基于改进YOLOv3的车辆前方动态多目标检测算法

摘要：

现阶段的环境感知目标检测技术多为单类目标检测,或是将一幅图像中所有目标均列为待检目标,较少有对处于车辆前方的目标进行针对性的划分和检测.为了解决以上问题,提出了将车辆前方的待检目标分为两类:一是危险性较大,随时可能发生位移的动态目标,包括四轮车辆、二轮车辆和人;二是危险性较小,不会发生位移的静态目标,包括交通信号灯和交通标识.针对危险性较大的车辆前方动态多目标,提出了一种可以移植于嵌入式端的改进YOLOv3的目标检测算法,针对原始YOLOv3算法得到模型较大,难以在嵌入式端实时检测的缺点,以轻量型骨干网络MobileNetV2替换YOLOv3原始骨干网络Darknet-53进行特征提取,在训练中加入群组归一化操作,并使用Adam作为优化器.使用提取后的BDD100K数据集进行训练,利用未参与训练的BDD100K部分数据集和自采标注的Team_test数据集进行测试.研究结果表明,相比于原始YOLOv3算法,本文算法的漏检率可以维持在5％以内,在mAP提升0.020的基础上,本文模型在参数量上较YOLOv3基础模型减小了约89％,在CPU下的Inference Time缩小了约70％.

关键词：无人驾驶技术、环境感知、深度学习、多目标检测、轻量化模型

所属期刊栏目：51

分类号：U491.2(交通工程与公路运输技术管理)

资助基金：国家自然科学基金;河北省重点研发计划项目;河北省重点研发计划项目

在线出版日期：2022-05-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1427-1436