基于改进YOLOv3的复杂场景车辆分类与跟踪

宋士奇(),朴燕*(),蒋泽新

长春理工大学电子信息工程学院, 吉林 长春 130022

收稿日期:2019-07-22出版日期:2020-04-20发布日期:2020-04-16
通讯作者:朴燕E-mail:songsq_email@163.com;piaoyan@cust.edu.cn
作者简介:宋士奇(1993—)，男，黑龙江双鸭山人，硕士研究生，主要研究方向为机器视觉及图像处理. E-mail：songsq_email@163.com
基金资助:国家自然科学基金资助项目(60977011);吉林省科技发展项目(20180623039TC)

Vehicle classification and tracking for complex scenes based on improved YOLOv3

Shiqi SONG(),Yan PIAO*(),Zexin JIANG

College of Electronic and Information Engineering, Changchun University of Science and Technology, Changchun 130022, Jilin, China

Received:2019-07-22Online:2020-04-20Published:2020-04-16
Contact:Yan PIAO E-mail:songsq_email@163.com;piaoyan@cust.edu.cn

Supported by:国家自然科学基金资助项目(60977011);吉林省科技发展项目(20180623039TC)

摘要/Abstract

摘要： 针对天气条件和车辆间相互遮挡对车辆分类与跟踪准确性和稳定性的影响,提出一种基于改进YOLOv3与匹配跟踪的混合模型。改进的YOLOv3网络参照密集连接卷积网络的设计思想,将网络中的残差层替换为密集卷积块并改变网络的设计结构,利用Softmax分类器将密集卷积块与卷积层中融合的特征进行分类。根据单帧图像的检测结果,设计目标匹配函数解决视频序列中车辆的跟踪问题。在KITTI数据集的测试中,改进算法的平均准确率为93.01%,帧率达到48.98帧/s,在自建的数据集中平均识别率为95.79%。试验结果表明,本研究方法在复杂场景中能够有效的区分车辆种类且准确性更高,车辆跟踪的算法具有较高准确性和鲁棒性。


PDF全文下载地址:

http://gxbwk.njournal.sdu.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=1906