论文部分内容阅读
随着城市交通拥堵问题的不断加剧,针对道路车辆目标检测中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框架的车辆多目标检测与识别方法。在YOLO v2算法基础上,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对改进的算法参数进行调整,最终获得更适合于道路车辆检测与识别的YOLO-vocRV网络模型下车辆多目标检测与识别方法。为验证该方法的有效性和完备性,采用不同模型不同数据集进行了大量实验分析。研究内容主要包括:(1)采用一种基于Darknet框架下YOLO9000算法的车辆多目标检测方法。该方法在YOLO9000算法基础下,根据训练结果和车辆目标特征对YOLO9000网络模型进行改进,并对模型参数进行调整,获得更为适合于当前道路视频车辆检测的YOLO9000-md网络模型下车辆多目标检测方法。对视频车辆进行了检测实验,实验结果表明:改进模型YOLO9000-md的车辆多目标检测方法召回率达到96.15%,具有一定的有效性。(2)提出一种基于Darknet深度学习框架下YOLO v2算法模型改进的车辆多目标检测方法。采用不同车流密度的数据集对不同车流状态道路进行了车辆多目标检测实验,与经典YOLO-voc、YOLO9000模型和YOLO v3模型进行了对比。实验结果表明: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,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。(3)对改进模型YOLO-vocRV进行车型检测识别研究。采用Softmax分类器,验证了改进模型的有效性,得到迭代60000次的车型检测分类模型;并与典型模型YOLO9000和YOLO-voc进行验证集检测的对比实验。实验结果表明:改进模型对不同车型的检测均能获得更好的mAP值,不同车型平均mAP值可达88.24%;采用增加数据样本训练后,改进模型在检测单目标和多目标时的平均准确率分别为92.21%和89.44%,检测效果良好,具有普适性。图43幅,表9个,参考文献58篇。