基于深度学习的高速公路小目标检测算法

摘要

针对高速公路路侧摄像头拍摄的图像中，远端的行人和车辆目标小、实时检测难问题，提出一种改进的目标检测算法YOLOv5s-3S-4PDH。首先，采用Shufflenetv2-Stem-SPPF网络结构，提高模型的运行速度；其次，引入加速归一化加权融合特征图和160×160小目标检测层，优化小目标检测性能；然后，引入改进的解耦头机制，提高小目标检测的定位和分类精度；最后，采用Focal EIoU作为定位损失函数，加快模型训练的收敛速度。在自建行人和车辆数据集上进行对比实验，结果表明：该算法与YOLOv5s基准网络算法相比，计算量和参数量分别减少了10.1%和24.6%，检测速度和精度分别提高了15.4%和2.1%；在VisDrone2019数据集上进行的迁移学习实验表明，该算法对所有目标类别的平均精度高于YOLOv5s。YOLOv5s-3S-4PDH算法在满足小目标检测实时性与精度的同时，也具备泛化能力。

关键词

交通运输规划与管理 / 高速公路 / 目标检测 / 深度学习