优化实时交通流检测：一种将YOLO与图像预处理结合的研究

摘要

为提高城市交通管理效率,应用智能交通系统是当前较为高效可行的办法,车流量实时监测技术可为整个系统提供有效的实时数据,研究聚焦于提升车流量实时监测终端设备性能的关键需求,提出一种基于YOLO目标检测算法的方法,结合图像预处理技术提升系统准确度并减少了终端资源消耗。研究基于CO-CO公开数据集整理和处理部分素材图,构建符合本次测试的自训练数据集,分别训练YOLOv5s与YOLOv8s模型,在动态视频和实时视频流等多种场景下进行全面测试,同时引入背景差分、CLAHE图像增强和中值滤波等图像预处理技术,有效验证了模型在复杂环境下对目标识别能力的提升,同时降低了设备资源占用。实验结果说明,图像预处理技术在不同测试方式和环境下提高约1.2%～1.8%的检测精度,相应的资源占用情况也有所降低,研究设计并分析了从模型训练、图像处理及性能评估等主要环节,凭借一系列视频测试和现实模拟测试得出相应数据,有一定应用价值。

关键词

智能交通 / (YOLO) / 车流量实时监测 / 模型训练 / 图像预处理