基于密集连接卷积神经网络的道路车辆检测与识别算法

摘要：

针对现有道路车辆检测识别算法中存在的检测精度不高、实时性差以及小目标车辆漏检等问题,提出一种基于密集连接卷积神经网络的道路车辆检测与识别算法.首先,基于YOLOv4网络框架,通过采用密集连接的深度残差网络结构,加强特征提取阶段的特征复用,实现对浅层复杂度较低的特征的利用;然后,在多尺度特征融合网络引入跳跃连接结构,强化网络的特征信息融合和表征能力,以降低车辆漏检率;最后,采用维度聚类算法重新计算先验框尺寸,并按照合理的策略分配给不同检测尺度.实验结果表明,该算法在KITTI数据集上获得了98.21％的检测精度和48.05 frame/s的检测速度,对于BDD100K数据集中复杂恶劣环境中的车辆也有较好的检测效果,在满足实时检测要求的同时有效提升检测精度.

关键词：智能交通、道路车辆检测、YOLOv4、密集连接网络、多尺度特征融合

所属期刊栏目：42

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家重点研发计划;中央引导地方科技发展专项;川渝联合实施重点研发项目

在线出版日期：2022-04-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：883-889