图学学报 ›› 2022, Vol. 43 ›› Issue (2): 296-305.DOI: 10.11996/JG.j.2095-302X.2022020296
摘要: 针对复杂交通场景中交通警察目标检测与定位准确率低的问题,提出一种优化 YOLOv4 模型的
交通警察目标检测方法。首先,采用 4 种随机转换方式对自建的交通警察数据集进行扩充,解决了模型过拟合
问题并提高模型的泛化能力;其次,将 YOLOv4 主干网络替换为 MobileNet 并引入 Inception-Resnet-v1 结构,
有效地减少了参数总量并加深了网络层数;然后,使用 K-means++聚类算法对自建数据集进行聚类分析以重新
定义网络的初始候选框,提高了交通警察目标深度特征的学习效率;最后,引入焦点损失函数以优化分类损失
函数,解决了训练中正负样本数量不平衡问题。研究结果表明,优化后的 YOLOv4 模型大小仅 50 M,AP 值达
98.01%,与 Faster R-CNN,YOLOv3 和原始 YOLOv4 模型相比均有提升。有效解决了目前复杂交通场景中交
通警察目标的漏检、误检及检测精度低等问题。
中图分类号: