一种改进YOLOv3-Tiny的行车检测算法

doi:10.3969/j.issn.1006-2475.2020.03.021

计算机与现代化

一种改进YOLOv3-Tiny的行车检测算法

（1.南京航空航天大学电子信息工程学院，江苏南京210016；2.南京航空航天大学无人机研究院，江苏南京210016）

收稿日期:2019-04-24 出版日期:2020-03-24 发布日期:2020-03-30
作者简介:刘力冉(1995-),女,安徽滁州人,硕士研究生,研究方向:无人机测控,图像处理,目标检测,E-mail: 56415618@qq.com。
基金资助:
国家重点研发计划资助项目（2017YFC0822404）

An Improved YOLOv3-Tiny Traffic Detection Algorithm

(1. College of Electronic and Information Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China;
2. UAV Research Institute, Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China)

Received:2019-04-24 Online:2020-03-24 Published:2020-03-30

摘要/Abstract

摘要： YOLO系列算法的简化版本YOLOv3-Tiny具有较为简单的网络框架，对GPU显存要求较低，该算法虽然实时性较高，却存在精度较低的问题，在识别行车目标方面不能得到精确的结果。对此,本文首先改变输入图片的大小，目的是获取图片更多的横向信息，使得网络更容易学习行车的信息，其次改进算法的网络结构提高算法的精度，最终得出改进的YOLOv3-Tiny算法。实验结果表明，改进之后的算法在保证实时性的情况下，提高了精确性。

关键词: 深度学习, 行车检测, YOLOv3-Tiny, 聚类

Abstract: The simplified version YOLOv3-Tiny of YOLO series algorithm has a relatively simple network framework and low requirement for GPU display and memory. Although the algorithm has high real-time performance but accuracy is low, it can not get accurate results in identifying driving targets. This paper first changes the size of the input pictures in order to obtain more lateral information of the pictures so that the network can easily learn the driving information. Secondly, the network structure of the algorithm is improved so as to improve the accuracy of the algorithm. Finally, the improved YOLOv3-Tiny algorithm is obtained. The experimental results show that the improved algorithm improves the accuracy while guaranteeing real-time performance.

Key words: deep learning, vehicle detection, YOLOv3-Tiny, clustering

中图分类号:

TP391

刘力冉1，曹杰2，杨磊1，仇男豪1. 一种改进YOLOv3-Tiny的行车检测算法[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2020.03.021.

LIU Li-ran 1, CAO Jie2, YANG Lei1, QIU Nan-hao1. An Improved YOLOv3-Tiny Traffic Detection Algorithm[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2020.03.021.

参考文献

［1］王洛飞. 无人机低空摄影测量在城市测绘保障中的应用前景［J］. 测绘与空间地理信息, 2014,37(2): 217-219.
［2］胡传迅. 人工智能在计算机网络技术中的应用探究［J］. 安徽电子信息职业技术学院学报, 2018,17(3): 42-45.
［3］韩凯，张红英，王远，等. 一种基于 Faster R-CNN 的车辆检测算法［J］. 西南科技大学学报(自然科学版), 2017,32(4): 65-70.
［4］张晶晶,吴蕊珠,张伟康,等. 基于深度学习的智能驾驶目标追踪算法综述［C］// 中国计算机用户协会网络应用分会2017年第二十一届网络新技术与应用年会论文集, 2017.
［5］ ACHARYA U R, OH S L, HAGIWARA Y, et al. Deep convolutional neural network for the automated detection and diagnosis of seizure using EEG signals［J］. Computers in Biology and Medicine, 2018,100: 270-278.
［6］ FOMIN I S, BAKHSHIEV A V, GROMOSHINSKII D A. Study of using deep learning nets for mark detection in space docking control images［J］. Procedia Computer Science, 2017,103:59-66.
［7］ RAO J M, QIAO Y J, REN F, et al. A mobile outdoor augmented reality method combining deep learning object detection and spatial relationships for geovisualization［J］. Sensors, 2017,17(9): 1951.
［8］王殿伟,何衍辉,李大湘,等. 改进的YOLOv3红外视频图像行人检测算法［J］. 西安邮电大学学报, 2018,23(4):48-52.
［9］陈志韬. 基于深度学习的图像目标识别研究［D］. 哈尔滨：哈尔滨工程大学, 2018.
［10］陈聪,杨忠,宋佳蓉,等. 一种改进的卷积神经网络行人识别方法［J］. 应用科技, 2019,46(3):51-57.
［11］WANG X Y, HAN T X, YAN S C. An HOG-LBP human detector with partial occlusion handling［C］// 2009 IEEE 12th International Conference on Computer Vision. 2009:32-39.
［12］GIRSHICK R, DONAHUE J, DARRELLT, et al. Rich feature hierarchies for accurate object detection and semantic segmentation［C］// Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. 2014:580-587.
［13］REN S Q, HE K M, GIRSHICK R, et al. Faster R-CNN: Towards real-time object detection with region proposal networks［C］// Advances in Neural Information Processing Systems. 2015:91-99.
［14］REDMON J, FARHADI A. YOLOv3: An Incremental Improvement ［EB/OL］. (2018-04-18)［2019-05-01］. https://arxiv.org/abs/1804.02767.
［15］REDMON J, FARHADI A. YOLO9000: Better, faster, stronger［C］// Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. 2017:7263-7271.
［16］REDMON J. Darknet: Open Source Neural Networks in C ［EB/OL］. (2016-01-30)［2019-05-01］. http://pjreddie. com/darknet/.
［17］冯帅,张龙,贺小慧. 基于Jetson TK1和深度卷积神经网络的行人检测［J］. 信息技术, 2017(10):62-64.
［18］DOLLAR P, WOJEK C, SCHIELE B, et al. Pedestrian detection: An evaluation of the state of the art［J］. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2012,34(4): 743-761.
［19］SIMONYAN K, ZISSERMAN A. Very Deep Convolutional Networks for Large-Scale Image Recognition［EB/OL］. (2014-09-04)［2019-05-01］. https://arxiv.org/abs/1409.1556.
［20］HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition［C］// Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. 2016:770-778.
［21］XU B, WANG N Y, CHEN T Q, et al. Empirical Evaluation of Rectified Activations in Convolutional Network［EB/OL］. (2015-05-05)［2019-05-01］. https://arxiv.org/abs/1505.00853.
［22］LIU W, ANGUELOV D, ERHAN D, et al. SSD: Single shot multibox detector［C］// European Conference on Computer Vision. 2016:21-37.

[1]	王秋忆, 周浩, 郑婷婷. 改进RetinaNet的电力设备目标检测方法[J]. 计算机与现代化, 2024, 0(01): 47-52.
[2]	胡崇佳, 刘金洲, 方立. 基于无监督域适应的室外点云语义分割[J]. 计算机与现代化, 2024, 0(01): 74-79.
[3]	林威. 基于自监督学习和数据回放的新闻推荐模型增量学习方法[J]. 计算机与现代化, 2023, 0(12): 1-6.
[4]	梁天恺, 黄康华, 刘凯航, 兰岚, 曾碧. 基于双向同态加密的深度联邦图片分类方法[J]. 计算机与现代化, 2023, 0(12): 36-40.
[5]	邱凯星, 冯广. 基于双重特征注意力的多标签图像分类模型[J]. 计算机与现代化, 2023, 0(12): 41-47.
[6]	张伯泉, 麦海鹏, 陈嘉敏, 逄锦聚. 基于高灰度值注意力机制的脑白质高信号分割[J]. 计算机与现代化, 2023, 0(12): 67-75.
[7]	马泽宇, 叶宁, 徐康, 王甦, 王汝传, . 基于FMCW雷达和ResNeSt-GRU的行为识别方法[J]. 计算机与现代化, 2023, 0(11): 101-107.
[8]	李延满, 王必恒, 赵羚焱. 基于轻量化YOLOv5的安全帽检测[J]. 计算机与现代化, 2023, 0(10): 59-64.
[9]	黎世达, 项剑文. 一种提高图像识别模型鲁棒性的弱化强化方法[J]. 计算机与现代化, 2023, 0(10): 70-76.
[10]	沈加炜, 陆一鸣, 陈晓艺, 钱美玲, 陆卫忠, . 基于深度学习的人体行为检测方法研究综述[J]. 计算机与现代化, 2023, 0(09): 1-9.
[11]	王宏杰, 徐胜超. 基于希尔伯特相似度的云平台异常传输数据聚类方法[J]. 计算机与现代化, 2023, 0(09): 27-31.
[12]	刘禅奕, 黄丹, 薛林雁, 王涛, 朱桃, . 改进EfficientNet网络的COVID-19 X光分类[J]. 计算机与现代化, 2023, 0(09): 94-99.
[13]	马国祥, 杨凌菲, 严传波, 张志豪, 孙彬, 王晓荣. 基于深度DenseNet网络的肝包虫病超声影像诊断方法[J]. 计算机与现代化, 2023, 0(09): 100-104.
[14]	韩雪. 基于约束聚类和粒子群算法的多路径规划[J]. 计算机与现代化, 2023, 0(08): 7-11.
[15]	农皓程, 任德均, 任秋霖, 刘澎笠, 黄德成. 基于改进ConvNeXt的软塑包装表面异常检测算法[J]. 计算机与现代化, 2023, 0(08): 12-17.

一种改进YOLOv3-Tiny的行车检测算法

An Improved YOLOv3-Tiny Traffic Detection Algorithm

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价