基于改进的YOLO v3车辆检测方法

顾晋，罗素云

（201620 上海市 上海工程技术大学 机械与汽车工程学院）

0 引言

车辆检测是目标检测的一种，目标检测的发展经历了传统检测方法、机器学习以及现在热门的深度学习3 类算法阶段。传统的检测方法主要由3 部分构成滑窗区域选择、手工设计特征并提取（一般有HOG[1]、SIFT[2]等算法），分类器分类检测（常用算法有SVM[3]、ADABOOST[4]等）。传统目标检测方法的不足主要有：（1）滑窗区域选择遍历图片效率低下，图片的重要特征所在的部位各不相同，造成时间的浪费严重；（2）手工设计特征受外部条件例如光照、阴影、目标形态多变等影响严重，鲁棒性差；（3）分类器受特征及样本影响大，易产生假阳性，训练时间过长等问题。

基于深度学习的目标检测算法，利用大量的数据完成对模型的训练[5]，其算法的泛化能力、鲁棒性更强，更适合目标复杂多变、背景复杂多变的实际应用场景，而不是如传统检测算法一样受限于实际应用中的诸多因素。目前，主流的基于深度神经网络的目标检测方法主要分为TWO-STAGE方法和ONE-STAGE方法[6]，即基于Region-proposal[7]的TWO-STAGE 方法：R-CNN，Fast R-CNN，MR-CNN 和基于回归的ONE-STAGE[8]方法：YOLO，SSD。本文提出的改进算法以YOLO v3 为骨架。YOLO 算法于2015年在CVPR2016 上出版，它避免了CNN 算法速度慢的问题，但同时也牺牲了一部分的定位精确度。相对于YOLO-v1,YOLO-9000，YOLO v3 解决了许多前身存在的问题。本文通过简化YOLO v3 的网络结构，引入K-means++[9]处理数据集，用更优秀的GIOU 损失函数代替原有的MSE 函数，提升了YOLO v3 的精确度并兼具识别速度。实验证明，本文提出的改进算法可取得较好的效果，Recall 值达到了88%。……