霧霾天氣車輛檢測(cè)的改進(jìn)YOLOv3算法

黃開啟，劉小榮，錢艷群，黃茂云

(江西理工大學(xué) 電氣工程與自動(dòng)化學(xué)院，江西 贛州 341000)

高級(jí)駕駛輔助系統(tǒng)(ADAS)旨在幫助駕駛員完全避免事故，進(jìn)而大幅減少道路交通事故。車輛檢測(cè)是ADAS的重要組成部分，在檢測(cè)中準(zhǔn)確知道并精準(zhǔn)定位目標(biāo)車輛,這對(duì)避免交通事故的發(fā)生起著極其重要的作用。

傳統(tǒng)車輛檢測(cè)算法采用滑動(dòng)窗口的策略對(duì)整幅圖像進(jìn)行遍歷，判斷車輛可能出現(xiàn)的位置，接著人工選取某個(gè)特征，對(duì)目標(biāo)進(jìn)行識(shí)別。例如劉家旭等[1]提出基于方向梯度直方圖(HOG)特征的車輛檢測(cè)算法，周行等[2]提出基于HOG特征和局部二值模式(LBP)特征融合檢測(cè)算法。傳統(tǒng)算法主要存在兩個(gè)問題：一是基于滑動(dòng)窗口的區(qū)域選擇沒有針對(duì)性，冗余窗口太多；二是由于目標(biāo)的形態(tài)、光照、背景等多樣性，手工設(shè)計(jì)的特征對(duì)于多樣性的變化魯棒性較差。隨著深度學(xué)習(xí)的快速發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺領(lǐng)域取得了巨大成功，目前基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法主要分為兩類：一類是以 YOLO[3]、SSD[4]、RefineDet[5]等為代表的分類回歸方法，另一類是以R-CNN[6]、Fast R-CNN[7]、Faster R-CNN[8]等為代表的基于候選框的兩階段方法。其中YOLOv3[9]作為性能較為出色的目標(biāo)檢測(cè)算法被廣泛應(yīng)用到車輛檢測(cè)任務(wù)中。馮加明等[10]提出通過刪減部分殘差以降低卷積層通道數(shù)并通過k-均值聚類與手動(dòng)調(diào)節(jié)相結(jié)合的方式提高檢測(cè)的精度；杜金航等[11]、崔文靚等[12]和胡貴桂[13]利用k-均值重新聚類選取錨點(diǎn)預(yù)測(cè)邊界框，提高檢測(cè)速度與定位精度；……