基于深度学习的阴影下车辆目标检测.pdf

摘要

道路车辆目标检测技术在道路交通管理、智能监控、车辆目标追踪任务中具有

广泛的应用。随着深度学习的发展，基于卷积神经网络的目标检测算法已经成为道

路车辆检测的主流方法。阴影在户外场景中不可避免，在通用目标检测和追踪任务

中，阴影对检测和追踪性能产生严重干扰，对阴影进行针对性处理可以提高检测任

务的性能。对此，本文开展基于深度学习的阴影干扰下道路车辆目标检测的研究，

显著提升了车辆目标检测的抗阴影干扰能力。重点研究了道路车辆目标检测的需

求和基准网络、阴影干扰下神经网络的改进措施，主要研究内容如下：

（1）针对智能化自动驾驶对车辆目标检测问题，总结主流实例分割网络，并分

析了基于YOLOv5扩展的实例分割网络优势，优选其作为本研究的基础网络。首

先，详细比较分析了YOLOv5扩展网络与主流的MaskR-CNN网络在检测精度、

检测速度等主要指标的优劣势；其次，在Cityscapes数据集和自建数据集上进行了

实验对比，结果表明基于YOLOv5扩展网络与MaskR-CNN网络在检测精度相当

的情况下其检测速度快近6倍，且具备训练时间更短、存储花销更小、延续性更高

等优点，实证了采用基于YOLOv5的实例分割网络作为本研究的基础网络的有效

性。

（2）针对阴影下的车辆检测效能提高问题，研究YOLOv5基准网络的改进检

测模型算法，大幅提升了阴影干扰下的车辆检测和分割精度。在基于YOLOv5框

架上引入边界增强辅助分支及掩码分数监督网络模块，增强模型的抗阴影干扰能

力，在自建数据集上平均检测精度比YOLOv5基准网络提升1.4个mAP(mean

AveragePrecision)；引入方向感知空间上下文注意力机制模块和多尺度感受野模块，

丰富特征的同时增强阴影与车辆目标的特征辨识度；实验证明本文提出的综合改

进模型算法，与YOLOv5基准网络相比较，阴影下道路车辆检测率提升3.1个mAP

百分点，可有效削弱阴影干扰。

（3）研制了阴影干扰下道路车辆检测系统，设计一站式的车辆目标检测功能，

并在检测模型算法上进行上层封装，通过点击图形化界面按钮，使用优化后算法来

检测图像或视频流数据，交互更加友好，操作更加便捷，可提供有阴影干扰下的道

路车辆的智能监控。

关键词：道路车辆检测，改进YOLOv5检测模型，阴影干扰，边界增强网络模块，

方向感知空间上下文注意力模块，车辆检测验证系统

ABSTRACT

Theapplicationofroadvehicledetectiontechnologyisdiverse,encompassinga

multitudeoffieldsincludingroadtrafficmanagement,intelligentsurveillance,and

vehicletracking.Withthedevelopmentofdeeplearning,objectdetectionalgorithms

basedonconvolutionalneuralnetworkshavebecomethedominantapproachforroad

vehicledetection.Inoutdoorscenes,shadowisaninevitableelementthatcan

significantlyimpairtheaccuracyofgeneralobjectdetectionandtrackingtasks.By

processingshadowspecially,theperformanceofthesetaskscanbeenhanced.Inlightof

this,thisthesisinvestigatesusingdeeplearningforroadvehicledetectioninthepresence

ofshadow.Itdelvesintothespe