基于改进YOLOv5 的车辆属性检测*

刘 俊，钟国韵，黄斯雯，刘麒麟

（东华理工大学 信息工程学院，江西 南昌 330013）

0 引言

目前计算机视觉研究者们在逐渐探索车辆图像数据处理的落地应用，以助力智慧交通。车辆属性检测就是其中一个基础的计算机视觉任务，主要检测车辆的车灯、车牌、车辆logo 等车辆属性区域位置，其结果可以被应用到很多下游的交通视觉任务。例如利用检测到的车灯属性来判定车辆是否变道打转向灯；车牌属性可以作为车牌OCR 识别的输入，还可结合整体的车辆属性，来实现车辆重识别等[1]。

由于早期显卡的显存和计算能力的限制，神经网络无法设计得很深，导致当时目标检测的研究还是偏向于传统的图像处理，主要可以分为区域选择、特征提取和分类三步。区域选择一般是通过在图像上进行逐块像素的遍历，来找到与目标匹配的区域；特征提取则是依据研究员的相关先验知识，如待检测目标的形状、纹理、明暗颜色等，从上一步获取的区域中提取特征，代表算法有尺度不变特征变换（SIFT）[2]和方向梯度直方图（HOG）[3]；最后是训练分类器将特征分类，主要利用将待分类数据的特征向量映射到高维空间，以实现将不同类别的数据分开，经典算法有支持向量机（SVM）[4]和AdaBoost[5]。

深度学习[6]开始流行后，基于卷积神经网络的方法逐渐在计算机视觉领域占据主导地位。具体到目标检测任务，检测的实时性不断提高，速度能够超过25 f/s，准确率也在逐渐上升，已经可以满足落地使用的要求。……