基于改进YOLOv5s的车脸检测算法

余国豪，贾玮迪，余鹏飞，李海燕，李红松

(云南大学 信息学院，云南 昆明 650500)

0 引 言

传统的灯光检测仪是通过追踪光强来移动支架从而定位前照灯的位置，该过程不仅耗时久，而且不够准确。为了解决此问题，本文基于相机成像并结合深度学习的方法，来定位前照灯的位置，以测量前照灯基准中的高度，同时，还可以利用图像中的车标、车身颜色等信息进一步防止车辆代检情况的发生。

基于深度学习的目标检测算法在车辆检测领域一直是热点研究方向。例如：Xu等[1]提出了基于SSD的车辆检测算法，引入注意力机制和残差连接，将其部署到树莓派上进行使用；Wei等[2]提出了基于PF-Net的车辆检测算法，多个通道共同表达一个局部信息，在相关数据集上取得了较好的效果；GUO等[3]提出了基于YOLOv4的车辆检测算法，引入注意力机制，使用GhostNet作为Backbone，不仅检测精度高，而且检测速度快。由于以上车辆检测算法主要应用于智能交通系统场景，与车检站车辆检测场景的应用需求区别较大，上述算法无法直接应用于车检站的车辆检测领域。查阅文献后未发现有前人研究过用机器学习或深度学习的方法来解决基于图像的车检站车辆检测问题，需要针对这一应用场景做有针对性的研究。

因此，本文针对车辆前照灯检测的实际需求，提出了一种改进YOLOv5s的轻量级网络模型，满足了对车辆前照灯检测的实时性与准确性的要求。实验结果表明，本文检测算法的综合性能最好，能够满足车检站中车辆检测工作的应用需求。……