基于改进YOLO算法的FSAC赛车实时目标检测系统

摘要

针对中国大学生无人驾驶方程式大赛(Formula Student Autonomous China,FSAC)赛车目标检测系统检测速度较慢和鲁棒性较差的问题,文章提出了一种基于改进YOLO算法的实时目标检测方法。以YOLOv3-tiny网络为基础,根据目标物较为细长、尺寸较小的特点,使用k-means算法对数据集中的真实边界框进行聚类,选取合适的边界框数量和规格改进YOLOv3-tiny网络结构,使其目标检测时能融合更大的尺度信息,对小目标物检测更加有效和准确;将改进的算法部署在机器人操作系统(robot operating system,ROS)中,并将实时目标检测系统搭载到NVIDIA Jetson TX2嵌入式开发板中,形成适用于FSAC大赛特定场景的轻量化实时目标检测系统。实验结果表明,改进算法的召回率达到94.1%,比原始算法提高了11.8%;准确率达到93.2%,提高了3%;在NVIDIA Jetson TX2中画面每秒传输帧数FPS达到20,检测速度满足实时检测需求。