针对复杂场景下尺寸小、遮挡严重等因素导致车辆识别率低、虚警率高等难题,提出了一种基于深度学习的复杂场景下车辆识别方法.首先,根据复杂场景中的车辆特点,对公开数据集的标注文件进行可视化解析,对其中的漏标注、误标注等车辆进行重新标注,对图像样本数据进行增强处理,形成新的训练数据集;然后,用新的训练数据集训练YOLO(You Only Look Once)网络模型,直至模型满足给定精度;最后,用训练好的YOLO模型对复杂场景下的车辆进行识别,并用基于残差归一化规则的虚警抑制方法剔除虚警.实验结果表明,使用COCO数据集测试时,改进的算法平均精度均值(Mean Average Precision,mAP)为79.2,比YOLO算法提高了0.6;使用PCAR数据集测试时,改进的算法mAP值为63.7,比YOLO算法提高了1.4.
展开▼
