陳秀鋒 王成鑫 吳閱晨 谷可鑫

摘 要：針對(duì)城市道路車(chē)輛檢測(cè)中小目標(biāo)車(chē)輛漏檢率高和存在異類冗余框的問(wèn)題，提出一種改進(jìn)YOLOv5s的車(chē)輛實(shí)時(shí)檢測(cè)算法。對(duì)YOLOv5s算法網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化，采用增加小目標(biāo)檢測(cè)層，將淺層特征圖與深層特征圖拼接后進(jìn)行檢測(cè)的方法，提升小目標(biāo)車(chē)輛的檢測(cè)率；針對(duì)異類冗余框問(wèn)題，采用加權(quán)非極大值抑制融合兩邊框信息的方法，提升檢測(cè)準(zhǔn)確性。實(shí)驗(yàn)結(jié)果表明，改進(jìn)YOLOv5s算法的平均檢測(cè)精度（mAP@05∶095）達(dá)到6417%，相比YOLOv5s算法，查準(zhǔn)率、召回率分別提高172%、 072%；在小目標(biāo)車(chē)輛檢測(cè)中，正檢率提高595%，漏檢率降低463%。改進(jìn)YOLOv5s算法能有效改善小目標(biāo)車(chē)輛的檢測(cè)精度和準(zhǔn)確率。

關(guān)鍵詞：車(chē)輛檢測(cè)；深度學(xué)習(xí)；改進(jìn)YOLOv5s算法；小目標(biāo)檢測(cè)；異類冗余框

DOI：10.15938/j.jhust.2024.01.012

中圖分類號(hào)： U4912? 文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 1007-2683（2024）01-0107-08

A Real-time Detection Method of Vehicle Target Based on Improved YOLOv5s Algorithm

CHEN Xiufeng， WANG Chengxin， WU Yuechen， GU Kexin

（School of Civil Engineering， Qingdao University of Technology， Qingdao 266520，China）

Abstract：Aiming at the high missed detection rate of small target vehicles and the heterogeneous redundant frames in video vehicle detection， a real-time vehicle detection algorithm based on improved YOLOv5s was proposed To improve the detection rate of small target vehicles， an optimization of the YOLOv5s algorithm network structure was established， which added a small target detection layer and spliced the shallow feature map with the deep feature map in the detection For the problem of heterogeneous redundant frames， weighted non-maximum value suppression is used to fuse the information of both frames to improve the detection accuracy The experimental results show that the average detection accuracy （mAP@05∶095） of the improved YOLOv5s algorithm reaches 6417% Compared with the YOLOv5s algorithm， the precision and recall rate are improved by 172% and 072% respectively In the small target vehicle detection， the positive detection rate is increased by 595% and the missed detection rate is reduced by 463% The improved YOLOv5s algorithm can effectively improve the detection precision and accuracy of small target vehicles

Keywords：vehicle detection; deep learning; the improved YOLOv5 algorithm; small target detection; heterogeneous redundant frames

0 引 言

隨著城市化進(jìn)程的加快和居民出行需求的不斷提高，交通擁堵程度日益嚴(yán)峻，對(duì)道路交通運(yùn)行的安全、效率和智能化等提出了更高的要求。智能交通管理中實(shí)時(shí)準(zhǔn)確的信息采集和分析是交通管理措施有效的前提和保障。其中，視頻車(chē)輛檢測(cè)能夠?qū)崟r(shí)、準(zhǔn)確檢測(cè)車(chē)輛到達(dá)從而為交通管控提供有效的數(shù)據(jù)保障，已成為智能交通領(lǐng)域研究的熱點(diǎn)之一［1］。

Zhang等［2］融合毫米波雷達(dá)和相機(jī)的位置和速度信息，利用坐標(biāo)轉(zhuǎn)換和參數(shù)標(biāo)定生成感興趣區(qū)域，提出邊界框回歸算法精確定位和識(shí)別檢測(cè)目標(biāo)，但傳感器數(shù)據(jù)差異使得數(shù)據(jù)融合效果并不理想。Pablo等［3］利用物體的運(yùn)動(dòng)一致性來(lái)實(shí)現(xiàn)目標(biāo)檢測(cè)，采用高斯混合模型進(jìn)行背景建模，車(chē)輛跟蹤中提出目標(biāo)空間鄰接的粒子濾波算法，并采用自定義的虛擬環(huán)路檢測(cè)實(shí)現(xiàn)車(chē)輛統(tǒng)計(jì)，模型能較好地改善道路車(chē)輛檢測(cè)能力，但在光照變化復(fù)雜和陰影環(huán)境下的檢測(cè)誤差較大。Kachach等［4］提取滑動(dòng)窗口內(nèi)方向梯度直方圖特征，利用線性支持向量機(jī)實(shí)現(xiàn)車(chē)輛目標(biāo)檢測(cè)分類。但模型參數(shù)的確定較為復(fù)雜，在工程應(yīng)用中的適應(yīng)性和穩(wěn)定性有待提高。隨著機(jī)器學(xué)習(xí)技術(shù)的發(fā)展，先進(jìn)的深度學(xué)習(xí)技術(shù)逐步應(yīng)用到車(chē)輛目標(biāo)檢測(cè)，并取得了理想的性能?；谏疃葘W(xué)習(xí)的目標(biāo)檢測(cè)方法分為兩類：一步法和兩步法［5］。一步法的典型算法為You Only Look Once（YOLO）系列算法［6-7］，YOLO將對(duì)象分類和檢測(cè)過(guò)程統(tǒng)一為一個(gè)回歸過(guò)程［8］，直接利用回歸來(lái)檢測(cè)目標(biāo)。兩步法［9］的代表模式為Region Convolutional Neural Network（R-CNN）系列算法［10-12］，采用選擇搜索算法在目標(biāo)圖像中選擇候選目標(biāo)區(qū)域，提取候選區(qū)域目標(biāo)并按照統(tǒng)一尺寸對(duì)圖像進(jìn)行裁剪，經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)采集數(shù)據(jù)輸出特征圖像，利用支持向量機(jī)分類器進(jìn)行判斷和回歸校正，從而得出目標(biāo)檢測(cè)結(jié)果。相對(duì)于兩步法，一步法更適合實(shí)時(shí)性的車(chē)輛檢測(cè)［13］。YOLO系列算法通過(guò)卷積神經(jīng)網(wǎng)絡(luò)提取特征來(lái)產(chǎn)生目標(biāo)的位置和類別信息，是一種端到端的目標(biāo)檢測(cè)算法，具有更快的檢測(cè)速度。其中，YOLOv5算法在YOLOv4算法的基礎(chǔ)上加以改進(jìn)，根據(jù)不同通道的尺度進(jìn)行縮放，改變主干網(wǎng)絡(luò)和頸部網(wǎng)絡(luò)結(jié)構(gòu)加快算法訓(xùn)練速度。然而，在實(shí)際的車(chē)輛檢測(cè)應(yīng)用中，由于下采樣、卷積等操作的存在，深度神經(jīng)網(wǎng)絡(luò)架構(gòu)中的特征映射大小隨著層數(shù)的增加而逐漸減小，這導(dǎo)致了網(wǎng)絡(luò)傳播過(guò)程中特征的丟失，削弱了特征的利用率。與利用深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的算法類似，YOLOv5算法中也存在對(duì)于遠(yuǎn)距離小目標(biāo)的檢測(cè)能力不足，小目標(biāo)車(chē)輛漏檢率高、異類冗余框、檢測(cè)效率低等問(wèn)題。

綜上，本文在YOLOv5s算法的基礎(chǔ)上，增加小目標(biāo)檢測(cè)層［14］來(lái)解決小目標(biāo)車(chē)輛漏檢率高問(wèn)題，其次，通過(guò)判斷是否存在異類冗余框并融合異類冗余框的兩步操作法，來(lái)抑制出現(xiàn)的異類冗余框問(wèn)題。

1 YOLOv5s算法原理

YOLO系列利用CNN將輸入圖片劃分成網(wǎng)格，每個(gè)網(wǎng)格負(fù)責(zé)檢測(cè)目標(biāo)中心落入網(wǎng)格，然后預(yù)測(cè)邊界框和邊界框的置信度，最后利用非極大值抑制進(jìn)行網(wǎng)絡(luò)預(yù)測(cè)［15］。YOLOv5系列算法具有檢測(cè)查準(zhǔn)率較高、算法運(yùn)行速度快等優(yōu)勢(shì)，已經(jīng)部署于道路車(chē)輛的實(shí)時(shí)檢測(cè)。YOLOv5系列中包含了4種模式，分別是YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x，算法體積逐漸擴(kuò)大，相應(yīng)的檢測(cè)查準(zhǔn)率越高。YOLOv5s算法［16］流程分為訓(xùn)練和檢測(cè)兩個(gè)流程部分，其中YOLOv5s的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。YOLOv5s算法網(wǎng)絡(luò)結(jié)構(gòu)分為頭部（Head）、頸部（Neck）和主干網(wǎng)絡(luò)（Backbone）。主干網(wǎng)絡(luò)由Foucs結(jié)構(gòu)和CSP（center and scale prediction）模塊構(gòu)成，用于從輸入圖像中提取關(guān)鍵特征；頸部網(wǎng)絡(luò)由SPP模塊和PA-NET（path aggregation network）組成，用于將主干輸出的特征整合后提供給頭部網(wǎng)絡(luò)；頭部網(wǎng)絡(luò)負(fù)責(zé)最后的檢測(cè)步驟，將邊界框位置與識(shí)別類型構(gòu)造神經(jīng)網(wǎng)絡(luò)形成最終輸出向量［17］。

圖1中，Conv指代卷積層，BN指代批標(biāo)準(zhǔn)化層，縮放特征圖像使輸入標(biāo)準(zhǔn)化固定每層輸入信號(hào)的均值與方差，緩解過(guò)擬合；LeakyReLU與SiLU為激活函數(shù)；CSP即Cross Stage Partial，指跨階段局部層；MaxPool為最大值池化層；Focus為注意力層；Concat為組合層；SPP即Spatial Pyramid Pooling，指空間金字塔池化層；ResUnit為殘差單元［18］，借鑒殘差神經(jīng)網(wǎng)絡(luò)的思想，解決了卷積網(wǎng)絡(luò)隨著深度增加出現(xiàn)梯度消失的問(wèn)題［19］，使網(wǎng)絡(luò)可以傳播更深。

訓(xùn)練流程部分主要包含損失函數(shù)與數(shù)據(jù)增強(qiáng)兩個(gè)模塊，YOLOv5采用 CIOU-Loss 作為邊界框回歸損失函數(shù)［20］，有效解決了邊界框不重合時(shí)的問(wèn)題；除翻轉(zhuǎn)、旋轉(zhuǎn)、變形、縮放等傳統(tǒng)數(shù)據(jù)增強(qiáng)方法外，YOLOv5訓(xùn)練過(guò)程額外采用馬賽克數(shù)據(jù)增強(qiáng)方法［21］，阻止神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)不相關(guān)的特征，緩解過(guò)擬合現(xiàn)象，提升算法整體性能。

檢測(cè)流程部分，首先，在將圖像輸入 YOLOv5網(wǎng)絡(luò)前需要先對(duì)圖像進(jìn)行縮放和補(bǔ)零，使圖像尺寸符合YOLOv5網(wǎng)絡(luò)的輸入要求；其次，經(jīng)YOLOv5算法運(yùn)算后輸出若干邊界框的位置信息與類型預(yù)測(cè)結(jié)果，再利用非極大值抑制模塊處理輸出邊界框，以減少重復(fù)檢測(cè)的邊界框數(shù)量；最后，將剩余邊界框進(jìn)行輸出，作為圖像中車(chē)輛的檢測(cè)結(jié)果。

2 改進(jìn)YOLOv5s車(chē)輛檢測(cè)算法

2.1 網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化

YOLOv5s算法的下采樣次數(shù)多，降低圖像分辨率的同時(shí)導(dǎo)致檢測(cè)效果低下，且層數(shù)較深的特征圖像很難學(xué)習(xí)到小尺寸目標(biāo)的特征信息，無(wú)法有效檢測(cè)小目標(biāo)。本文在 YOLOv5s算法中增加小目標(biāo)檢測(cè)層，將淺層特征圖與深層特征圖拼接后進(jìn)行檢測(cè)，如圖2所示。小目標(biāo)檢測(cè)層由上采樣模塊、融合模塊、Bottleneck CSP模塊與卷積模塊組成。紅色柵格區(qū)域?yàn)樾∧繕?biāo)檢測(cè)層。對(duì)第17層圖像特征上采樣后放大輸入圖像細(xì)節(jié)，使得小目標(biāo)物體經(jīng)過(guò)上采樣后，特征信息中小目標(biāo)物體的像素點(diǎn)占具一定比例；將第20層輸出圖像與主干網(wǎng)絡(luò)中第2層輸出圖像進(jìn)行融合，使得深層特征圖與淺層特征圖在語(yǔ)義性和空間性上進(jìn)行更好的平衡，以優(yōu)化小尺寸目標(biāo)檢測(cè)效果。在原三組錨框基礎(chǔ)上，增加一組較小的錨框，這些錨框長(zhǎng)寬分別為（6，7）、（9，15）、（16，12）。

2.2 異類冗余框抑制

YOLOv5s算法中結(jié)果輸出采用非極大值抑制消除同類型重復(fù)檢測(cè)的邊界框，但存在將目標(biāo)檢測(cè)為不同類型的情況。小汽車(chē)被檢測(cè)為car后又被檢測(cè)為truck，將這組邊界框稱為異類冗余框，如圖3所示。針對(duì)此問(wèn)題，本文在YOLOv5s算法中提出異類冗余框抑制方法，該方法包括異類冗余框判別和融合兩步操作。

YOLOv5s算法結(jié)果輸出為二維數(shù)組，數(shù)組每行代表一條檢測(cè)結(jié)果，每條檢測(cè)結(jié)果表示為

pbi=［x1i，y1i，x2i，y2i，Ppi，{ηi∶l}］（1）

式中：pbi為邊界框i的預(yù)測(cè)結(jié)果；x1i與y1i為邊界框左上角點(diǎn)的橫縱坐標(biāo)（pixel）；x2i與y2i為邊界框右下角點(diǎn)的橫縱坐標(biāo)（pixel）；Ppi為預(yù)測(cè)概率；ηi為識(shí)別類型；{ηi∶l}為類型字典，l為車(chē)輛類型檢測(cè)次數(shù)。

判別異類冗余框流程為：計(jì)算兩兩邊界框間IoU（intersection over union）值，若IoU值高于異類冗余框閾值，

則判定邊界框?yàn)楫愵惾哂嗫?。閾值根?jù)非極大值抑制模塊的閾值取值。IoU的計(jì)算公式為

IoUij=aIij（ai+aj－aIij）（2）

aIij=max（0，min（x2i，x2j）－max（x1i，x1j））×max（0，min（y2i，y2j）－max（y1i，y1j））（3）

ai=|x2i－x1i||y2i－y1i|（4）

aj=|x2j－x1j||y2j－y1j|（5）

式中：aIij為邊界框i與j重疊區(qū)域面積（pixel×pixel）；ai為邊界框i的面積（pixel×pixel）。

融合異類冗余框步驟為：取異類冗余框坐標(biāo)均值作為融合邊界框坐標(biāo)，將兩個(gè)邊界框類型加權(quán)求和后放入類型字典。識(shí)別類型不同時(shí)，采用加權(quán)非極大值抑制以增加注意框面積，豐富模型提取到的細(xì)節(jié)數(shù)據(jù)信息，使得邊界框定位更加準(zhǔn)確，從而提升算法檢測(cè)性能。異類冗余框融合的結(jié)果表示為

pbi=x1i+x1j2，y1i+y1j2，x2i+x2j2，y2i+y2j2，Ppi+Ppj2，

ηi∶2aiPpi2，ηj∶2ajPpj2，ηi≠ηj

x1i+x1j2，y1i+y1j2，x2i+x2j2，y2i+y2j2，Ppi+Ppj2，

{ηi∶2}，ηi=ηj（6）

在車(chē)輛檢測(cè)過(guò)程中，若同一輛車(chē)被多次檢測(cè)，將每次識(shí)別類型保存于類型字典中，輸出車(chē)輛類型時(shí)選擇數(shù)值最大的識(shí)別類型。

2.3 算法流程

改進(jìn)YOLOv5s算法車(chē)輛檢測(cè)系統(tǒng)含有4個(gè)子模塊：數(shù)據(jù)庫(kù)建立、網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化、模型訓(xùn)練和車(chē)輛檢測(cè)，如圖4所示。

數(shù)據(jù)庫(kù)提供模型訓(xùn)練所需的數(shù)據(jù)集；以YOLOv5s為基準(zhǔn)算法，增加小目標(biāo)檢測(cè)層，優(yōu)化神經(jīng)網(wǎng)絡(luò)小尺寸車(chē)輛圖像的檢測(cè)能力；在改進(jìn)YOLOv5s網(wǎng)絡(luò)上訓(xùn)練算法以更新算法參數(shù)；利用改進(jìn)YOLOv5s算法檢測(cè)圖像獲得檢測(cè)目標(biāo)的邊界框，基于非極大值抑制模塊消除同類型的重復(fù)檢測(cè)邊界框，然后利用異類冗余框抑制模塊消除不同類型的重復(fù)檢測(cè)邊界框。

3 實(shí)驗(yàn)分析與驗(yàn)證

3.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集

本文實(shí)驗(yàn)軟硬件設(shè)置為：Windows10操作系統(tǒng)，Inter-酷睿i5-10200H CPU，NVIDIA GeForce GTX 1650ti GPU，16GB內(nèi)存，Pycharm Community IDE。

以美國(guó)AI-HCM-CITY2020數(shù)據(jù)集為基準(zhǔn)，車(chē)輛數(shù)據(jù)場(chǎng)景涵蓋白天、黑夜、路段、交叉口等共26種，經(jīng)過(guò)數(shù)據(jù)分析、清洗、馬賽克數(shù)據(jù)增強(qiáng)技術(shù)等制作均衡數(shù)據(jù)集，最終獲取4671張圖片，其中小汽車(chē)樣本13596個(gè)，公交或中大型客車(chē)樣本6604個(gè)，貨車(chē)或卡車(chē)樣本6195個(gè)，以此數(shù)據(jù)集訓(xùn)練改進(jìn)YOLOv5s算法。

采用實(shí)際道路交叉口車(chē)輛數(shù)據(jù)驗(yàn)證改進(jìn)YOLOv5s算法的有效性。對(duì)于小目標(biāo)檢測(cè)效果，本文以青島市市南區(qū)香港中路-燕兒島路交叉口南進(jìn)口2022年5月17日晚高峰10分鐘視頻數(shù)據(jù)集為研究對(duì)象，對(duì)前7分12秒視頻圖像每隔5秒截取圖像，共得到80幀作為樣本。對(duì)于異類冗余框抑制效果，選取香港東路-海爾路交叉口2022年5月18日早高峰監(jiān)控視頻數(shù)據(jù)作為研究對(duì)象，取視頻前1分12秒，視頻幀率為25frame/s，每5～125幀輸出一次檢測(cè)樣本。

3.2 改進(jìn)前后YOLOv5s算法的對(duì)比分析

3.2.1 改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)算法性能測(cè)試

改進(jìn)YOLOv5s算法增加小目標(biāo)檢測(cè)層，檢驗(yàn)對(duì)于提升小目標(biāo)車(chē)輛的檢測(cè)能力；改進(jìn)異類冗余框抑制模塊，檢驗(yàn)對(duì)于車(chē)輛誤檢率的變換情況。對(duì)比改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)YOLOv5s算法，得出算法在車(chē)輛實(shí)時(shí)檢測(cè)中的查準(zhǔn)率、召回率、mAP@05、mAP@05∶095和檢測(cè)速度的數(shù)據(jù)指標(biāo)如表1所示，其指標(biāo)中的查準(zhǔn)率體現(xiàn)了檢測(cè)算法拒絕錯(cuò)誤檢驗(yàn)的能力，召回率體現(xiàn)了算法正確檢驗(yàn)的能力，檢測(cè)速度體現(xiàn)算法快速檢測(cè)目標(biāo)物體的能力，平均準(zhǔn)確率反映了算法對(duì)于車(chē)輛目標(biāo)的綜合檢測(cè)性能。

從表1可以看出，相比YOLOv5s算法，改進(jìn)YOLOv5s算法的查準(zhǔn)率提高了172%，召回率提高了 072%，mAP@05指標(biāo)提高了138%，mAP@05∶095指標(biāo)提高了128%。改進(jìn)YOLOv5s算法增加了小目標(biāo)檢測(cè)層，檢測(cè)速度下降約16216%。

3.2.2 迭代過(guò)程可視化分析

在AI-HCM-CITY2020構(gòu)建的均衡數(shù)據(jù)集上，將改進(jìn)前后YOLOv5s算法分別進(jìn)行訓(xùn)練，記錄算法前50epoch的變化過(guò)程，見(jiàn)圖5?？梢钥闯?，在迭代23次前改進(jìn)YOLOv5s算法的查準(zhǔn)率、召回率、mAP@05、mAP@05∶095指標(biāo)均略低于YOLOv5s算法，說(shuō)明增加了小目標(biāo)檢測(cè)的改進(jìn)算法中網(wǎng)絡(luò)結(jié)構(gòu)更深，需要的訓(xùn)練時(shí)間更長(zhǎng)且迭代初期不穩(wěn)定。但隨著迭代次數(shù)的增加，從數(shù)據(jù)中提取的特征信息不斷累積，數(shù)據(jù)特征信息不斷豐富，迭代恢復(fù)穩(wěn)定狀態(tài)。改進(jìn)算法性能指標(biāo)與YOLOv5s算法基本持平，甚至優(yōu)于YOLOv5s算法。

3.2.3 小目標(biāo)檢測(cè)效果對(duì)比

將改進(jìn)前后YOLOv5s算法對(duì)小目標(biāo)車(chē)輛檢測(cè)效果進(jìn)行驗(yàn)證，假設(shè)不存在車(chē)輛重檢或?qū)⒎擒?chē)輛物體識(shí)別為車(chē)輛。如圖6所示，工程應(yīng)用中視頻檢測(cè)器設(shè)置于進(jìn)口道停車(chē)線上游，在檢測(cè)對(duì)向進(jìn)口道車(chē)輛時(shí)，YOLOv5s算法出現(xiàn)小目標(biāo)車(chē)輛漏檢（見(jiàn)圖6（a））。改進(jìn)的YOLOv5s算法在同樣場(chǎng)景下可有效實(shí)現(xiàn)小目標(biāo)車(chē)輛檢測(cè)（見(jiàn)圖6（b））。說(shuō)明改進(jìn)算法增強(qiáng)了分辨率較低情況下對(duì)于小目標(biāo)車(chē)輛的檢測(cè)能力。本文采用正檢率、誤檢率、漏檢率指標(biāo)來(lái)衡量改進(jìn)算法的有效性，兩種算法的檢測(cè)結(jié)果對(duì)比如表2所示。

由表2可知，在小目標(biāo)車(chē)輛檢測(cè)中，相比較YOLOv5s算法，本文算法的正檢率提高了595%，誤檢率降低了217%，漏檢率降低了463%，均優(yōu)于YOLOv5s算法，表明改進(jìn)YOLOv5s算法對(duì)小目標(biāo)車(chē)輛檢測(cè)有較強(qiáng)的識(shí)別能力。

3.2.4 異類冗余框抑制效果對(duì)比

采用正檢率、誤檢率、漏檢率和重檢率評(píng)價(jià)指標(biāo)對(duì)比分析改進(jìn)YOLOv5s算法對(duì)異類冗余框抑制的效果，結(jié)果見(jiàn)表3。重檢率為目標(biāo)檢測(cè)中同一樣本被標(biāo)記為不同類別樣本的比率，其計(jì)算公式為

Pδ=∑iΩmδ（i）mall

式中：Pδ為重檢率；mδ（i）為第i 幀重復(fù)檢測(cè)車(chē)輛數(shù)。

由表3可見(jiàn)，改進(jìn)YOLOv5s算法正檢率提高了702%，誤檢率降低了936%，漏檢率降低了124%。YOLOv5s算法的車(chē)輛重檢率高達(dá)760%，改進(jìn)算法不存在車(chē)輛重檢情況，改進(jìn)算法有效解決了車(chē)輛重檢問(wèn)題。

YOLOv5s算法與改進(jìn)YOLOv5s算法部分輸出檢測(cè)結(jié)果對(duì)比如圖7所示?？梢钥闯霾捎酶倪M(jìn)的YOLOv5s算法，其輸出結(jié)果中不存在車(chē)輛重檢?？梢?jiàn)改進(jìn)算法消除了異類冗余框。

4 結(jié) 論

本文提出一種改進(jìn)YOLOv5s算法應(yīng)用于道路車(chē)輛檢測(cè)，利用小目標(biāo)檢測(cè)層改進(jìn)YOLOv5s算法網(wǎng)絡(luò)結(jié)構(gòu)，采用異類冗余框抑制模塊提升YOLOv5s算法檢測(cè)準(zhǔn)確率。在車(chē)輛檢測(cè)數(shù)據(jù)集AI-HCM-CITY2020上對(duì)改進(jìn)YOLOv5s算法進(jìn)行訓(xùn)練，利用實(shí)際道路監(jiān)控?cái)?shù)據(jù)進(jìn)行檢驗(yàn)，實(shí)驗(yàn)表明，改進(jìn)YOLOv5s算法查準(zhǔn)率、召回率、mAP@05、mAP@05∶095相比YOLOv5s算法有所提高，檢測(cè)速度有一定降低，但仍能滿足實(shí)時(shí)性要求。在后續(xù)研究中，需要針對(duì)改進(jìn)YOLOv5s算法導(dǎo)致網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜的情況下，實(shí)現(xiàn)目標(biāo)檢測(cè)高精度和高速度的平衡。

參 考 文 獻(xiàn)：

［1］ WU T， ZHOU P， LIU K， et al. Multi-agent Deep Reinforcement Learning for Urban Traffic Light Control in Vehicular Networks ［J］. IEEE Transactions on Vehicular Technology， 2020， 69（8）： 8243.

［2］ ZHANG X， ZHOU M， QIU P， et al. Radar and Vision Fusion for the Real-time Obstacle Detection and Identification ［J］. Industrial Robot An International Journal， 2019， 46（3）： 391.

［3］ PABLO B， CHRISTIANO B， FABIANO， et al. A Novel Video Based System for Detecting and Counting Vehicles at User-Defined Virtual Loops ［J］. Expert Systems with Applications， 2015， 42（4）： 1845.

［4］ KACHACH R， CANAS J M. Hybrid Three-dimensional and Support Vector Machine Approach for Automatic Vehicle Tracking and Classification Using a Single Camera ［J］. Journal of Electronic Imaging， 2016， 25（3）： 033021.

［5］ TIAN Y N， YANG G D， WANG Z， et al. Apple Detection During Different Growth Stages in Orchards Using the Improved YOLO-v3 Model ［J］. Computers and Electronics in Agriculture， 2019，157：417.

［6］ REDMON J， DIVVALA S， GIRSHICK R， et al. You Only Look Once： Unified， Real-time Object Detection ［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2016： 779.

［7］ REDMON J， FARHADI A. YOLO9000： better， faster， stronger ［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2017： 7263.

［8］ REDMON J， FARHADI A. YOLOv3：An Incremental Improvement ［R］. arXiv： 1804. 02767v1， 2018.

［9］ BOCHKOVSKIY A， WANG C Y， LIAO H Y M. Yolov4： Optimal Speed and Accuracy of Object Detection ［J/OL］. arXiv： 109342020. http：//arxiv.org/abs/2004.10934， 2020.

［10］GIRSHICK R， DONHUE J， Darrell T， et al. Region-based Convolutional Networks for Accurate Object Detection and Segmentation ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2015， 38（1）： 142.

［11］ZHANG N， DONAHUE J， GIRSHICK R， et al. Part-based R-CNNs for Fine-grained Category Detection ［C］// European Conference on Computer Vision. ECCV， Zurich， 2014： 834.

［12］HE K， ZHANG X， REN S， et al. Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2015， 37（9）： 1904.

［13］朱茂桃， 邢浩，方瑞華. 基于YOLO-TridentNet的車(chē)輛檢測(cè)方法 ［J］.重慶理工大學(xué)學(xué)報(bào)：自然科學(xué) ， 2020， 34（11）： 1.

ZHU Maotao， XING Hao， FANG Ruihua. Vehicle Detection Based on YOLO-TridentNet ［J］. Journal of Chongqing University of Technology：Natural Science， 2020， 34（11）： 1.

［14］柳長(zhǎng)源， 王琪， 畢曉君. 多目標(biāo)小尺度車(chē)輛目標(biāo)檢測(cè)方法 ［J］.控制與決策，2021，36（11）：2707.

LIU Changyuan， WANG Qi， BI Xiaojun. Multi-target and Small-scale Vehicle Target Detection Method ［J］. Control and Decision， 2021，36（11）：2707.

［15］邵延華， 張鐸， 楚紅雨， 等.基于深度學(xué)習(xí)的YOLO目標(biāo)檢測(cè)綜述［J］.電子與信息學(xué)報(bào)，2022，44（10）：3697.

YAN Shaohua， ZHANG Duo， CHU Hongyu， et al. A Review of YOLO Object Detection Based on Deep Learning ［J］. Journal of Electronics & Information Technology， 2022，44（10）：3697.

［16］李海軍， 孔繁程， 林云. 基于改進(jìn)的YOLOv5s紅外艦船檢測(cè)算法 ［J/OL］.系統(tǒng)工程與電子技術(shù)：1.

LI Haijun， KONG Fancheng， LIN Yun. Infrared Ship Detection Algorithm Based on Improved YOLOv5s ［J/OL］. Systems Engineering and Electronics：1.

［17］蔡仁昊， 程寧， 彭志勇， 等. 基于深度學(xué)習(xí)的輕量化紅外弱小車(chē)輛目標(biāo)檢測(cè)算法研究［J］.紅外與激光工程，2022，51（12）：357.

CAI Renhao， CHENG Ning， PENG Zhiyong， et all. Lightweight Infrared Dim Vehicle Target Detection Algorithm Based on Deep Learning ［J］. Infrared and Laser Engineering，2022，51（12）：357.

［18］CHOLLET F． Xception： Deep Learning with Depthwise Separable Convolutions ［J］． arXiv preprint arXiv： 1610．02357，2016．

［19］黃英來(lái)， 李大明， 呂鑫， 等. 改進(jìn)YOLOv4算法的袋料香菇檢測(cè)方法 ［J］.哈爾濱理工大學(xué)學(xué)報(bào)，2022，27（4）：23.

HUANG Yinglai， LI Daming， L Xin， et all. A Detection Method of Lentinus Edodes Based on Improved YOLOv4 Algorithm ［J］. Journal of Harbin University of Science and Technology，2022，27（4）：23.

［20］Dong X， Yan S， Duan C. ALightweight Vehicles Detection Network Model Based on YOLOv5 ［J］. Engineering Applications of Artificial Intelligence， 2022， 113： 104914.

［21］FAWZI A， SAMULOWITZ H， TURAGA D， et al. Adaptive Data Augmentation for Image Classification ［C］// IEEE International Conference on Image Processing. IEEE， 2016： 3688.

（編輯：溫澤宇）

基金項(xiàng)目： 國(guó)家自然科學(xué)基金（52272311）；國(guó)家自然科學(xué)基金青年基金（62003182）

作者簡(jiǎn)介：王成鑫（1998—），男，碩士研究生;

吳閱晨（1997—）， 男，碩士

通信作者：陳秀鋒（1977—），男，博士，副教授，E-mail：chenxiufeng@quteducn