基于Tiny-yolov3的行人目标检测研究

摘要

为了改善传统行人检测算法鲁棒性差、检测精度不高、实时性差、训练环境对硬件依赖性强的缺点,基于Darknet框架,使用Tiny-yolov3目标检测模型,在原有模型基础上,通过强化行人特征、改进算法网络结构,并不断调整学习率、动量、权重衰减系数等超参数,将模型放在混合数据集上进行实验。实验结果表明,基于Tiny-yolov3的改进行人目标检测模型准确率、召回率、平均交并比和FPS值较高,分别达81.13%、76%、83.76%和62帧/s。基于Tiny-yolov3的改进行人目标检测模型不仅能对实际场景进行更实时的检测,而且有效降低了模型对硬件的依赖,同时也能提高行人目标检测准确度,提升识别效率。