YOLO9000模型的车辆多目标视频检测系统研究

被引：15

作者：

李鹏飞

刘瑶

李珣

张宏伟

机构：

[1] 西安工程大学电子信息学院

来源：

计算机测量与控制 | 2019年 / 27卷 / 08期

关键词：

智能交通; 目标检测; 网络模型; 正确率;

D O I：

10.16526/j.cnki.11-4762/tp.2019.08.005

中图分类号：

TP391.41 []; U495 [电子计算机在公路运输和公路工程中的应用];

学科分类号：

080203 ; 0838 ;

摘要：

提出了一种基于Darknet框架下YOLO9000算法的车辆多目标检测方法;该方法在YOLO9000算法基础下,根据训练结果和车辆目标特征对YOLO9000网络模型进行改进,并对其算法参数进行调整,获得更为适合于当前道路视频检测的YOLO9000-md网络模型下车辆多目标检测方法;为验证检测方法的有效性和完备性,对其模型进行了验证对比分析,同时对视频车辆进行了检测实验,实验结果表明,基于YOLO9000-md网络结构的车辆多目标检测方法,验证检测正确率达到了96.15%,具有一定的鲁棒性和通用性,为今后进行基于视频的更加智能化和自动化的数据分析提供了可靠的理论依据。

引用

页码：21 / 24+29 +29

页数：5

共 14 条

[1] 基于稀疏表示的印花织物疵点检测
刘茁梅
李鹏飞
景军锋
[J]. 西安工程大学学报, 2018, (02) : 197 - 202
[2] 应用GAN和Faster R-CNN的色织物缺陷识别
李明
景军锋
李鹏飞
[J]. 西安工程大学学报, 2018, (06) : 663 - 669
[3] 基于Darknet框架下YOLO v2算法的车辆多目标检测方法
李珣
刘瑶
李鹏飞
张蕾
赵征凡
[J]. 交通运输工程学报, 2018, 18 (06) : 142 - 158
[4] YOLO9000:Better,Faster,Stronger. Redmon J,Farhadi A. . 2016
[5] Fast R-CNN. Girshick R. Proc of IEEE International Conference on Computer Vision . 2015
[6] Rich feature hierarchies for accurate object detection and semantic segmentation. Girshick R,Donahue J,Darrell T,et al. Proc.of Image Net Large-Scale Visual Recognition Challenge Workshop . 2013
[7] You Only Look Once:Unified,Real-Time Ob-ject Detection. Joseph Redmon,Santosh Divvala,Ross Girshick,AliFarhadi. CVPR . 2016
[8] Spatial pyramid pooling in deep convolutional networks for visual recognition. He K,Zhang X,Ren S,et al. ECCV . 2014
[9] Deep Neural Networks for Object Detection. Szegedy C,Toshev A,Erhan D. Advances in Neural Information Processing Systems . 2013
[10] An Optimization Model of Multi-Intersection Signal Control for Trunk Road under Collaborative Information[J] . Xun Li,Zhengfan Zhao,Li Liu,Yao Liu,Pengfei Li,Enrique Onieva. &nbspJournal of Control Science and Engineering . 2017

← 1 2 →