基于深度学习的视频监控中车辆检测方法研究.pdf

摘要

近年来，我国车辆保有量的快速增加，致使车辆拥堵、交通事故频发。为此，

研究人员将计算机技术及人工智能技术等技术运用到交通系统中，构建一个可以

解决当前交通问题的智慧交通系统。车辆检测作为构建智慧交通系统的基础，不仅

要满足一定的检测精度，同时由于嵌入式设备的计算能力有限，也需要对车辆检测

算法进行轻量化处理。本文选用了UA_DETRAC车辆数据集，构建了基于YOLOv5

的车辆检测方法，主要针对车辆检测精度和算法轻量化两个方向对现有的算法进

行改进，主要研究内容如下：

（1）设计更适合视频监控中车辆检测的锚框。YOLOv5的锚框设定由于带有

一部分的先验信息，因此会影响车辆检测的精度。合适的锚框设定不仅可以提高检

测精度而且还能加快训练时模型的收敛速度。本文在UA_DETRAC数据集上使用

K-means方法对锚框重新设计，使用新锚框的算法一定程度上减少了漏检的发生，

并且缓解了同一目标被多次标记的情况。

（2）引入一种关注高IoU目标的定位损失函数。车辆检测需要将车辆的位置

标记出来，因此定位损失函数较为重要。为了解决预测框与真实框接近时损失急剧

减少的问题，引入了一种α-IoU定位损失函数，从而提高算法对高IoU目标的关

注，进而提高车辆检测精度。经实验对比，α取值为3时使用α-IoU定位损失函数

对车辆检测算法的检测精度提升最大，相较原有算法精度提高了1.1个百分点。

（3）引入坐标注意力机制，提升算法对车辆目标的关注。为了解决密集场景

下车辆目标漏检，在主干网络中引入了一种坐标注意力机制，可以更好地关注通道

相关性和全局特征，从而提高对车辆目标的关注。将坐标注意力机制融入到特征提

取网络中的算法比原有算法的准确率提高了0.8个百分点，并且几乎没有引入额外

的计算开销。

（4）针对嵌入式设备进行车辆检测算法的轻量化研究。嵌入式设备存储空间

有限、计算能力不强，为了能将车辆检测算法更好地部署在嵌入式设备中，通过轻

量化结构的设计对YOLOv5的主干网络进行改进。本文使用Ghostbottleneck改进

YOLOv5的CSP结构。通过实验发现，在牺牲一定精度的情况下，将参数量降低

了28%，浮点计算量降低了33%。

关键词：车辆检测，深度学习，注意力机制，轻量化

ABSTRACT

Inrecentyears,therapidincreaseinthenumberofvehiclesinourcountryhas

resultedinvehiclecongestionandfrequenttrafficaccidents.Tothisend,researchers

applycomputertechnologyandartificialintelligencetechnologytothetransportation

systemtobuildanintelligenttransportationsystemthatcansolvecurrenttransportation

problems.Asthebasisofbuildinganintelligenttransportationsystem,vehicledetection

notonlyneedstomeetacertaindetectionaccuracy,butalsothealgorithmneedstobe

lightweightbecauseofthelimitedcomputingpowerofembeddeddevices.Thethesis

selectstheUA_DETRACvehicledataset,constructsavehicledetectionmethodbasedon

YOLOv5,andmainlyimprovestheexistingalgorithmfromtheperspectivesofvehicle

detection