基于改进YOLOv3的车辆尾灯检测方法

• 作者: 李龙 张重阳
• 来源期刊: 计算机与现代化
• 关键词: 尾灯检测 YOLOv3 特征提取 K-means++
• 年，卷（期）: 2021,（7）
• 所属期刊栏目: 图像处理|IMAGE PROCESSING
• 页码范围: 89-94
• 页数: 6页
• 分类号: TP391
• 语种: 中文
• DOI: 10.3969/j.issn.1006-2475.2021.07.016

摘要

在自动驾驶场景中,对前车尾灯的检测是一个广泛且具有研究意义的问题.Darknet53是YOLOv3的特征提取网络,其使用5个残差单元对原始图像进行特征提取并采用三尺度的特征图进行融合预测,尺寸越小对大目标的特征表达能力越强.因为尾灯检测属于小目标检测,所以本文舍去Darknet53的最后一个残差单元,同时增加小尺度特征提取残差单元的重复次数.针对K-means聚类算法存在k值难以确定以及对初始聚类中心敏感的问题,本文使用K-means++聚类算法获取anchor值,同时结合IOU距离度量指标.实验结果表明,改进后的YOLOv3网络上尾灯检测的准确率和检测速度都要高于改进前的,mAP由79.63％提高到89.32％,单张图片检测时间由0.014 s缩短到0.01 s.对比其他主流目标检测框架,本文改进的YOLOv3模型具有优越的检测性能.