基于YOLOv5s的高速公路车辆实时检测模型

刘元峰; 姬海军; 刘立波

doi:10.37188/CJLCD.2022-0026

您当前的位置：

首页 >

文章列表页 >

基于YOLOv5s的高速公路车辆实时检测模型

图像处理 | 更新时间：2022-12-07

- 基于YOLOv5s的高速公路车辆实时检测模型
- Real-time detection model of highway vehicle based on YOLOv5s
- 液晶与显示 2022年37卷第9期页码：1228-1241
- 作者机构：
  
  1.宁夏大学信息工程学院，宁夏银川 750021
  2.宁夏路网监测与应急处置中心，宁夏银川 750021
- 作者简介：
  
  [ "刘元峰（1997—），男，山东泰安人，硕士研究生，2020年于烟台南山学院获得学士学位，主要从事车辆目标检测理论与应用的研究。E-mail：1251666248@qq.com" ]
  [ "刘立波（1974—），女，宁夏银川人，博士，教授，2010年于中国农业科学院农业信息研究所获得博士学位，主要从事计算机视觉、数字图像处理等方面的研究。E-mail：liulib@163.com" ]
- 基金信息：
  
  宁夏重点研发计划(2021BEG03024)
- DOI：10.37188/CJLCD.2022-0026
  中图分类号： U495;TP391
- 收稿日期：2022-01-24，
  
  修回日期：2022-03-16，
  
  纸质出版日期：2022-09-05
- 稿件说明：
移动端阅览
刘元峰, 姬海军, 刘立波. 基于YOLOv5s的高速公路车辆实时检测模型[J]. 液晶与显示, 2022,37(9):1228-1241.

LIU Yuan-feng, JI Hai-jun, LIU Li-bo. Real-time detection model of highway vehicle based on YOLOv5s[J]. Chinese journal of liquid crystals and displays, 2022, 37(9): 1228-1241.
刘元峰, 姬海军, 刘立波. 基于YOLOv5s的高速公路车辆实时检测模型[J]. 液晶与显示, 2022,37(9):1228-1241. DOI： 10.37188/CJLCD.2022-0026.

LIU Yuan-feng, JI Hai-jun, LIU Li-bo. Real-time detection model of highway vehicle based on YOLOv5s[J]. Chinese journal of liquid crystals and displays, 2022, 37(9): 1228-1241. DOI： 10.37188/CJLCD.2022-0026.

摘要

针对高速复杂环境下YOLOv5s算法细节特征学习能力弱、冗余信息过多、关键特征融合不足导致车辆目标检测精度低的问题，本文提出一种基于YOLOv5s的高速公路车辆实时检测模型（YOLOv5s-CRCP）。首先，在残差单元中嵌入卷积注意力模块，强化学习细节特征，抑制冗余信息干扰；然后，将卷积注意力融入金字塔网络中用以区分不同重要信息，加强关键特征融合。在构建的宁夏高速公路车辆数据集上进行实验，平均检测精度达到91.2%，高出原算法4.1%。实验结果表明，相较于YOLOv5s和主流实时车辆目标检测算法，本文方法具有更好的检测性能。

Abstract

Aiming at the problems that the YOLOv5s algorithm has weak detailed feature learning ability， excessive redundant information， and insufficient key feature fusion in complex highway environments leads to low accuracy of vehicle target detection， a real-time detection model of highway vehicle is proposed based on YOLOv5s （YOLOv5s-CRCP）. Firstly， convolutional attention module is embeded in the residual unit to strengthen the learning of detailed features and suppress the interference of redundant information. Secondly， convolutional attention is integrated into pyramid network to distinguish different important information and strengthen the fusion of key features. Experiments are conducted on the constructed Ningxia highway vehicle data set， and the average detection accuracy reaches to 91.2%， which is 4.1% higher than that of original algorithm. Experimental results show that the proposed method has better detection performance in comparison with YOLOv5s and the mainstream real-time vehicle target detection algorithms.

关键词

Keywords

references

ZHOU F Q ， LI J ， LI X S ， et al . Freight car target detection in a complex background based on convolutional neural networks ［J］. Proceedings of the Institution of Mechanical Engineers ， Part F： Journal of Rail and Rapid Transit， 2019 ， 233 （ 3 ）： 298 - 311 . doi: 10.1177/0954409718793464 http://dx.doi.org/10.1177/0954409718793464

LIU W ， ANGUELOV D ， ERHAN D ， et al . SSD： single shot MultiBox detector ［C］// Proceedings of the 14th European Conference on Computer Vision . Amsterdam ： Springer ， 2016 ： 21 - 37 . doi: 10.1007/978-3-319-46448-0_2 http://dx.doi.org/10.1007/978-3-319-46448-0_2

REDMON J ， DIVVALA S ， GIRSHICK R ， et al . You only look once： unified， real-time object detection ［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition . Las Vegas ： IEEE ， 2016 ： 779 - 788 . doi: 10.1109/cvpr.2016.91 http://dx.doi.org/10.1109/cvpr.2016.91

REDMON J ， FARHADI A . YOLO9000： better， faster， stronger ［C］// 2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR） . Honolulu ： IEEE ， 2017 ： 6517 - 6525 . doi: 10.1109/cvpr.2017.690 http://dx.doi.org/10.1109/cvpr.2017.690

REDMON J ， FARHADI A . YOLOv3： an incremental improvement ［J］. arXiv ， 2018 ： 1804 .02767.

BOCHKOVSKIY A ， WANG C Y ， LIAO H Y M . YOLOv4： optimal speed and accuracy of object detection ［J］. arXiv preprint arXiv ： 2004.10934 ， 2020 .

王滢暄，宋焕生，梁浩翔，等 . 基于改进的YOLOv4高速公路车辆目标检测研究［J］. 计算机工程与应用， 2021 ， 57 （ 13 ）： 218 - 226 .

WANG Y X ， SONG H S ， LIANG H X ， et al . Highway vehicle object detection based on improved YOLOv4 method ［J］. Computer Engineering and Applications ， 2021 ， 57 （ 13 ）： 218 - 226 .

袁小平，马绪起，刘赛 . 改进YOLOv3的行人车辆目标检测算法［J］. 科学技术与工程， 2021 ， 21 （ 8 ）： 3192 - 3198 . doi: 10.3969/j.issn.1671-1815.2021.08.031 http://dx.doi.org/10.3969/j.issn.1671-1815.2021.08.031

YUAN X P ， MA X Q ， LIU S . An improved algorithm of pedestrian and vehicle detection based on YOLOv3 ［J］. Science Technology and Engineering ， 2021 ， 21 （ 8 ）： 3192 - 3198 . doi: 10.3969/j.issn.1671-1815.2021.08.031 http://dx.doi.org/10.3969/j.issn.1671-1815.2021.08.031

于博，马书浩，李红艳，等 . 远红外车载图像实时行人检测与自适应实例分割［J］. 激光与光电子学进展， 2020 ， 57 （ 2 ）： 021507 . doi: 10.3788/lop57.021507 http://dx.doi.org/10.3788/lop57.021507

YU B ， MA S H ， LI H Y ， et al . Real-time pedestrian detection for far-infrared vehicle images and adaptive instance segmentation ［J］. Laser & Optoelectronics Progress ， 2020 ， 57 （ 2 ）： 021507 . doi: 10.3788/lop57.021507 http://dx.doi.org/10.3788/lop57.021507

LAI J H ， LUO T T ， WANG Y ， et al . Traffic flow statistics method and practice based on roadside video with YOLOv3 ［J］. Journal of Highway and Transportation Research and Development （English Edition）， 2021 ， 15 （ 1 ）： 89 - 97 . doi: 10.1061/jhtrcq.0000768 http://dx.doi.org/10.1061/jhtrcq.0000768

ZHANG X P ， JI J H ， WANG L ， et al . People’s fast moving detection method in buses based on YOLOv5 ［J］. International Journal of Sensors and Sensor Networks ， 2021 ， 9 （ 1 ）： 30 - 37 . doi: 10.11648/j.ijssn.20210901.15 http://dx.doi.org/10.11648/j.ijssn.20210901.15

WU T H ， WANG T W ， LIU Y Q . Real-time vehicle and distance detection based on improved YOLOv5 network ［C］// 2021 3rd World Symposium on Artificial Intelligence （WSAI） . Guangzhou ： IEEE ， 2021 ： 24 - 28 . doi: 10.1109/wsai51899.2021.9486316 http://dx.doi.org/10.1109/wsai51899.2021.9486316

SONG X Y ， GU W . Multi-objective real-time vehicle detection method based on YOLOv5 ［C］// 2021 International Symposium on Artificial Intelligence and its Application on Media （ISAIAM） . Xi'an ： IEEE ， 2021 ： 142 - 145 . doi: 10.1109/isaiam53259.2021.00037 http://dx.doi.org/10.1109/isaiam53259.2021.00037

WOO S ， PARK J ， LEE J Y ， et al . CBAM： convolutional block attention module ［C］// Proceedings of the 15th European Conference on Computer Vision （ECCV） . Munich ： Springer ， 2018 ： 3 - 19 . doi: 10.1007/978-3-030-01234-2_1 http://dx.doi.org/10.1007/978-3-030-01234-2_1

HONG Z H ， YANG F ， PAN H Y ， et al . Highway crack segmentation from unmanned aerial vehicle images using deep learning ［J］. IEEE Geoscience and Remote Sensing Letters ， 2021 ， 19 ： 6503405 . doi: 10.1109/lgrs.2021.3129607 http://dx.doi.org/10.1109/lgrs.2021.3129607

DU S J ， ZHANG B F ， ZHANG P ， et al . FA-YOLO： an improved YOLO model for infrared occlusion object detection under confusing background ［J］. Wireless Communications and Mobile Computing ， 2021 ， 2021 ： 1896029 . doi: 10.1155/2021/1896029 http://dx.doi.org/10.1155/2021/1896029

JETLEY S ， LORD N A ， LEE N ， et al . Learn to pay attention ［C］// Proceedings of the 6th International Conference on Learning Representations . Vancouver ： ICLR ， 2018 .

MEHTA R ， OZTURK C . Object detection at 200 frames per second ［C］// Proceedings of the European Conference on Computer Vision . Munich ： Springer ， 2018 ： 659 - 675 . doi: 10.1007/978-3-030-11021-5_41 http://dx.doi.org/10.1007/978-3-030-11021-5_41

KIM K J ， KIM P K ， CHUNG Y S ， et al . Performance enhancement of YOLOv3 by adding prediction layers with spatial pyramid pooling for vehicle detection ［C］// 2018 15th IEEE International Conference on Advanced Video and Signal Based Surveillance （AVSS） . Auckland ： IEEE ， 2018 ： 1 - 6 . doi: 10.1109/avss.2018.8639438 http://dx.doi.org/10.1109/avss.2018.8639438

PENG H L ， GUO S ， ZUO X Y . A vehicle detection method based on YOLOV4 model ［C］// 2021 2nd International Conference on Artificial Intelligence and Information Systems . Chongqing ： ACM ， 2021 ： 168 . doi: 10.1145/3469213.3470375 http://dx.doi.org/10.1145/3469213.3470375

WU W T ， LIU H ， LI L L ， et al . Application of local fully convolutional neural network combined with YOLO v5 algorithm in small target detection of remote sensing image ［J］. PLoS One ， 2021 ， 16 （ 10 ）： e0259283 . doi: 10.1371/journal.pone.0259283 http://dx.doi.org/10.1371/journal.pone.0259283

SU H X ， DONG Z H ， YANG F ， et al . Remote sensing vehicle detection based on embedded system ［C］// Proceedings of the SPIE 11719 ， Twelfth International Conference on Signal Processing Systems . Shanghai ： SPIE ， 2021 ： 1171903 . doi: 10.1117/12.2588843 http://dx.doi.org/10.1117/12.2588843

张炳力，秦浩然，江尚，等 . 基于RetinaNet及优化损失函数的夜间车辆检测方法［J］. 汽车工程， 2021 ， 43 （ 8 ）： 1195 - 1202 .

ZHANG B L ， QIN H R ， JIANG S ， et al . A method of vehicle detection at night based on RetinaNet and optimized loss functions ［J］. Automotive Engineering ， 2021 ， 43 （ 8 ）： 1195 - 1202 .

ZHAN W ， SUN C F ， WANG M C ， et al . An improved YOLOv5 real-time detection method for small objects captured by UAV ［J］. Soft Computing ， 2022 ， 26 （ 1 ）： 361 - 373 . doi: 10.1007/s00500-021-06407-8 http://dx.doi.org/10.1007/s00500-021-06407-8

LIKAS A ， VLASSIS N ， VERBEEK J J . The global k -means clustering algorithm ［J］. Pattern Recognition ， 2003 ， 36 （ 2 ）： 451 - 461 . doi: 10.1016/s0031-3203(02)00060-2 http://dx.doi.org/10.1016/s0031-3203(02)00060-2

石健，成前，金立生，等 . 面向视频结构化的细粒度车辆检测分类模型［J］. 汽车工程， 2021 ， 43 （ 10 ）： 1427 - 1434 .

SHI J ， CHENG Q ， JIN L S ， et al . Fine-grained vehicle detection and classification model for video structuring description ［J］. Automotive Engineering ， 2021 ， 43 （ 10 ）： 1427 - 1434 .

浏览量

228

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

改进的YOLOv5s太阳能电池片缺陷检测算法

结合特征融合与物理校正的水下图像增强方法

TFT栅极刻蚀负载效应及解决方案

透过薄散射介质的目标事件分类方法