基于改进YOLOv3的车辆前方动态多目标检测算法

作者：金立生; 郭柏苍; 王芳荣; 石健^*

来源：吉林大学学报（工学版）, 2021, 51(04): 1427-1436.

DOI：10.13229/j.cnki.jdxbgxb20200588

• 无人驾驶技术
• 环境感知
• 深度学习
• 多目标检测
• 轻量化模型

现阶段的环境感知目标检测技术多为单类目标检测,或是将一幅图像中所有目标均列为待检目标,较少有对处于车辆前方的目标进行针对性的划分和检测。为了解决以上问题,提出了将车辆前方的待检目标分为两类:一是危险性较大,随时可能发生位移的动态目标,包括四轮车辆、二轮车辆和人;二是危险性较小,不会发生位移的静态目标,包括交通信号灯和交通标识。针对危险性较大的车辆前方动态多目标,提出了一种可以移植于嵌入式端的改进YOLOv3的目标检测算法,针对原始YOLOv3算法得到模型较大,难以在嵌入式端实时检测的缺点,以轻量型骨干网络MobileNetV2替换YOLOv3原始骨干网络Darknet-53进行特征提取,在训练中加入群组归一化操作,并使用Adam作为优化器。使用提取后的BDD100K数据集进行训练,利用未参与训练的BDD100K部分数据集和自采标注的Teamtest数据集进行测试。研究结果表明,相比于原始YOLOv3算法,本文算法的漏检率可以维持在5%以内,在mAP提升0.020的基础上,本文模型在参数量上较YOLOv3基础模型减小了约89%,在CPU下的Inference Time缩小了约70%。

• 单位
  燕山大学; 北京理工大学; 吉林大学