基于darknet框架高空视角下车辆的细分类

相比传统基于交通路口斜视角度视角的局限性,高空视角下的车辆类型识别与分类在实际应用中有明显的优势。通过无人机在高空视角下拍摄数据图片视频,并利用摄像机在平视角度拍摄同一场景下的目标车辆以判断目标车辆的类型。通过旋转、明暗度变化以及增加噪声的数据预处理方法对这些数据进行扩充,得到包括23个车辆类型、2万多张图片的数据集。在基于深度学习的darknet框架下,采用darknet53、ResNet101以及DenseNet201等分类网络对整理的数据进行训练和测试。实验结果表明,大部分车辆类型分类精度达到了90%以上。为车辆重识别技术的进一步研究和发展提供了支撑。

基于Darknet框架下YOLO v2算法的车辆多目标检测方法

针对道路车辆目标检测传统方法需随场景变化提取不同特征,检测率较低与鲁棒性差的问题,提出了一种基于Darknet框架下YOLO v2算法的车辆多目标检测方法;根据目标路段场景与车流量的变化对YOLO-voc网络模型进行改进,基于ImageNet数据集和微调技术获得分类训练网络模型,对训练结果和车辆目标特征进行分析后进一步调整改进的算法参数,最终获得更适合于道路车辆检测的YOLO-vocRV网络模型下车辆多目标检测方法;为验证检测方法的有效性和完备性,采用不同车流密度进行了车辆多目标检测试验,并与经典YOLO-voc、YOLO9000模型进行了对比;采用改进YOLO-vocRV网络模型,选取20 000次迭代,分析了多目标检测结果。试验结果表明:在阻塞流样本条件下,YOLO9000网络模型检测率为93.71%,YOLO-voc网络模型检测率为94.48%,改进YOLO-vocRV网络模型检测率达到了96.95%,因此,改进网络模型YOLOvocRV检测率较高;YOLO-vocRV模型精确度和召回率均聚集在0.95,因此,在获得较好精确度的条件下损失的召回率明显较小,达到了很好的折中;采用混合样本训练后,基于YOLO-vocRV模型的车辆多目标检测方法的检测率在自由流状态下可达99.11%,同步流状态下可达97.62%,阻塞流状态下可达到97.14%,具有较小的误检率和良好的鲁棒性。

基于改进的YOLO v3车辆检测方法

为了有效地解决传统车辆检测算法中存在的泛化能力差、识别率不高的问题,提出了一种基于改进YOLO v3的车辆检测算法。改进的车辆算法对原YOLO v3中的模型进行剪枝处理,采用Darknet-53网络结构提取特征,同时结合回归损失函数GIOU算法对检测精度进行提高。在运用K-means++聚类分析算法处理数据基础上,运用所提出的改进YOLO v3算法,基于COCO数据集进行了网络的训练、测试和验证。试验结果表明,改进后的YOLO v3算法在车辆检测上的泛化能力得到提升,并兼具速度优势。