科研之友
微信
新浪微博
Facebook
分享链接
摘要
为进一步提高智能交通系统对车辆及不同车型识别的泛化性、鲁棒性与实时性.根据检测区域的特征有针对性地构建数据集，改变余弦退火衰减（CD）学习率的更新方式，提出一种基于梯度压缩（GC）的Adam优化算法（Adam-GC）来提高YOLO v4算法的训练速度、检测精度以及网络模型的泛化能力.为验证改进后YOLO v4算法的有效性，对实际路况的车流进行采集后，利用训练完成的网络模型对不同密度车流进行定量的车型检测实验验证.经实验验证，改进后方法的整体检测结果要优于改进前，YOLO v4和YOLO v4 GC CD训练得到的网络模型在阻塞流样本下检测得到的准确率分别为94.59%和96.46%；在同步流样本下检测得到的准确率分别为95.34%和97.20%；在自由流样本下检测得到的准确率分别为95.98%和97.88%.
-
单位青岛大学; 机电工程学院
