密集交通场景的目标检测算法研究

摘要

在现实的交通场景中,行人和车辆经常聚集在一起,形成相互遮挡的现象,给交通场景的目标检测带来了极大的挑战.针对交通场景中目标密集,位置接近造成的目标漏检、同一检测框中包含多个目标的问题,提出一种针对性遮挡回归损失函数Occlusion Loss.Occlusion Loss有两个作用:一是指导神经网络学习检测框和真实框匹配程度得到更为准确的位置信息;二是在学习到位置信息后尽可能减少一个检测框有多个被检测目标的情况.将提出的Occlusion Loss应用到YOLOv3目标检测算法上,经过实验证明改进后的YOLOv3在密集的交通场景中有更准确的检测结果,能够有效防止目标漏检现象,定位更加准确,具有很强的鲁棒性.在重新划分的交通场景数据集KITTI中准确率和召回率均有所提高,平均准确率达到92.67％,优于其他目标检测算法.