基于YOLOv7的道路监控车辆检测方法.pdf
《基于YOLOv7的道路监控车辆检测方法.pdf》由会员分享,可在线阅读,更多相关《基于YOLOv7的道路监控车辆检测方法.pdf(8页珍藏版)》请在咨信网上搜索。
1、第 卷第期陕西科技大学学报V o l N o 年 月J o u r n a l o fS h a a n x iU n i v e r s i t yo fS c i e n c e&T e c h n o l o g y D e c 文章编号:X()基于Y O L O v 的道路监控车辆检测方法蔡刘畅,杨培峰,张秋仪(福建理工大学 计算机科学与数学学院,福建 福州 ;福建理工大学 建筑与城乡规划学院,福建 福州 )摘要:针对目前道路监控下识别车辆准确率不够高的问题,提出了一种基于YO L O v 的车辆检测方法首先,建立了道路监控视角下的车辆数据集,其次,将G h o s t N e t与Y
2、O L O v 结合以轻量化网络,最后,针对有效特征层增加通道注意力机制以减少车辆漏检结果表明,改进后的YO L O v 检测精度为 ,与原始YO L O v 相比提高了 百分点,模型参数量缩减了 ,浮点计算量降低了 该方法轻量化模型的同时,提升了车辆目标检测精度,可以为交通监控中的车辆检测提供参考关键词:车辆检测;YO L O v;G h o s t N e t;注意力机制中图分类号:T P 文献标志码:AV e h i c l ed e t e c t i o nm e t h o db a s e do nY O L O v i nt r a f f i cm o n i t o r i
3、 n gC A IL i u c h a n g,YANGP e i f e n g,Z HANGQ i u y i(C o l l e g eo fC o m p u t e rS c i e n c ea n dM a t h e m a t i c s,F u j i a nU n i v e r s i t yo fT e c h n o l o g y,F u z h o u ,C h i n a;C o l l e g eo fA r c h i t e c t u r ea n dP l a n n i n g,F u j i a nU n i v e r s i t yo fT
4、 e c h n o l o g y,F u z h o u ,C h i n a)A b s t r a c t:AYO L O v b a s e dv e h i c l ed e t e c t i o nm e t h o dw a sp r o p o s e d f o r t h ev e h i c l e l e a k a g ed e t e c t i o np r o b l e mu n d e r r o a dm o n i t o r F i r s t l y,v e h i c l ed a t a s e tw e r ee s t a b l i s
5、 h e df r o mt h ea n g l eo f a t r a n s p o r t a t i o ns u r v e i l l a n c e T h e nG h o s t N e tw a sc o m b i n e dw i t hYO L O v t ol i g h t e nt h en e t w o r k A t l a s t,ac h a n n e l a t t e n t i o nm o d u l ew a s a d d e d f o r t h ee f f e c t i v e f e a t u r e l a y e r
6、 t o l o w e r t h ep r o b a b i l i t yo f l e a kd e t e c t i o n T h ee x p e r i m e n t a l r e s u l t s s h o wt h a td e t e c t i o na c c u r a c yo ft h e i m p r o v e dYO L O v i s ,w h i c hi s p e r c e n t a g ep o i n t sb e t t e rt h a nt h eo r i g i n a lYO L O v A d d i t i o
7、 n a l l y,t h em o d e l p a r a m e t e rs i z eh a sb e e nr e d u c e db y a n dt h e f l o a t i n g p o i n t c o m p u t a t i o nh a sd e c r e a s e db y T h e i m p r o v e dm e t h o de f f e c t i v e l yi m p r o v e st h ev e h i c l e t a r g e t d e t e c t i o na c c u r a c yw h i
8、l e l i g h t w e i g h t i n g t h em o d e l,w h i c hc a np r o v i d e a r e f e r e n c e f o rv e h i c l ed e t e c t i o n i nt r a f f i cm o n i t o r i n g K e yw o r d s:v e h i c l ed e t e c t i o n;YO L O v;G h o s t N e t;a t t e n t i o n a lm e c h a n i s m s收稿日期:基金项目:国家自然科学基金项目()
9、;福建省自然科学基金青创项目(J )作者简介:蔡刘畅(),女,贵州黔南人,在读硕士研究生,研究方向:交通信息工程及控制通讯作者:杨培峰(),男,浙江长兴人,教授,博士生导师:研究方向:城市生态规划、区域与城乡空间发展,y o u n g q q c o m陕西科技大学学报第 卷引言目标检测广泛应用于交通场景中,比如视频监控、自动驾驶、车牌识别、车流检测等交通监控的普及产生了海量交通图片视频,使智能交通系统日益备受关注,智能交通系统可以通过交通监控分析车流状态,以实现交通智能化管理以及道路规划车辆目标检测是智能交通系统重要的一环,如识别车辆、分类车型、检测超速和逆行等为了实现高效的车辆目标检测,
10、已经有学者研究智能化检测方法,研究包括机器学习以及与深度学习有关的识别方法基于机器学习的车辆检测步骤分为特征提取和分 类 器 训 练特 征 提 取 方 法 有H a a r/H a a r l i k e,、方向梯度直方图,(H i s t o g r a mo fO r i e n t e dG r i d i e n t s,HO G)和变型部件模型(D e f o r m a b l eP a r t sM o d e l,D PM),它们在车辆的类型状态发生改变时仍稳定提取特征,在车辆检测中有良好效果尺度不变特征变换,(S c a l e i n v a r i a n tF e a
11、t u r eT r a n s f o r m,S I F T)、加 速稳健特征(S p e e d e d U pR o b u s tF e a t u r e s,S UR F)、局 部 二 值 模式,(L o c a lB i n a r yP a t t e r n,L B P)特征提取方法可以产生更丰富的车辆检测特征提取的特征用于训练分类器,从而使用分类器识别车辆目标而分类器需要平衡泛化能力和拟合精度,常用的分类器有K 近邻算法(K N e a r e s tN e i g h b o r,KNN)、支持向量机(S u p p o r tV e c t o rM a c h i
12、n e,S VM)、决策树 和自适应提升算法(A d a p t i v eb o o s t i n g,A d a B o o s t)但是传统方法检测过程被分解为多个步骤,缺 乏 实 时 性其 检 测 精 度 不 高、泛 化 能 力不强深度学习方法根据车辆检测过程分为两步检测和单步检测两种方法前者分为预测车辆区域和从预测区域中检测车辆目标两个阶段,典型的方法有基 于 区 域 的 卷 积 神 经 网 络(R e g i o n b a s e dC o n v o l u t i o n a lN e u r a lN e t w o r k s,R C NN)、空间金字塔池化网络,(S
13、p a t i a lP y r a m i dP o o l i n gN e t w o r k s,S P P N e t)、基 于 区 域 的 快 速 卷 积 网 络 方法,(F a s t R e g i o n b a s e d C o n v o l u t i o n a l N e t w o r k,F a s t e rR C NN)后者把车辆识别和检测整合到同一个网络中,不先预测车辆区域典型的方法有单 发 多 框 检 测 器(S i n g l eS h o t M u l t i b o xD e t e c t o r,S D D)、YO L O (Y o u O
14、 n l y L o o kO n c e)、多级特征金字塔目标检测(M u l t i L e v e lM u l t i S c a l eD e t e c t o r,M D e t);两步检测方法的准确性普遍高于一级检测方法,但单步检测方法更具有实时性 随着单步检测方法的不断改进,其检测准确度得到改善,逐渐适用于要求高检测精度的车辆目标识别场景深度学习方法的端到端结构,将特征提取和a n c h o rb o x集成到一个网络中,提高了车辆目标检测速度,增强了目标检测在实际应用中的实时性目前,目标检测算法已经达到了较高的准确率但针对道路监控下的车辆目标检测存在两方面的不足,一方面,
15、检测算法需要较强算力的设备车辆检测算法可以部署到嵌入式设备中,从而减少推理延迟但嵌入设备计算能力不强,存储空间有限,因此将车辆检测算法进行轻量化处理,使其可以部署在计算能力不强、储存空间有限的嵌入式设备另一方面,小目标检测精度不高由于道路上的监控摄像头往往是俯视视角,导致部分车辆目标较小含有的图像信息少,如远处的轿车或摩托车因此检测小目标车辆存在精度不高的问题YO L O模型更适合应用于实际交通场景的目标检测 在实际应用中目标检测的实时性发挥着越来越重要的作用,单步检测模型如S D D、YO L O,采用回归方法检测对象,操作速度更高但S D D没有考虑到不同尺度之间的关系,在检测小目标方面有
16、一定的局限性而YO L O更容易学习一般特征,运算速度更高目前,在F P S为 范围内,YO L Ov 模型的速度和精度都超过了所有已知的目标检测模型 因此,本文选择Y O L O v 作为基础车辆检测方法,以提升精确度、降低模型体量为方向,优化Y O L O v 车辆检测方法将Y O L O v 主干网络替换为高效的网络G h o s t N e t 为了在轻量化的同时保证检测精确度,通过对有效特征层添加通道注意力机制,模型的特征提取能力得到增强最后将改进的模型在自主构建的数据集上进行试验,并与其他常用模型进行检测性能对比,以期为监控视角下的车辆识别分类提供一种轻量化的检测方法相关理论基础
17、YO L O v 概述YO L O v 是一个单阶段的目标检测算法,分为部分首先通过主干网络,将输入图像的尺寸调整为 大小,采用多分支堆叠结构,利第期蔡刘畅等:基于Y O L O v 的道路监控车辆检测方法用最大池化和的卷积核提取特征,最终形成三个有效特征层为了捕捉更准确的车辆特征,对不同尺度的特征层进行结合,得到三个加强的有效特征层,其结构如图加强特征提取网络部分所示,特征层包含特征点,特征点上有三个先验框利用三个增强的特征层,从多个特征中抽取出最优的,实现多维的特征融合 YO L O v 为了提高效率,训练过程中,将每个真实框分配给多个先验框,更有针对性地进行预测,预测框与先验框对比调整后
18、,更有效地确定符合真实框的先验框图改进的YO L O v 模型结构为了提高特征提取网络的性能,YO L O v 用空间金字塔池化(S p a t i a lP y r a m i dP o o l i n g,S P P)结构来扩大感受野,并且在其中添加一个大的残差边,以便将最大池化操作后输出的特征层堆叠起来优化和提取特征其结构如图中包含上下文信息的空间金字塔池化卷积(S p a t i a lP y r a m i dP o o l i n gw i t h C o n t e x t u a l i z e d S p a t i a l P y r a m i d C o n v o l
19、 u t i o n,S P P C S P C)部分所示基于感受野块的卷积神经网络(R e c e p t i v eF i e l dB l o c k b a s e dC o n v o l u t i o n a lN e u r a lN e t w o r k,R e p C o n v)模块用一种重参数化的方法,降低网络的复杂性,改善模型的性能训练时,给 的卷积添加的分支,部署时,将分支的参数通过重参数化整合为一个分支,在主分支卷积输出,从而降低训练的复杂性 Y o l oH e a d部分是YO L O v 的分类器,用于分类特征点对应的先验框 G h o s t N e t
20、概述G h o s t N e t 网络由华为诺亚方舟实验室在 年发布,优势在于轻量化通过计算量较小的线性处理,生成冗余的特征,从而实现准确检测,同时还可以降低网络的复杂度网络利用G h o s tB o t t l e n e c k的堆积来实现,G h o s tM o d u l e是G h o s tB o t t l e n e c k的组成部分,G h o s tM o d u l e用卷积来调整输入特征层的维度,之后用深度可分离卷积得到相似特征图G h o s tB o t t l e n e c k s由G h o s tM u d u l e、残差边以及的深度可分离卷积构成,
21、其中,卷积对图像的宽、高进行压缩G h o s tB o t t l e n e c t根据卷积核步长s的不同,分为两类,s表示输入进来的特征层需要被压缩时,此时在G h o s t M o d u l e中加入分组卷积层,步长为在残差边中加入s的分组卷积,的普通卷积 G h o s tB o t t l e n e c t结构如图所示图G h o s tB o t t l e n e c t网络结构改进的YO L O v 算法 网络架构本文通过使用G h o s t N e t来代替主干部分,以达到在确保检测准确性良好的前提下,尽可能缩减模型参数改进后YO L O v 网络如前述图的主干特征
22、提取网络部分所示G h o s t N e t模块可以有效地替代传统的卷积操陕西科技大学学报第 卷作,将传统卷积生成的特征分为两部分输出,首先通过卷积核计算得出一部分特征,再通过线性操作的方式使已生成的特征输出另一部分特征而传统卷积操作生成的特征都是通过卷积核计算得到通过线性操作的方法,G h o s t N e t模块可以有效地减少参数量,同时保持输出特征的大小不变,从而使得计算复杂度低于传统的卷积神经网络G h o s t M o u d l e和传统卷积输出特征的参数量分别如式()和式()所示,计算量分别如式()和式()所示p a r a m e n t e r s_G h o s t
23、M o u d l eci nco u tks i z eks i z eco u t()p a r a m e n t e r sks i z eks i z eci nco u t()F L O P s_G h o s t M o u d l eco u tho u two u tci nco u tho u two u tks i z eks i z e()F L O P sco u tho u two u tci nks i z eks i z e()式()()中:k表示卷积核的大小;c表示通道数,h和w表示图片的高和宽,o u t和i n表示输出和输入图通过比较式()(),G h o
24、 s t M o u d l e网络的计算量和参数量与普通卷积操作比值小于,如式()所示由此可知,采用G h o s t N e t作为YO L O v 的特征提取,能够显著减少模型的参数ks i z eks i z eci n()融合高效的注意力机制模块通过G h o s t N e t结合YO L O v,可以降低模型的复杂性但是,由于计算量及相关参数的减少,导致了检测的准确性受到影响,因此,将YO L O v 的特征层添加注意力机制,以此来改善其特征提取的性能高效通道注意力(E f f i c i e n tC h a n n e lA t t e n t i o n,E C A)是一种
25、通道注意力机制 E C A用一维卷 积 代 替S E N e t(S q u e e z e a n d E x c i t a t i o n N e t w o r k s)的全连接层(F u l lC o n n e c t i o n,F C),减少了参数,并且可以有效地交换多个通道之间的信息,从而更好地识别出各个通道之间的权重及其对应的关联,其结构如图所示假设W、H、C为特征图的宽、高和通道数对每个特征图全局平均池化操作,以获取图中C的特征图然后,设卷积核大小k,将特征图卷积后经过S i g m o i d激活函数,再与原输入的特征图相乘,从而获取最终的输出特征图本文选用了E C A
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 YOLOv7 道路 监控 车辆 检测 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。