明,该网络模型在复杂环境下对车辆的检测精度达到94.9%,较YOLOv5提升8.2%;网络部署到边缘设备后速度较GPU设备提升258%。同时,该方法也可以扩展应用到其他遥感影像目标检测任务中,为相关领域提供了一种高效、准确的检测方法。

城市道路场景下的被遮挡车辆检测算法研究

为了提高智能汽车在城市道路场景下对前方被遮挡车辆的检测精度,提出了一种双尺度点云密度扩展网络BPDE-Net,来解决因存在车辆被遮挡而导致的目标点云稀疏问题。第一阶段,将原始点云投影到语义分割后的图像标签上,并在遮挡区域内随机生成固定数目的虚拟点,采用混合插值法来关联虚拟点和实际投影点,得到的虚拟点再反向映射到点云空间;第二阶段,使用马氏距离来关联相邻体素间的点云,以此增加每个体素内的相似点云数量,通过改进注意力高斯矩阵来计算体素特征所对应的相对位置编码,用于关注通道内不同体素序列的相对位置。在KITTI数据集中选取了大量的车辆之间存在遮挡的城市道路场景进行对比试验,结果表明:BPDE-Net在3D视角和鸟瞰图视角下的被遮挡车辆平均检测精度(mAP)分别为79.2%和83.7%,相较于基线网络Second分别提高了11.2%和12.5%;点云密度增强模块和体素特征融合模块的mAP相较于目前主流的方法分别提高了3.9%与1.8%,提升了车辆在被遮挡场景下的可辨识度与鲁棒性。

双向多尺度特征融合的高效遥感图像车辆检测

针对遥感图像中车辆检测面临的背景复杂、多尺度差异和小目标难以检测等挑战,提出了一种基于双向多尺度特征融合的检测方法GEM_YOLO。该方法包括三个主要部分:设计了全局高效注意力模块作为特征提取器,实现轻量化和高效率的特征提取,以解决复杂背景下的目标检测问题;提出了双向多尺度特征融合网络作为特征融合器,采用自顶向下和自底向上的特征融合策略,有效促进不同层次特征之间的信息交互;应用基于注意力的动态检测头作为预测器,增强了对不同尺度、空间位置和任务的感知,进一步提升了目标检测的精度和鲁棒性。在公开数据集DIOR和DOTA上进行相关实验,该方法的平均精度均值达到92.4%和81.4%,显著优于其他主流检测方法,同时具有更少的参数量和计算量,为遥感图像检测领域中的车辆检测提供了一种高效解决方案。

基于特征融合的复杂道路车辆检测

在车辆检测过程中,由于复杂背景影响较大、远场景车辆目标及遮挡目标特征难以提取,导致出现错检、漏检现象。因此,提出一种基于YOLOv5所改进的复杂背景下的车辆检测算法YOLOv5-BA。通过引入加权双向特征金字塔网络(BiFPN)特征融合思想,并在检测部分引入自适应特征融合模块ASFF来提高检测性能。实验结果表明,改进算法在KITTI数据集上检测精度达到了98%,检测速度FPS达到了42,检测精度高于目前主流的目标检测算法。在满足实时性检测要求的前提下,在复杂背景、远场景以及遮挡情况下,YOLOv5-BA具有更优异的表现。

可变形特征融合的无人驾驶系统三维车辆检测

针对无人驾驶系统环境感知中的车辆检测精度低的问题,提出一种基于可变形特征融合的三维车辆检测算法。首先,通过路面实况增强算法,提高收敛速度和性能;去除地面点云,减少无关点云的干扰。接着,构造可变形特征融合模块,自适应对齐不同模态数据之间的姿态和位置信息,提升多模态数据的利用效率;优化损失函数,添加对抗损失判断车辆运动的真实性,提高网络对小目标的检测精度。最后,通过训练得到网络模型的最佳权重,使用KITTI数据集进行测试,能达到较好的车辆识别效果。实验结果表明:其平均精度值为83.26%,平均检测时间为0.15 s。该算法能够快速、准确地在无人驾驶系统中对车辆进行识别。

GB/T 43229-2023《交通信号控制机与车辆检测器间通信协议》标准解读

交通信号控制机与车辆检测器间通信是连接城市交通控制核心与感知核心的纽带,包含交通流信息、通行状态信息、车辆身份信息、异常事件信息等,这些信息的交互能有效提升城市交通控制智能化水平,推进城市交通感控一体化。本文根据实际的应用实践,从国家标准《交通信号控制机与车辆检测器间通信协议》的编制背景、编制原则、主要规范内容等方面对交通信号控制机与车辆检测器间通信协议进行解读,针对检测数据信息进行标准应用解析,明确检测器直连模式,统一感知数据上报结构,引导标准应用规范。

基于YOLOv5s改进的无人机航拍图像车辆检测模型

针对无人机航拍图像车辆检测任务中存在车辆遮挡严重、小尺度目标多、背景信息复杂、误检漏检情况严重等问题,提出一种基于YOLOv5改进的车辆目标检测模型。首先,增加一个小目标特征检测层,增强对浅层特征图中有效位置特征信息的复提取,从而缓解因深层卷积导致密集小目标特征信息的缺失问题。其次,在Neck中使用GSConv卷积和VOVGSCSP模块,对模型进行轻量化同时提高检测精度。再次,使用Mish作为全局激活函数,提高特征信息在深层网络中的传播和表达能力。然后,为了模型对检测目标的定位精度,使用EIoU作为回归框定位损失。最后,在Backbone中引入Transformer模块,增强模型感受野,提高对关键点信息的提取能力,增强模型抗干扰能力。实验结果表明,最终改进模型的平均检测精度(mAP)达到了83.8%,比原始YOLOv5s模型提高了5.5%,对小目标检测精度明显得到提升。

基于改进YOLOv8的交通监控车辆检测算法

针对目前复杂交通监控场景下车辆检测精度不足、检测速度慢的问题,提出一种基于YOLOv8模型的轻量级车辆检测算法。采用FasterNet替换YOLOv8的骨干特征提取网络,减少了冗余计算和内存访问,提高了模型的检测精度和推理速度;在Backbone和Neck部分添加SimAM注意力模块,在不增加原始网络参数的同时增强了目标车辆的重要特征,提高了模型的特征融合能力;针对密集车流下小尺寸车辆检测效果不佳的问题,添加小目标检测头,更好地捕获小尺寸车辆的特征和上下文信息;使用可自适应调整权重系数的Wise-IoU作为改进模型的损失函数,提升了边界框的回归性能和检测的鲁棒性。在UA-DETRAC数据集的实验结果表明,相较于原模型,改进方法在交通监控系统中能够达到较好的检测精度和速度,mAP和FPS分别提高了3.06个百分点和3.36%,有效改善了复杂交通场景下小目标车辆检测效果不佳的问题,并在精度和速度之间取得了很好的平衡。

基于改进YOLOv5的车辆检测方法研究

基于YOLOv5s对交通道路上前方车辆的检测进行了研究,为提高车辆检测精度,对原YOLOv5s网络模型进行了改进。首先,将Mish激活函数应用于YOLOv5s模型之中代替原有的ReLU函数,使用更平滑的Mish激活函数有效避免梯度消失的问题。其次,采用BiFPN作为特征金字塔,增加了特征传递的信息通道,提升模型的感知能力和上下文信息的关联能力。最后,引入EIoU作为损失函数的一部分,准确地表示预测框和真实框之间的位置关系,间接地使收敛速度提升。在D2⁃City数据集上的实验表明,改进后的YOLOv5s平均精度mAP0.5为84.2%,比原始YOLOv5s算法提升了2个百分点。

基于改进YOLOv5车辆检测方法

针对现有目标检测在智能交通系统和自动驾驶等领域存在车辆目标检测精度低、鲁棒性较差等问题,提出一种基于YOLOv5的车辆目标检测算法。在YOLOv5s网络模型框架中,添加注意力机制增强特征,提取重要特征;添加小目标检测层提升对遮挡重叠弱小目标识别的准确率;引入金字塔池化(SPPFCSPC),提高网络空间特征提取能力;引入损失函数(SIoU_Loss)加快边界框回归速率,提高定位精度,消除重叠检测。基于自制车辆检测数据集进行实验,其结果表明,改进网络模型与原YOLOv5s网络模型相比,不同目标类的平均准确率均有明显提高,平均准确率均值提升3.25%,查准率提高4.14%,召回率提高3.05%,检测速度满足实时性要求。

复杂道路监控场景下的车辆检测与跟踪数据集

针对现有大部分车辆检测与跟踪数据集通常存在的采集场景单一、数据集长尾分布以及图像采集环境简单等问题,本文构建一个车辆数据集VeDT-MSS,用于城市以及乡村监控场景下4种车辆类别(小汽车、卡车、公交车和摩托车)的检测以及跟踪研究。该数据集具有交通场景多样化、卡车的类内多样性大、摩托车标注实例占比高以及背景复杂程度高4个显著特性。为了验证该数据集的有效性,在目标检测以及多目标跟踪任务上进行了大量的基线实验。实验结果表明,VeDT-MSS数据集在评估现有算法的鲁棒性和泛化性方面具有实用性。该数据集的提出对促进车辆检测与跟踪研究具有相当的潜力,并为计算机视觉社区评估算法性能提供一个新的数据选择。

优化改进YOLOv8实现实时无人机车辆检测的算法

针对现有无人机车辆检测算法精度低、易受背景环境干扰、难以检测微小目标车辆问题,提出了一种改进YOLOv8的无人机车辆检测算法YOLOv8-CX。结合Deformable Convolutional Networks v1-3的优点,提出一种能够灵活采样特征的C2f-DCN模块,以更好地提取不同尺寸大小车辆之间的特征。利用Large Separable Kernel Attention的思想,提出了具有长程依赖性和自适应能力的SPPF-LSKA模块,可以有效减少背景对于车辆检测的干扰。在颈部网络,采用CF-FPN(ment network for tiny object deteciton)特征融合结构,通过结合上下文信息和抑制不同尺度特征之间的冲突信息,提升了对小目标的检测精度。最后,将原始YOLOv8的头部替换为Dynamic Head检测头。通过将尺度、空间和任务三种注意力机制结合统一,进一步提升了模型的检测性能。实验结果表明,在Mapsai数据集上,改进算法与原算法相比准确率(P)、召回率(R)、平均精度(mAP)分别提升了8.5、11.2和6.2个百分点,且算法检测速度达到72.6 FPS,满足无人机车辆检测实时性的要求。通过与其他主流目标检测算法比较,验证了该方法的有效性和卓越性。

改进YOLOv5s的黑烟车辆检测算法研究

针对当前视觉黑烟车辆检测精度低、小目标难以检测的问题,提出改进YOLOv5s的黑烟车辆检测算法。首先,基于公开网络数据和真实道路拍摄图像构建黑烟车辆数据集,解决数据集受限问题。其次,改进网络模型,添加预测层,提高模型对小目标的检测性能,引入坐标注意力(Coordinate Attention, CA),增强模型的特征提取能力,进一步提高检测精度。最后,改进边界框回归损失函数为GIoU,提高边界框定位精度。实验结果表明,该改进模型能够有效地检测远距离小目标,改善漏报和虚警等问题。与原始YOLOv5s模型相比,该改进模型平均检测精度(mAP)提高3.1%,黑烟类别检测精度(AP)提高4.9%,在小目标场景中表现出较强的泛化能力。

基于改进YOLOx的弱光照环境车辆检测方法

在公路隧道等弱光照环境下,采集的车辆图像受外界因素影响较大,导致车辆检测精度低。针对此问题,提出了一种改进YOLOx算法的弱光照环境车辆实时检测方法。首先,基于引导滤波和区域能量特性融合准则对采集的车辆图像进行增强,解决图像中光照不均、目标轮廓信息模糊等问题。其次,基于Swin-Transformer网络结构,构建了改进YOLOx的车辆检测算法的主干网络,利用Transformer的全局建模能力对图像中的关键语义信息进行编码,强化网络细节特征的提取能力。同时,在颈部网络引入递归门控卷积替换空洞卷积,提高网络高层语义建模能力。最后,引入卷积注意力机制,加强网络对于低照度图像关键特征的提取与融合。在所构建的隧道车辆检测数据集UA-DETTUN上进行实验验证,结果表明,所提出方法的平均检测精度达到96.1%,相比于改进前的YOLOx算法提升了6.5%,同时网络的检测速度满足实时检测的要求,在车辆检测方面具有较高的应用价值。

基于改进YOLOv5s的轻量级车辆检测系统

基于深度学习的车辆检测在智慧交通中起着重要作用,现有模型结构复杂、计算量大,难以布置在嵌入式系统的边缘设备。本文提出一种基于YOLOv5s的轻量级车辆检测算法,通过GhostNet和剪枝优化策略对YOLOv5s进行了改进,实现系统的轻量化和检测的实时性;损失函数Focal-EIoU Loss的引入解决了样本不平衡和纵横比模糊定义问题,从而提高目标检测的性能。在UA-DETRAC数据集上的实验结果表明,所提算法与原YOLOv5s算法相比参数量、模型体积和浮点运算次数分别减少了63%、50.6%和64.7%,检测速度提升了50%,同时保持了较高精度、召回率,为空间、能源、资源有限的边缘检测设备提供了一种实时性算法选择。

不同光照下多模态注意力融合的车辆检测

针对现有基于单模态车辆检测算法受光照变换所导致的性能下降问题,提出了一种红外和可见光融合的多模态检测方法YOLO-MMF。该方法构建高效的双流特征提取网络,分别提取可见光图像和红外图像的特征,用DenseBlock结构代替了YOLOv5中浅层CSP模块中的瓶颈层,加强对小目标的特征提取能力;采用特征级融合机制,利用离散余弦变换获取高频信息,改善因平均池化使细节信息丢失的现象,并与自注意力机制相结合,使网络可以自发捕捉模态间潜在的互补性,从而显著提高车辆检测的性能。在DroneVehicle数据集上的实验结果证实了该方法的有效性,相比单一模态检测方式,平均检测精度分别提升了14.4个百分点和10.8个百分点,该方法在面对光照变换等复杂情况时具有较好的鲁棒性。

基于改进YOLOv4的多目标车辆检测算法

针对现有检测方法存在小目标车辆漏检率高以及夜间车辆误检率高的问题,提出一种基于改进YOLOv4的多目标检测算法。引入深度可分离卷积代替标准卷积,减少模型的参数量与计算量。在保留YOLOv4输出层的同时,增加一层网格为104×104的输出层,提升算法对小目标车辆的检测性能。在Head部分引入Inceptionv3结构,采用K-means++聚类算法重新确定锚框,进一步提高算法对小目标车辆的检测性能。实验结果表明,算法相比改进前,在不降低检测速度的同时,其mAP增加2.44%,模型大小减少1/3,具有良好的鲁棒性。

改进FCOS算法的车辆检测方法研究

针对目前车辆检测的误差率高、检测速度慢等问题,提出一种基于改进全卷积单阶段(Fully Convolutional One-Stage Object Detection,FCOS)的车辆检测算法。通过引入一种考虑多个几何特征的交并比损失函数,改善了训练过程中高长宽比车辆、并行车辆难以准确回归的现象;使用多尺度卷积结合多维特征信息,增强了算法对不同尺度检测的鲁棒性;根据车辆检测场景改进了回归尺度,提高模型的推理准确度。实验结果表明,该方法在车辆检测任务中能够明显提升检测精度并保持检测速度不下降。