摘要
车辆目标检测技术作为智能交通系统中至关重要的一环，其在减少交通拥堵、降低交通事故率和提高人们出行效率方面发挥着重要作用。YOLOv3作为深度学习目标检测中最受关注的算法之一，在交通领域得到了广泛的应用。但因天气复杂多变、车辆密集程度不同，其在车辆目标检测精度方面还有待提升。为此，本文对YOLOv3算法进行了研究和改进，以进一步提升其在复杂场景下的车辆多目标检测的精度。主要研究工作如下： （1）针对YOLOv3算法存在检测准确率低和漏检问题对其进行了改进。首先针对YOLOv3算法在车辆目标检测过程中K-means聚类算法容易陷入局部最优解的问题，本文提出了将遗传算法和K-means算法相融合的方法，利用遗传算法具有全局优势的特点来改进K-means计算距离的方式，从而降低模型的漏检情况。然后，针对预测框与真实框距离较近时损失函数梯度急剧降低的问题，本文引入了CIOU损失函数来提高算法对边界框的匹配程度，从而提升车辆检测精度。其次，针对YOLOv3算法对小目标检测效果不佳的问题，提出了将MobileNetv3网络替换原YOLOv3算法的特征提取网络，并采用深度可分离卷积替换原YOLOv3的卷积模块。最后，通过实验验证的方式在天气情况不同、目标复杂密集情况下证明：改进的YOLOv3模型相较于原始模型，在检测速度降低不多的情况下，mAP从76.2%提升到了82.4%。 （2）为了进一步提高YOLOv3算法在图像生成过程中对重要区域的关注度，提出了将注意力机制融入改进的模型。首先，本文分析了两种注意力机制模块SENET和CBAM，并将其分别融入到改进的模型中，以此来抑制车辆目标图像中不相关的信息，从而增强模型对车辆目标的特征提取能力并更好的保留有效特征信息。然后，通过数据增强技术对本文数据集进行处理，以此来强化模型的泛化能力。最后通过消融实验结果表明，相比于SENET模块，CBAM模块对改进的YOLOv3模型在精测精度上提升效果更好。 最终通过设置对比实验将CBAM-YOLOv3模型与其他车辆目标检测模型进行对比，实验结果表明：引入的注意力机制模块在少量增加模型计算量的情况下，mAP由原来的82.4%提升到了85.1%，验证了本实验的有效性。
NETL