YOLOv4算法改进及其在雾天交通事故识别中的应用

杨晨

(太原师范学院,山西 晋中030619)

1 概述

十字路口是交通事故高发区，一旦发生事故，出警处理不及时会造成路口拥堵，从而降低通行效率。交通事故识别主要依赖于车辆异常行为的检测与判定。车辆异常行为可以通过物体检测和目标跟踪算法，对画面中存在的每个物体的运动轨迹进行检测，从而实现细化到目标和具体行为的检测。以往的目标检测主要依赖人工手段，如车辆巡逻、目击者报警或人为观测。这些方法虽然简单直接，但需要占用大量的时间、人力和物力。此外，雾天环境下，空气中悬浮粒子对光线的散射，会导致监控视频画面模糊，色彩失真以及影像后期处理难的问题。因此，在雾天环境下，对车辆实现准确且快速检测具有重要的实践意义。

2012年，AlexNet[1]在ImageNet视觉挑战赛中一举夺冠，卷积神经网络重回大众视野。在大量的车辆检测算法中，基于深度学习的方法被广泛使用。深度卷积神经网络能自主完成对目标特征的学习，提取关键信息，从而具有更强的判别能力和泛化能力。深度卷积神经网络目前主要存在两类主流算法：一类是将region proposal与CNN网络结合起来所构建的基于分类的R-CNN[2]系列目标检测框架（two stage）；另一类是将目标检测转换为回归问题的算法（one stage），如YOLO（You Only Look Once）[3]系列和SSD（Single Shot Multibox Detector）[4]算法。文献[13]提出一种基于YOLOv3的深度学习目标检测算法YOLOv3-fass，该方法相较于YOLOv3更高效，更准确。文献[14]引入soft-NMS，提出一种解决车辆重叠导致识别精度低的改进YOLOv3算法，能够比较好的解决雾天车辆识别精度低的问题，但检测网络速度较慢；……