基于YOLO算法的车辆实时检测

被引：52

作者：

王宇宁

庞智恒

袁德明

机构：

[1] 武汉理工大学现代汽车零部件技术湖北省重点实验室

来源：

武汉理工大学学报 | 2016年 / 38卷 / 10期

关键词：

YOLO; 车辆检测; 机器视觉;

D O I：

暂无

中图分类号：

TP391.41 [];

学科分类号：

080203 ;

摘要：

目前,基于机器视觉的车辆检测算法存在检测速度较慢的问题。针对该问题,提出一种基于YOLO算法的车辆实时检测方法。YOLO检测算法的基本模型由卷积层,池化层以及全连接层组成,具有强鲁棒性以及能够快速完成车辆检测任务。选择交通监控视频作为数据集进行车辆检测试验。结果表明,YOLO检测算法的查准率为89.3%,查全率为81.0%,检测速度达到60f/s,基本满足交通监控中车辆检测的实时性需求,说明该方法合理可行。运用该方法与2种不同的检测算法进行对比分析,得出YOLO算法的检测速度最快。

引用

页码：41 / 46

页数：6

共 7 条

[1] 采用视觉显著性和深度卷积网络的鲁棒视觉车辆识别算法
蔡英凤
王海
陈龙
江浩斌
[J]. 江苏大学学报(自然科学版), 2015, 36 (03) : 331 - 336
[2] 卷积神经网络在图像分类中的应用研究[D]. 吴正文.电子科技大学. 2015
[3] Wireless magnetic sensors for traffic surveillance[J] . Amine Haoui,Robert Kavaler,Pravin Varaiya.Transportation Research Part C . 2007 (3)
[4] Distinctive image features from scale-invariant keypoints
Lowe, DG
[J]. INTERNATIONAL JOURNAL OF COMPUTER VISION, 2004, 60 (02) : 91 - 110
[5] SUPPORT-VECTOR NETWORKS
CORTES, C
VAPNIK, V
[J]. MACHINE LEARNING, 1995, 20 (03) : 273 - 297
[6] Backpropagation Applied to Handwritten Zip Code Recognition
LeCun, Y.
Boser, B.
Denker, J. S.
Henderson, D.
Howard, R. E.
Hubbard, W.
Jackel, L. D.
[J]. NEURAL COMPUTATION, 1989, 1 (04) : 541 - 551
[7] A closer look at Faster R-CNN for vehicle detection .2 Fan Q,Brown L,Smith J. Intelligent Vehicles Symposium (IV) . 2016

← 1 →