基于改進YOLOv5的車輛屬性檢測
2022年電子技術(shù)應(yīng)用第7期
劉 俊，鐘國韻，黃斯雯，劉麒麟
東華理工大學 信息工程學院，江西 南昌330013
摘要： 車輛屬性檢測是一個基礎(chǔ)任務(wù)，其屬性檢測結(jié)果可以被應(yīng)用到很多下游的交通視覺任務(wù)。提出了一種基于YOLOv5的車輛屬性檢測改進算法。針對檢測目標較小的問題，加入了卷積注意力模塊，讓網(wǎng)絡(luò)模型把更多的注意力放在小目標對象上；針對數(shù)據(jù)集樣本種類較少的問題，改進了YOLOv5的馬賽克數(shù)據(jù)增強方式；使用自門控激活函數(shù)Swish，起到抑制噪聲、加快收斂速度并提升模型魯棒性的作用。此外，還在公開車輛數(shù)據(jù)集VeRi-776的基礎(chǔ)上進行了詳細的車輛屬性標注，構(gòu)建了一個車輛屬性數(shù)據(jù)集。實驗結(jié)果表明，改進后的算法比原始YOLOv5的平均精確率提升了4.6%，能夠準確地檢測到車輛圖像的通用屬性，可以供下游任務(wù)使用。
中圖分類號： TP391；TP183
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.222802
中文引用格式： 劉俊，鐘國韻，黃斯雯，等. 基于改進YOLOv5的車輛屬性檢測[J].電子技術(shù)應(yīng)用，2022，48(7)：19-24，29.
英文引用格式： Liu Jun，Zhong Guoyun，Huang Siwen，et al. Vehicle attribute detection based on improved YOLOv5[J]. Application of Electronic Technique，2022，48(7)：19-24，29.
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.222802
中文引用格式： 劉俊，鐘國韻，黃斯雯，等. 基于改進YOLOv5的車輛屬性檢測[J].電子技術(shù)應(yīng)用，2022，48(7)：19-24，29.
英文引用格式： Liu Jun，Zhong Guoyun，Huang Siwen，et al. Vehicle attribute detection based on improved YOLOv5[J]. Application of Electronic Technique，2022，48(7)：19-24，29.
Vehicle attribute detection based on improved YOLOv5
Liu Jun，Zhong Guoyun，Huang Siwen，Liu Qilin
School of Information Engineering，East China University of Technology，Nanchang 330013，China
Abstract： Vehicle attribute detection is a basic task, which can be applied to many downstream traffic vision tasks. This paper presents an improved vehicle attribute detection algorithm based on YOLOv5. Aiming at the problem of small target detection, this paper adds the convolution attention module to make the network model pay more attention to the small target object. Aiming at the problem of less sample types of the dataset, this paper improves the mosaic data enhancement method of YOLOv5. The self-gated activation function Swish is used to suppress noise, accelerate convergence speed, and improve the robustness of the model. In addition, this paper also makes a detailed vehicle attribute labeling based on the public vehicle dataset VeRi-776, and constructs a vehicle attribute dataset. The experimental results show that the average accuracy of the improved algorithm is 4.6 % higher than that of the original YOLOv5, which can accurately detect the general attributes of vehicle images and can be used for downstream tasks.
Key words : vehicle attribute；object detection；YOLOv5 algorithm
0 引言
目前計算機視覺研究者們在逐漸探索車輛圖像數(shù)據(jù)處理的落地應(yīng)用，以助力智慧交通。車輛屬性檢測就是其中一個基礎(chǔ)的計算機視覺任務(wù)，主要檢測車輛的車燈、車牌、車輛logo等車輛屬性區(qū)域位置，其結(jié)果可以被應(yīng)用到很多下游的交通視覺任務(wù)。例如利用檢測到的車燈屬性來判定車輛是否變道打轉(zhuǎn)向燈；車牌屬性可以作為車牌OCR識別的輸入，還可結(jié)合整體的車輛屬性，來實現(xiàn)車輛重識別等[1]。
由于早期顯卡的顯存和計算能力的限制，神經(jīng)網(wǎng)絡(luò)無法設(shè)計得很深，導致當時目標檢測的研究還是偏向于傳統(tǒng)的圖像處理，主要可以分為區(qū)域選擇、特征提取和分類三步。區(qū)域選擇一般是通過在圖像上進行逐塊像素的遍歷，來找到與目標匹配的區(qū)域；特征提取則是依據(jù)研究員的相關(guān)先驗知識，如待檢測目標的形狀、紋理、明暗顏色等，從上一步獲取的區(qū)域中提取特征，代表算法有尺度不變特征變換(SIFT)[2]和方向梯度直方圖(HOG)[3]；最后是訓練分類器將特征分類，主要利用將待分類數(shù)據(jù)的特征向量映射到高維空間，以實現(xiàn)將不同類別的數(shù)據(jù)分開，經(jīng)典算法有支持向量機(SVM)[4]和AdaBoost[5]。
本文詳細內(nèi)容請下載：http://m.jysgc.com/resource/share/2000004580。
作者信息：
劉 俊，鐘國韻，黃斯雯，劉麒麟
(東華理工大學 信息工程學院，江西 南昌330013)
此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。