基于改进YOLOv8的交通监控车辆检测算法

doi:10.3778/j.issn.1002-8331.2310-0101

摘要/摘要

摘要：针对目前复杂交通监控场景下车辆检测精度不足、检测速度慢的问题，提出一种基于YOLOv8公司模型的轻量级车辆检测算法。采用FasterNet™YOLOv8的骨干特征提取网络，减少了冗余计算和内存访问，提高了模型的检测精度和推理速度；在脊椎和颈部手术注意力模块，在不增加原始网络参数的同时增强了目标车辆的重要特征，提高了模型的特征融合能力；针对密集车流下小尺寸车辆检测效果不佳的问题，添加小目标检测头，更好地捕获小尺寸车辆的特征和上下文信息；使用可自适应调整权重系数的明智的IoU作为改进模型的损失函数，提升了边界框的回归性能和检测的鲁棒性。在UA-DETRAC公司数据集的实验结果表明，相较于原模型，改进方法在交通监控系统中能够达到较好的检测精度和速度，mAP和FPS分别为3.06和3.36%有效改善了复杂交通场景下小目标车辆检测效果不佳的问题，并在精度和速度之间取得了很好的平衡。

关键词: 车辆检测, 交通监控, YOLOv8，小目标检测, 注意力机制

摘要：针对当前复杂交通监控场景中车辆检测精度不足、检测速度慢的问题，提出了一种基于YOLOv8模型的轻型车辆检测算法。首先，使用FasterNet代替YOLOv8的主干特征提取网络，减少了冗余计算和内存访问，提高了模型的检测精度和推理速度。其次，将SimAM注意模块添加到主干和颈部部分，在不增加原始网络参数的情况下增强了目标车辆的重要特征，提高了特征融合能力。然后，为了解决密集交通流下对小型车辆检测不良的问题，增加了一个小型目标检测头，以更好地捕捉小型车辆的特征和上下文信息。最后，使用能够自适应调整权重系数的Wise-IoU作为改进模型的损失函数，提高了边界盒的回归性能和检测的鲁棒性。在UA-DETRAC数据集上的实验结果表明，与原始模型相比，本文改进的方法能够在交通监控系统中实现更好的检测精度和速度，mAP和FPS分别提高了3.06%和3.36%，这有效地改善了复杂交通场景中小目标车辆检测能力差的问题，并实现了准确度和速度之间的良好平衡。

关键词： 车辆检测，交通监控， YOLOv8，小目标检测，注意机制

周飞, 郭杜杜, 王洋, 王庆庆, 秦音, 杨卓敏, 贺海军. 基于改进YOLOv8公司的交通监控车辆检测算法[J] ●●●●。计算机工程与应用, 2024, 60(6): 110-120.

周飞、郭都都、王阳、王庆庆、秦寅、杨卓敏、何海军。交通监控中基于改进YOLOv8的车辆检测算法[J]。计算机工程与应用，2024,60（6）：110-120。

参考文献

[1] GHAHREMANNEZHAD H，SHI H，LIU C.交通视频中的目标检测研究[J]。IEEE智能交通系统汇刊，2023，24（7）：6780-6799。
[2] 王毅，杨刚，郭J.基于YOLOv5轻量级网络的监控视频中的车辆检测[J]。波兰科学院公报：技术科学，2022:143644。
[3] LECUN Y，BENGIO Y，HINTON G.深度学习[J]。《自然》，2015，521（7553）：436-444。
[4] 宋建辉, 王思宇, 刘砚菊, 等.基于改进FFRCNN公司网络的无人机地面小目标检测算法[J] .2022年，29（7）：69-73。
SONG J H，WANG S Y，LIU Y J，et al.基于改进的FFRCNN网络的无人机地面小目标检测算法[J]。电子光学与控制，2022，29（7）：69-73。
[5] 李松江, 吴宁, 王鹏, 等.基于改进级联RCNN的车辆目标检测方法[J] ●●●●。计算机工程与用, 2021, 57(5): 123-130.
李世杰，吴恩，王平，等.基于改进级联RCNN的车辆目标检测方法[J]。计算机工程与应用，2021，57（5）：123-130。
[6] 谢光达, 李洋, 曲洪权, 等.基于改进变压器的小目标车辆精确检测算法[J] ●●●●。激光与光电子学进展, 2022, 59(18): 354-361.
谢国德，李毅，QU H Q，等.基于改进变压器的小目标精确车辆检测算法[J]。激光与光电子进展，2022，59（18）：354-361。
[7] SONG Y，HONG S，HU C，et al.MEB-YOLO:一种复杂交通道路场景下的高效车辆检测方法[J]。计算机、材料与连续统，2023，75（3）：5761-5784。
[8] 郭宇阳, 胡伟超, 戴帅, 等.面向路侧交通监控场景的轻量车辆检测模型[J] ●●●●。计算机工程与应用, 2022, 58(6): 192-199.
郭义勇，胡文川，戴斯，等.路侧交通监控场景下的轻型车辆检测模型[J]。计算机工程与应用，2022，58（6）：192-199。
[9] 黄志，王杰，付旭，等.DC-SPP-YOLO：基于稠密连接和空间金字塔池的YOLO目标检测[J]。信息科学，2020，522:241-258。
[10] 张德，郑志，李明，等。CSART：用于实时目标跟踪的通道和空间注意引导剩余学习[J]。神经计算，2021，436:260-272。
[11] 张德，郑志，王涛，等.基于高分辨率表示和对象软件掩模的视觉对象跟踪学习[J]。传感器，2020，20（17）：4807。
[12] 宗泽，宋庚，刘毅。Detrs with collaborative hybrid assignments training[C]//IEEE/CVF计算机视觉国际会议论文集，2023:6748-6758。
[13] WANG C Y，BOCHKOVSKIY A，LIAO H Y M.YOLOv7：可训练的免费赠品袋为实时物体探测器提供了新的最先进技术[J]。arXiv:2207.026962022年。
[14] CHEN J，KAO S，HE H，et al.跑步，不要走路：追求更高的FLOPS以获得更快的神经网络[C]//IEEE/CVF计算机视觉和模式识别会议论文集，2023:12021-12031。
[15] 韩凯，王毅，田强，等.Ghostnet：廉价操作的更多特征[C]//IEEE/CVF计算机视觉与模式识别会议论文集，2020：1580-1589。
[16] 张寅, 朱桂熠, 施天俊, 等.基于特征融合与注意力的遥感图像小目标检测[J] 《财富》，2022，42（24）：140-150。
张毅，朱国毅，史廷杰，等.基于特征融合和注意力的遥感图像小目标检测[J]。中国光学学报，2022，42（24）：140-150。
[17] YANG L，ZHANG R Y，LI L，et al.Simam:一种简单的卷积神经网络无参数注意模块[C]//国际机器学习会议，2021:11863-11874。
[18] 郑智，王平，刘伟，等.距离-IoU损失：边界盒回归的更快更好学习[C]//AAAI人工智能会议论文集，2020：12993-13000。
[19] 张永发，任伟，张泽，等.精确边界盒回归的焦点有效欠条损失[J]。神经计算，2022，506：146-157。
[20] 佟智，陈毅，徐志，等.Wise-IoU：动态聚焦机制的包围盒回归损失[J]。arXiv:2301.100512023。
[21]WEN L，DU D，CAI Z，等.UA-DETRAC：一种新的多目标检测和跟踪基准和协议[J]。计算机视觉和图像理解，2020年，193:102907。
[22]HOWARD A，SANDLER M，CHU G，et al.Searching for mobilenetv3[C]//IEEE/CVF国际计算机视觉会议论文集，2019:1314-1324。
[23]陈赫，王毅，郭杰，等.VanillaNet：极简主义在深度学习中的力量[J]。arXiv:2305.129722023年。
[24]TAN M，LE Q.Efficientnet：卷积神经网络模型缩放的再思考[C]//国际机器学习会议，2019:6105-6114。
[25]王强，吴斌，朱鹏，等.ECA-Net:深度卷积神经网络的有效信道关注[C]//IEEE/CVF计算机视觉与模式识别会议论文集，2020：11534-11542。
[26]WOO S，PARK J，LEE J Y，et al.CBAM:卷积块注意模块[C]//欧洲计算机视觉会议论文集，2018:3-19。
[27]欧阳德，何斯，张刚，等.基于跨空间学习的高效多尺度注意模块[C]//2023 IEEE声学、语音和信号处理国际会议，2023:1-5。
[28]HOU Q，ZHOU D，FENG J.协调关注高效移动网络设计[C]//IEEE/CVF计算机视觉和模式识别会议论文集，2021:13713-13722。
[29]MISRA D，NALAMADA T，ARASANIPALAI A U，et al.轮流出席：卷积三倍体注意模块[C]//IEEE/CVF计算机视觉应用冬季会议论文集，2021:3139-3148。
[30]李X，胡X，杨J.空间分组增强：改进卷积网络中的语义特征学习[J]。arXiv:1905.096462019年。
[31]REN S，HE K，GIRSICK R等。更快的R-CNN：使用区域建议网络实现实时对象检测[C]//第28届国际神经信息处理系统会议记录，2015。
[32]何凯，张X，任S，等.基于深度剩余学习的图像识别[C]//IEEE计算机视觉与模式识别会议论文集，2016:770-778。
[33]SANDLER M，HOWARD A，ZHU M，et al.Mobilenetv2：反向残差和线性瓶颈[C]//IEEE计算机视觉和模式识别会议论文集，2018:4510-4520。
[34]田泽，沈春华，陈华，等.FCOS：一种简单而强大的无锚点目标检测器[J]。IEEE模式分析和机器智能汇刊，2022，44（4）：1922-1933。
[35]周X，王D，KR？HENBüHL P.将对象作为点[J]。arXiv:1904.078502019年。
[36]CARION N，MASSA F，SYNNAEVE G，et al.使用变压器进行端到端目标检测[C]//欧洲计算机视觉会议。查姆：施普林格国际出版公司，2020年：213-229。

基于改进YOLOv8公司的交通监控车辆检测算法

交通监控中基于改进YOLOv8的车辆检测算法

PDF格式

可视化

摘要/摘要

引用本文

使用本文

参考文献

相关文章15

编辑推荐

韵律学

[1]	徐洪俊, 唐自强, 张锦东, 朱沛华.钢材表面缺陷检测的YOLOv5s公司[J] ●●●●。计算机工程与应用, 2024, 60(7): 306-314.
[2]	赵文涛, 薛赛丽, 刘甜甜.结合项目属性协作信号减少无关邻域的推荐[J] ●●●●。计算机工程与应用, 2024, 60(7): 101-107.
[3]	倪广兴, 徐华, 王超.融合改进YOLOv5和Mediapipe的手势识别研究[J] ●●●●。计算机工程与应用, 2024, 60(7): 108-118.
[4]	郑小丽, 王巍, 杜雨晅, 张闯.面向会话的需求感知注意图神经网络推荐模型[J] ●●●●。计算机工程与应用, 2024, 60(7): 128-140.
[5]	杨有, 姚露.结合对比学习的图像指导增强视觉问答模型[J] ●●●●。计算机工程与应用, 2024, 60(7): 157-166.
[6]	胡伟超, 郭宇阳, 张奇, 陈艳艳.基于改进约洛克斯的轻量化交通监控目标检测算法[J] ●●●●。计算机工程与应用, 2024, 60(7): 167-174.
[7]	江兴旺, 赵兴强.改进YOLOv7公司的木材表面缺陷检测算法[J] ●●●●。计算机工程与应用, 2024, 60(7): 175-182.
[8]	马亚美, 王双亭, 都伟冰.双分支多维注意特征融合的高光谱图像分类[J] ●●●●。计算机工程与应用, 2024, 60(7): 192-203.
[9]	师自通, 师智斌, 刘冬明, 雷海卫, 龚晓元.多头注意力机制的图同构网络智能合约源码漏洞检测[J] ●●●●。计算机工程与应用, 2024, 60(7): 258-265.
[10]	苏佳, 秦一畅, 贾泽, 王静.基于ATO-YOLO公司的小目标检测算法[J] ●●●●。计算机工程与应用, 2024, 60(6): 68-77.
[11]	赖镜安, 陈紫强, 孙宗威, 裴庆祺.基于YOLOv5公司的轻量级雾天目标检测方法[J] ●●●●。计算机工程与应用, 2024, 60(6): 78-88.
[12]	梁秀满, 李然, 于海峰, 刘振东.改进YOLOv7公司的水下目标检测算法[J] ●●●●。计算机工程与应用, 2024, 60(6): 89-99.
[13]	付锦燚, 张自嘉, 孙伟, 邹凯鑫.改进YOLOv8公司的航拍图像小目标检测算法[J] ●●●●。计算机工程与应用, 2024, 60(6): 100-109.
[14]	杨永刚, 谢睿夫, 龚泽川.改进YOLOv7-微型的无人机目标检测算法[J] ●●●●。计算机工程与应用, 2024, 60(6): 121-129.
[15]	刘歆宁.融合多特征及协同注意力的医学命名实体识别[J] ●●●●。计算机工程与应用, 2024, 60(6): 188-198.