基于改进YOLOv2模型的多目标识别方法

摘要：

在YOLOv2算法的基础上,根据实际道路环境的变化对YOLOv2-voc的网络结构进行改进,基于ImageNet数据集和微调技术得到分类训练网络模型,根据训练结果与车辆目标特征的分析,对算法参数进行修改,获得改进的车型识别分类网络结构模型YOLOv2-voc mul.为验证所提模型的有效性,分别对简单背景和复杂背景下的样本进行检测,并与YOLOv2、YOLOv2-voc和YOLOv3模型在迭代70000次后的检测结果进行了对比.实验结果表明:在简单背景下,YOLOv2-voc_mul模型的精度可达99.20％,不同车型的平均精度均值达到了89.03％;在复杂背景下,YOLOv2-voc_mul模型对4种车型在单目标和多目标的检测下平均准确率达到了92.21％和89.44％,具有较高的精确度、较小的误检率和良好的鲁棒性.

关键词：图像处理、智能交通、多目标识别、YOLOv2、深度学习

所属期刊栏目：57

分类号：U491(交通工程与公路运输技术管理)

资助基金：国家自然科学基金;陕西省自然科学基础研究计划;中国纺织工业联合会科技指导性项目;西安工程大学控制科学与工程建设经费资助项目

在线出版日期：2020-07-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：105-114