基于YOLOv4的复杂交通状况下多目标检测算法

作者：吕辉; 董帆

来源：国外电子测量技术, 2022, 41(12): 41-47.

DOI：10.19652/j.cnki.femt.2204351

• 深度学习
• 目标检测
• 密集连接
• 注意力机制
• 交通安全
• 空间金字塔池化

当前复杂交通状况下多目标检测存在检测精度低，检测速度慢，模型参数量大等问题。针对上述问题基于YOLOv4提出一种能够快速检测并识别多个不同目标的密集神经网络。首先将高效通道注意力机制(ECA)与跨阶段密集连接网络(CSPDenseNet)结合，组成新的E-CSP主干网络，代替传统的残差网络(ResNet)。新的主干网络加强了有效通道的特征表达，提高了特征提取层提取特征的能力；其次使用改进的空间金字塔池化与柔性非极大值抑制(Soft-NMS),加强对于小目标与被遮挡目标的检测能力。实验结果表明，方法的平均类别精度(mAP)、帧率达到0.92%、50 fps,明显高于其他方法。通过与目前主流模型比较，方法在获得较高识别精度的同时，具有参数规模小识别速度快的特点，可以极大的提高交通行驶的安全性。

• 单位
  电气学院; 河南理工大学