李松江,吴 宁,王 鹏,李海兰
长春理工大学 计算机科学技术学院,长春130022
车辆目标检测是无人驾驶、车辆定位、车辆跟踪等诸多领域的研究基础,具有重要的研究意义和广阔的应用前景。在检测过程中由于车辆自身的差异,以及在行驶过程中存在的遮挡、变形等问题使得检测精度较低。因此改善车辆目标检测过程中小目标及遮挡目标的错检、漏检问题并提高检测精度,已成为车辆目标检测领域的研究热点[1]。
Kim等人[2]将SPP网络集成到YOLO-V3并加入多预测层,最终提高遮挡目标的检测精度。Nguyen[3]改进Faster RCNN特征提取网络并使用上下文感知池化替代ROI池化,提高了小型车辆和遮挡车辆的检测精度。Zhou等人[4]将对抗网络与级联的Faster RCNN相结合,对小目标及遮挡目标有更好的鲁棒性。Cai等人[5]提出Cascade RCNN网络,通过级联检测器逐层提高候选框的IOU阈值,最终提高了小目标及遮挡目标的检测精度。孔方方等人[6]提出改进YOLOV3的全景交通监控目标检测方法,通过多尺度融合及使用K-means对目标框进行聚类分析,提高目标检测精度。李俊彦等人[7]提出基于YOLOV3和KCF的交通场景下多目标车辆跟踪算法,实现交通场景下车辆轨迹的获取。任宇杰等人[8]结合MobileNet网络思想,构建结合特征金字塔的多尺度全卷积网络结构,提升了目标在多任务场景下的检测性能。陈景明等人[9]通过级联感兴趣区域上下文信息有效提高了小目标的检测精度。郑秋梅等人[10]利用ResNet结构改进Darknet-53特征提取网络并增加尺度检测层,有效提高了复杂场景中小目标检测精度。……