摘要
随着我国经济的持续发展，人民生活水平逐渐提高，我国机动车保有量逐年增长导致违章停车现象屡见不鲜。传统的违章车辆检测方法通过人工贴牌和执法探头完成，耗费大量人力物力并且具有一定的局限性。基于无人机视角的违章车辆尺寸小、分辨率低、背景复杂，造成传统YOLOv5目标检测网络出现误检或漏检问题。因此，本文对传统锚框聚类算法进行多目标粒子群优化的同时，通过改进模型内部模块并添加注意力机制实现基于多目标优化的无人机影像违章车辆检测。本文的主要工作如下： （1）为了选择最适合无人机影像违章车辆数据集的锚框，解决传统YOLOv5目标检测算法对无人机视角的小目标检测效果较弱问题，提出一种基于多目标优化和多尺度感知的违章车辆检测模型（MOO-MS-YOLOv5）。首先引入非线性自适应（Self-Adapt）参数的多目标粒子群优化锚框聚类算法（SAMOPSO-Kmeans），随着迭代次数动态调整粒子的速度和位置，获得最适合的锚框数据组合；接着在模型的颈部和主干位置加入混合尺寸裁剪的MO-Focus层、多分支卷积网络融合的MC-CSP层和空间多尺度的金字塔池化的SPN层，最终构建基于多目标优化和多尺度感知的违章车辆检测模型。实验结果表明，SAMOPSO-Kmeans能够高效地计算最适合本数据集的锚框数据，同时MOO-MS-YOLOv5违章车辆检测模型对高空视角小目标具有较好的检测效果。 （2）为了解决无人机视角背景复杂造成模型难以学习目标特征的问题，提出一种基于LSTM时序序列协同注意力机制的MOO-MS-YOLOv5违章车辆检测算法。协同注意力机制包含混合通道注意力和时序注意力，混合通道注意力首先将位置特征送入残差模块并进行卷积操作，然后进行全局池化操作并送入激励模块得到信道之间的相关性；基于LSTM的时序序列注意力机制是一种动态的时间选择机制，针对全局特征和运动特征进行计算；最后使用ESPCN超分辨率重构方法提升数据集清晰度。实验结果表明，基于LSTM时序序列的协同注意力机制算法能够忽略繁杂的背景信息，将模型的注意力集中在检测物体上，有效地提升了模型的检测精度和速度。 （3）设计并实现了基于多目标优化的无人机影像违章车辆管理系统。使用前后端分离的系统开发模型，前端使用Vue进行用户交互页面的开发，后端使用Java和Python分别实现系统的具体逻辑和基于多目标优化的无人机影像违章车辆检测模型的核心算法。系统主要包括用户注册登录模块、违章车辆检测模块、违章车辆历史查询模块和违章车辆数据统计模块，有助于交通管理部门实时检测违章车辆，并对违章车辆较多的地段进行重点监控和整治。
NETL