科研之友
微信
新浪微博
Facebook
分享链接
摘要
道路目标识别是智能交通系统解决城市拥堵严重问题的核心技术之一，现有算法在复杂交通环境识别效果差，存在大量漏检和误检，且模型体量大，不适合在实际场景下资源有限的移动端设备使用。针对以上问题，提出了一种复杂环境下的轻量化道路目标识别算法。基于SSD算法的结构设计了一种可重构的特征提取网络框架，以三种轻量化模块分别构建浅层特征提取网络，以自定义的Additional block构建深层特征提取网络，并分别采用ECA通道注意力机制和轻量化感受野扩大模块RFB-L提升模型对各尺寸目标的检测效果。自定义像素与通道信息融合模块Fusion实现浅层与深层特征的融合，丰富了检测特征图包含的信息。提出了一种多特征融合的学习率调节算法，使得训练过程中模型性能更稳定地达到收敛。自制复杂拥堵道路数据集Hohhot＿city用于算法训练和实验，与主流算法的对比实验表明，性能明显优于参数量同级别的Yolov4-tiny和Yolov5s，在参数量不到Yolov5m算法40%的情况下与其检测精度接近，取得了12.8 ms的推理时间和99.1%的mAP精度。实际场景下移动端设备检测结果显示，复杂路况中道路目标检测有很好的表现。
-
单位内蒙古大学; 电子信息工程学院
