10.3969/j.issn.1006-2475.2022.05.017
基于卷积神经网络的夜间车辆检测算法
针对夜间车辆检测模型的精度要求,提出以夜间车辆为研究对象,利用深度学习中的卷积神经网络构建检测模型.首先对数据集进行白平衡处理以减少路灯颜色的干扰进而增强图像画质,并用Mosaic数据增强来丰富检测数据集进而提升模型对小目标车辆的检测效果;其次针对先验框的选取采用K-means++算法,并利用交并比距离对先验框进行聚类;接着向主干特征提取网络加入注意力机制模块来增强残差结构特征图中目标的通道和空间特征信息;最后在损失函数的原始置信度交叉熵损失中引入梯度均衡机制,使模型有效衰减难易样本.通过在UA-DETRAC数据集的实验与对比分析可知:本文提出的夜间车辆检测算法的精度可达99.24%,同时每秒处理图像帧数高达19帧,验证了该算法的有效可行性.
夜间车辆检测、深度学习、注意力机制模块、梯度均衡机制
TP391(计算技术、计算机技术)
陕西省自然科学基础研究计划项目2020JM-258
2022-06-17(万方平台首次上网日期,不代表论文的发表时间)
共7页
108-113,118