基于深度学习的多目标车辆检测研究.pdf

中文摘要 摘 要 车辆检测是传统目标检测的一个实际应用领域，在监控、无人驾驶和智能交 通等领域拥有广泛的应用前景。传统的车辆检测算法受限于提取特征的类型少， 易受环境外部因素影响，对人工依赖性大，使得算法的泛化能力差、检测效率低。 基于深度学习的车辆检测算法，由于具备自学习的能力，能够通过大量数据集学 习到更多的特征信息，具备有更好的检测性能，采用深度学习算法来进行车辆检 测的研究具有重要意义。由于 YOLOv2 算法相较于其它深度车辆检测模型具有较 好的实时性，所以，本文以YOLOv2 作为研究切入点。本文主要研究内容如下： ①针对复杂恶劣的环境，本文使用 Retinex 算法对图像进行增强，然后使用 中值滤波对增强后的图像进行去噪，提高模型在恶劣环境下的检测效果。为了提 高模型的检测效率，本文增加了对模糊图像的判别模块，如果图像是模糊的，就 对输入图像进行增强操作，否则直接输入到模型中检测。 ②虽然 YOLOv2 具有良好的实时性，但是 YOLOv2 在车辆检测的场景下依 然存在的两个问题：(1)YOLOv2 模型有些重复的卷积层，对类别相似性较高的车 辆检测并不是很有效，还会增加计算量；(2)随着卷积层数的增加和池化操作，会 导致模型提取的一些小目标特征在网络模型中丢失，降低了检测精度。本文提出 了对YOLOv2 改进的模型YOLO-DV ，该模型减少了YOLOv2 的计算参数，通过 将网络浅层的特征与深层的特征进行拼接，实现多层特征之间的融合，提高对小 目标难检测样本的检测效果。在 Pascal VOC2007/2012 的车辆数据集中，YOLO- DV 模型将mAP 相比YOLOv2 提高了1.3% ，召回率和精确率提高了0.6% 。 ③YOLOv2 网络在训练的过程中，大部分训练的样本都是易分类的负样本， 小部分是难分类的样本，导致易分类的负样本对 YOLOv2 的损失贡献太大。 FocalLoss 损失函数能够弱化易分类的样本对损失的贡献，从而提高难分样本对损 失的影响。本文使用 FocalLoss 损失函数对 YOLOv2 的类别损失函数进行改进。 使用这种改进的损失函数可以提高模型在密集难检测场景的检测精度。使用改进 损失函数的YOLOv2 和YOLO-DV 都在召回率和mAP 都有所提升。 ④为了进一步验证 YOLO-DV 在车辆检测的有效性，本文分别在通畅、一般 通畅和阻塞三种路况场景下对YOLOv2 与YOLO-DV 的检测效果进行了测试和对 比。其中在一般通畅场景下，YOLO-DV 模型将精确率提高了 2% ，mAP 提高了 1.7% 。 关键词：YOLOv2 ；车辆检测；特征拼接；多层特征融合 I 英文摘要 Abstract Vehicle detection is a practical application field for traditional target detection and has broad application prospects in the fields of surveillance, driverless and intelligent transportation. The traditional vehicle detection algorithm is limited by the types of extracted features, is susceptible to external factors of the environment, and has a large dependence on artificial, which makes the generalization ability of the algorithm poor and the de