作者：李珣; 刘瑶; 李鹏飞; 张蕾; 赵征凡交通信息工程深度学习多目标检测darknet框架yolov2算法网络模型
摘要：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YOLO-vocRV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。
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
