改进YOLOv5的复杂道路目标检测算法

摘要：

针对复杂道路背景下的密集遮挡目标和小目标导致的误检、漏检问题,提出一种基于改进YOLOv5的复杂道路目标检测算法.引入Quality Focal Loss,将分类得分与位置的质量预测结合,提高了对密集遮挡目标的定位精度;增加一层浅层检测层作为更小目标的检测层,将原始算法的三尺度检测改为四尺度,特征融合部分也作相应改进,提高了算法对小目标特征的学习能力;借鉴加权双向特征金字塔网络(BiFPN)的特征融合思想,提出了去权重的BiFPN,充分利用深层、浅层以及原始的特征信息,加强了特征融合,减少了卷积过程中特征信息的丢失,提高了检测精度;引入卷积块注意模块(CBAM),进一步提升了算法的特征提取能力,让算法更关注有用的信息.实验结果表明,该改进算法在公开的自动驾驶数据集KITTI和自制的骑乘人员头盔数据集Helmet上的检测精度分别达到了94.9％和96.8％,相比原始算法分别提高了1.9个百分点和2.1个百分点的检测精度,检测速度分别达到了69 FPS和68 FPS,具有较好的检测精度与实时性,同时与一些主流的目标检测算法相比,该改进算法也有一定的优越性.

关键词：复杂道路、YOLOv5、Quality Focal Loss、双向特征金字塔网络(BiFPN)、卷积块注意模块(CBAM)、遮挡目标、小目标

所属期刊栏目：58

分类号：TP391.4(计算技术、计算机技术)

资助基金：广西重点研发计划AB18126045

在线出版日期：2022-09-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：81-92