基于改进YOLOv5s的监控视频车流量检测

摘要

针对监控视频中车流量统计准确率不高，多车型车辆检测跟踪精度低、鲁棒性差等问题，提出了一种基于改进YOLOv5s的目标检测算法与DeepSort跟踪算法相结合的车流量检测方法。该方法对YOLOv5s的特征提取网络进行重构，以强化对目标重要特征的提取，提高检测器的检测精度。首先在Backbone主干网络中引入Swin Transformer模块，替换原算法中部分C3模块，增强模型全局化建模的能力，更好地捕捉上下文特征信息，扩大模型的感受野。然后对比不同的注意力机制，选择在Neck网络中接入GAM注意力，增强信息在通道与空间维度之间的跨维交互作用，减少信息损失，以强化网络的性能。最后对DeepSort跟踪算法的特征提取网络部分进行优化，并在车辆重识别数据集上重新进行训练，使其更适合对车辆的跟踪。实验结果表明，改进后的YOLOv5s与原算法相比提高了2.04%，在结合DeepSort算法后，在白天、傍晚、夜间等不同光照条件下车流量统计准确率分别达到97.5%、95.7%、85.1%。

关键词

YOLOv5s目标检测 / DeepSort目标跟踪 / Swin Transformer / GAM / 车流量检测

基金资助

国家自然科学基金（61965005）; 广西自然科学基金（2019GXNSFDA185010）