基于增强Tiny YOLOV3算法的车辆实时检测与跟踪

摘要

针对深度学习方法在视觉车辆检测过程中对小目标车辆漏检率高和难以实现嵌入式实时检测的问题,该文基于Tiny YOLOV3算法提出了增强Tiny YOLOV3模型,并通过匈牙利匹配和卡尔曼滤波算法实现目标车辆的跟踪.在车载Jetson TX2嵌入式平台上,分别在白天和夜间驾驶环境下进行了对比试验.试验结果表明:与Tiny YOLOV3模型相比,增强Tiny YOLOV3模型的车辆检测平均准确率提高4.6％,平均误检率减少0.5％,平均漏检率降低7.4％,算法平均耗时增加43.8 ms/帧;加入跟踪算法后,本文算法模型的车辆检测平均准确率提高10.6％,平均误检率减少1.2％,平均漏检率降低23.6％,平均运算速度提高5倍左右,可达30帧/s.结果表明,所提出的算法能够实时准确检测出目标车辆,为卷积神经网络模型的嵌入式工程应用提供了参考.