基于改进YOLOv3的站口行人检测方法

• 作者: 康庄 杨杰 李桂兰 南柄飞 曾璐
• 来源期刊: 铁道科学与工程学报
• 关键词: 行人检测 深度学习 YOLOv3 遗传算法 计算机视觉
• 年，卷（期）: 2021,（1）
• 所属期刊栏目: 高速铁路技术与智慧交通|High-speed Rail Technology and Intelligent Transportation
• 页码范围: 55-63
• 页数: 9页
• 分类号: TP391.4
• 语种: 中文
• DOI: 10.19713/j.cnki.43-1423/u.T20200236

摘要

针对YOLOv3算法在行人检测上准确率低和漏检率高的问题,提出一种改进型YOLOv3的行人检测方法,并将其定义为GA-Wide-YOLOv3.该方法首先以行人头肩小目标为检测对象,进行重构数据集,利用遗传算法重新对目标先验框进行聚类,优化anchor参数,提高先验框与数据集的重合程度;其次改进YOLOv3,通过加宽网络宽度、减少网络深度,获得针对小目标检测的较大视野阈,避免梯度消失;最后,将多尺度检测算法3个yolo层前的1*1,3*3的卷积组各去掉2组,减少头肩小目标在复杂背景下的漏检率.在收集的数据集HS6936上进行对比实验,结果表明,基于遗传算法改进的K-means算法,平均交并比为81.89％,提高了0.8％;改进的YOLOv3算法检测平均准确率(mAP)为75.35％,召回率为81.20％,查准率为99.99％,较原始YOLOv3算法分别提高了2.53％,0.88％和2.75％.