基于增强Tiny YOLOV3算法的车辆实时检测与跟踪

论文摘要

针对深度学习方法在视觉车辆检测过程中对小目标车辆漏检率高和难以实现嵌入式实时检测的问题,该文基于Tiny YOLOV3算法提出了增强Tiny YOLOV3模型,并通过匈牙利匹配和卡尔曼滤波算法实现目标车辆的跟踪。在车载Jetson TX2嵌入式平台上,分别在白天和夜间驾驶环境下进行了对比试验。试验结果表明:与Tiny YOLOV3模型相比,增强Tiny YOLOV3模型的车辆检测平均准确率提高4.6%,平均误检率减少0.5%,平均漏检率降低7.4%,算法平均耗时增加43.8 ms/帧;加入跟踪算法后,本文算法模型的车辆检测平均准确率提高10.6%,平均误检率减少1.2%,平均漏检率降低23.6%,平均运算速度提高5倍左右,可达30帧/s。结果表明,所提出的算法能够实时准确检测出目标车辆,为卷积神经网络模型的嵌入式工程应用提供了参考。

论文目录

文章来源

类型: 期刊论文

作者: 刘军,后士浩,张凯,张睿,胡超超

关键词: 车辆,机器视觉,模型,车辆检测,车辆跟踪,算法,卡尔曼滤波

来源: 农业工程学报 2019年08期

年度: 2019

分类: 农业科技,工程科技Ⅱ辑,信息科技

专业: 汽车工业,计算机软件及计算机应用

单位: 江苏大学汽车与交通工程学院

基金: 国家自然科学基金项目(51275212)

分类号: TP391.41;U463.6

页码: 118-125

总页数: 8

文件大小: 1447K

下载量: 1162

相关论文文献

标签：车辆论文;  机器视觉论文;  模型论文;  车辆检测论文;  车辆跟踪论文;  算法论文;  卡尔曼滤波论文;