基于YOLOv3的道路车辆检测算法研究

2023年12月6日发(作者：全款5万元左右的车推荐)

科技与创新┃ScienceandTechnology&Innovation2023年第01期

2095-6835（2023）01-0062-03文章编号：基于YOLOv3的道路车辆检测算法研究张绪德，李康（凯里学院，贵州黔东南苗族侗族自治州556011）＊摘在城市道路中路况变得更加复杂情况下，进行道路目标车辆检测是进行交通信号灯规划的基础，要：在进行车辆检测中存在小尺寸车辆、车辆间相互遮挡的情况，经综合考虑，选用YOLOv3目标检测算法对道路目标车辆进行检测。YOLOv3的网络架构采用Darknet-53，用UA-DETRAC数据集进行模型训练，并根据LOSS函数和mAP值进行参数优化。通过实验结果*******为95.6%，能够有效对道路目标车辆进行检测。关键词：YOLOv3；目标检测；LOSS函数；mAP中图分类号：TP391.4文献标志码：ADOI：10.15913/.2023.01.017Darknet53进行特征提取，利用多尺度特征进行对象检测，在最后对象分类时使用Logistic[8]，YOLOv3算法中的Darknet53网络采用了23处残差结构来增加网络的深度，提高了网络提取特征的能力，网络中大部分采用1×1和3×3的卷积结构减少计算量。YOLOv3算法的整个网络结构没有池化层，使用的是一个全卷积网络，改变卷积层步长可以实现对网路的下采样，当网络下采样时，通道数变为原来的2倍，有利于减少网络中信息的损失，并且增加信息特征的维度，更能提取到网络的抽象特征，最后随着卷积层数的加深，神经网络会出现过拟合现象，为了抑制过拟合，Darknet53网络在卷积层后添加了批量归一化层。YOLOv3算法中不同尺度的感受野能表达不同层次的语义信息，为了实现对图中不同大小信息的检测，YOLOv3采用FPN[9]结构，FPN结构指出可以采用不同特征图对目标对象进行检测。如当输入图片尺寸为416×416时，在进行道路车辆目标检测时，对于大尺度检测目标，选取的是网络结构中79层32倍下采样13×13大小的特征图，此特征图相比于其他尺度特征图相比感受野大，适合对大物体目标进行检测；对于中等尺度检测物体，选取的是网络结构中79层特征图做上采样然后和61层特征图拼接，得到16倍下采样26×26大小的特征图，此特征图跟其他尺度特征图相比感受野适中，适合对中等物体目标进行检测；对于小尺度检测物体，选取的是26×26大小的特征图做上采样然后和36层特征图拼接，得到8倍下采样52×52随着人工智能科学的不断发展，智能交通逐渐走进大众的视野中，汽车作为人们日常出行的主要交通工具，自动驾驶将陆续应用于汽车中，对车辆进行实时的目标检测是自动驾驶系统中非常重要的内容。在研究中对道路车辆的检测可以分为基于深度学习的目标检测算法和基于人工特征的目标检测算法，其中基于人工的检测算法首先需要从图像中提取出特征，然后将提取出来的特征进行分类利用机器学习的方法进行训练[1]。随着计算机硬件的发展和CNN网络成熟，基于深度学习的目标检测算法在实时性和准确性方面显现出优势，成为计算机视觉领域的研究热点。根据是否预生成候选框，基于深度学习的目标检测算法分为Two-stage目标检测算法和One-stage目标检测算法[2]。Two-stage算法精度较高，速度较慢[3-4]，如FasterR-CNN[5]算法；One-stage算法速度更快，精度会有所损失，如YOLO[6]系列算法、SSD[7]算法等。道路中车辆检测要求检测速度快、检测精度能很好满足要求，应该采用One-stage算法，在One-stage算法中，YOLOv3具有鲁棒性好、检测精度较高、算法结构简单、检测速度快等优点，在实际道路中通过调参可以获得具体场景下的目标检测模型，可以很好地检测目标车辆，对车辆进行属性识别。1YOLOv3算法模型YOLOv3算法是One-stage中的经典算法模型，其整体结构采用主干网络为Darknet53，主干网络——————————————————————————＊［基金项目］贵州省教育厅青年科技人才成长项目（黔教合KY字〔2022〕079号）·62·Copyright?博看网. All Rights Reserved. 2023年第01期ScienceandTechnology&Innovation┃科技与创新

大小的特征图，此特征图跟其他尺度特征图相比感受野较小，适合对小物体目标进行检测[10]。2车辆目标检测2.1数据集的选取与制作在进行YOLOv3的算法研究中，选取合适的数据集是研究的基础，应该选取类别均衡、使用场景普及化、数据量大的数据集，数据集选取不标准，训练过程中容易出现饱和和过拟合的现象[11]，会引起检测模型应用范围小、泛化能力不足等问题。采用YOLOv3算法时需要用到图片对应的标签文件，数据集不存在标签文件时，需要利用labelimg制作自己的深度学习目标检测数据集，因此在选择数据集时可以选择自动生成标签数据集，节省训练时间。经综合考虑在进行车辆目标检测时选取的数据集是UA-DETRAC，该数据集包括在中国北京和天津的24个区域道路的监控视频。UA-DETRAC数据集为每个文件夹中的图片提供xml文件，xml文件中的目标为car，不需要进行手动标识，只需要将xml文件分成对应每个图片的xml，然后再将xml文件转换成YOLOv3规定的txt文件即可，如图1所示。由于数据集中照片数量太大，为了节省训练时间，随机选取其中6000多张图片用来进行训练。示。在采用ultralytics-YOLOv3版本进行UA-DETRAC数据集训练时，需要进行不断调节参数，使训练过程不断优化。在训练的前期阶段，训练时采用学习率较大的量级，在训练过程后期，可以采用相对之前学习率较小的量级，其次考虑动量对训练过程的影响，当对UA-DETRAC数据集训练达到瓶颈时修改动量，以提高预测精度[12]。在对训练集进行200次训练迭代后，取训练权重中最好的权重进行模型验证，获得最优的训练模型。图2训练过程2.3测试结果模型训练完成后在对实际道路中不同交通场景情况下进行图像数据的测试，测试时对道路交通场景下的图像数据进行测试，主要考虑车辆在道路的覆盖、不同光线、不同角度以及道路拥堵等问题。测试时采用的实际道路测试场景选择应该具有多样化，涵盖城市道路、乡镇的十字路口、单向道路、多向道路等多种场景，以保证该多目标检测适用于监控下的实时检测。本次研究训练结果的评价指标是精准率P值、召回率R值、均值平均精度mAP值。对于此次车辆目标检测任务，当预测框和真实检测框的IOU大于预设值时，则视其为正确结果，表示检测到车辆；否则为错误的结果，表示没有检测到车图1转换成txt文件形式辆模型。测试所有类别的AP的平均值就是均值平均精度mAP，本次目标检测只具有车辆一个类型，AP值和mAP值相等。训练完成后通过观察图3可以看到数据集的P值为0.834，R值为0.991，*******值为0.956。2.2数据集训练UA-DETRAC数据集在制作完成后，利用目标检测算法对数据集进行模型训练。数据集在训练时采用ultralytics-YOLOv3版本，ultralytics-YOLOv3版本检测速度快，版本一直在优化中。本实验采用的硬件配置是服务器为NVIDIARTX3050TI的GPU，软件环境选择pycharm脚本编辑器、YOLOv3目标检测算法。使用网络结构时，首先需要检测的对象对算法进行分类与检测修改，网络结构选用进行参数配置，需要对卷积层的卷积核个数、目标分类数进行配置，为了减少训练次数，可以选取s为预训练权重。根据现有GPU实际情况，将模型训练的batch-size设为2，subdivisions设为64，然后对数据进行模型训练，训练过程中自动保存训练日志、训练模型和最优训练模型。训练过程如图2所图3训练结果在对实际道路中的车辆图像数据进行测试时，选取图片需要考虑不同光线、不同场景、不同时间、不同角度中实际情况。图4为将白天的照片输入进行验证的情况，图5为晚上道路车辆图片输入进行验证的情况，通过观察可以看到，无论白天还是晚上对车辆的识别都取得不错效果。·63·Copyright?博看网. All Rights Reserved. 科技与创新┃ScienceandTechnology&Innovation2023年第01期

的车辆目标检测［J］.计算机工程与设计，2022，43（7）：1981-1989.［3］杨玉艳.基于改进YOLOv3算法的车辆目标实时检测［D］.西安：西安石油大学，2021.［4］王澍.基于神经网络学习的车辆信息识别技术研究［D］.南京：南京邮电大学，2017.［5］RENS，HEK，GIRSHICKR，R-CNN:towardsreal-timeobjectdetectionwith图4白天图片测试regionproposalnetworks［J］.IEEEtransactionsonpatternanalysisandmachineintelligence，2017，39（6）：1137-1149.［6］REDMONJ，DIVVALAS，GIRSHICKR，ylookonce:unified，real-timeobjectdetection［C］//ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition，NewYork:IEEE，2016：779-788.［7］LIUW，ANGUELOVD，ERHAND，:singleshotmultiboxdetector［C］//Proceedingsofthe14thEuropeanconferenceoncomputervision（ECCV），Amsterdam：Springer，2016：21-37.［8］高建东.基于YOLOv3模型压缩的车辆和行人检测算法研究［D］.大连：大连理工大学，2020.［9］LINTY，DOLLARP，GIRSHICKR，epyramidnetworksforobjectdetection［C］//Proceedingsofthe2017IEEEconferenceoncomputervisionandpatternrecognition（CVPR），Honolulu：IEEE，2017：936-944.［10］赵益，张志梅.基于YOLOv3的车辆检测算法［J］.青岛大学学报（自然科学版），2020，33（3）：57-64.［11］苏欣欣，郭元术，李妮妮.基于深度学习的车辆检测算法研究［J］.智能算法，2021，40（6）：28-32.［12］王萍萍，仇润鹤.基于YOLOv3的车辆多目标检测［J］.科技与创新，2020（3）：68-70.————————作者简介：张绪德（1994—），男，苗族，硕士，讲师，主要研究方向为深度学习、计算机视觉。（编辑：王霞）图5晚上图片测试3结语本研究基于pytorch深度学习框架下YOLOv3目标检测算法在实际道路场景中进行车辆目标检测，通过数据集选取与制作、数据集训练、测试结果验证YOLOv3目标检测算法在实际道路中的应用。实验表明，YOLOv3目标检测算法在车辆检测中取得了良好的效果，平均检测精度达到95.6%。基于YOLOv3道路车辆检测算法可以很好地对道路车辆进行检测，此算法可以很好地减少车辆检测过程中存在的误检、漏检问题，但也需要充分认识到车辆检测在实际应用中存在的诸多挑战：车辆真实道路行驶过程中时，遇到的环境复杂多变，在夜间情况下光线不足时，极端复杂天气、道路车辆进行高速移动时复杂场景下，基于YOLOv3道路车辆检测算法依然面临非常大的挑战性，在后续的车辆检测算法研究中依然任重而道远。参考文献：［1］袁小平，马绪起，刘赛.改进YOLOv3的行人车辆目标检测算法［J］.科学技术与工程，2021，21（8）：3192-3198.［2］霍爱清，杨玉艳，谢国坤.基于改进YOLOv3算法·64·Copyright?博看网. All Rights Reserved.