朱萬杰

摘 要：車輛的追蹤檢測與識別計數(shù)是道路汽車分析的重要組成部分，傳統(tǒng)的基于人工特征的目標檢測算法其泛化能力與魯棒性較差，因此，本項目針對目前汽車車輛的追蹤檢測與識別計數(shù)所采用的方法存在的不足，提出了一種基于YOLOv5 圖像識別和處理技術(shù)的車輛檢測方法。本文所設(shè)計的相關(guān)檢測算法適用性較大，與其它算法相比，所檢測目標無論是圖片，視頻，以及攝像頭實時監(jiān)控等情況，在滿足實時性的前提下具有極高的識別率，得到了較好的結(jié)果。

關(guān)鍵詞：YOLO；車輛檢測；圖片分割

一、YOLO概述

當眾學者還沉浸在Joseph Redmon——“YOLO 之父”宣布退出 CV 界的震驚與惋惜中時，YOLOv5 橫跨出世。由于 YOLOv5官方還未公開論文，因此只能從公開的代碼中進行研究。YOLOv5官方發(fā)布的代碼中，檢測網(wǎng)絡(luò)共有四個版本，依次為YOLOv5x、YOLOv5l、YOLOv5m、YOLOv5s。其中 YOLOv5s 是深度和特征圖寬度均最小的網(wǎng)絡(luò)，另外三種可以認為是在其基礎(chǔ)上，進行了加深、加寬。YOLOv4 與YOLOv5 在結(jié)構(gòu)上基本相似，只是在細節(jié)上稍有差異。YOLOv5（You Only Look Once）是由UltralyticsLLC公司于2020年5月份提出，其圖像推理速度最快達0.007s，即每秒可處理140幀，滿足視頻圖像實時檢測需求，同時結(jié)構(gòu)更為小巧，YOLOv5s 版本的權(quán)重數(shù)據(jù)文件為YOLOv4的1/9，大小為27MB。[6]YOLOv5按照網(wǎng)絡(luò)深度大小和特征圖寬度大小分為YOLOv5s、 YOLOv5m、YOLOv5l、YOLOv5，本文采用了YOLOv5s作為使用模型。

二、系統(tǒng)概要設(shè)計

YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)圖分為兩個部分，分別為主干網(wǎng)絡(luò)：如下文所提出的輸入端、Backbone兩個部分，和偵測網(wǎng)絡(luò)：如下文所提出的Neck、Prediction兩個部分。輸入端主要采用的方法函數(shù)分別為Mosaic數(shù)據(jù)增強，主要介紹關(guān)于圖片的隨機縮放，隨機裁剪，隨機排布的方式對數(shù)據(jù)進行拼接，從而實現(xiàn)了對小目標檢測有較為可觀的實驗結(jié)果，改變了YOLO自身方法從發(fā)展初到現(xiàn)在對小目標的偵測回應(yīng)不夠的問題。YOLO版本初期訓練的時候會將所有圖片數(shù)據(jù)對其進行Mosaic數(shù)據(jù)處理，使得到的圖片結(jié)果為416*416或608*608的形式再進行偵測，這就會導(dǎo)致實驗過程中對數(shù)據(jù)的處理出現(xiàn)問題，導(dǎo)致圖片上之前所出現(xiàn)的較為細小、被部分遮擋、模糊的目標無法檢測使得實驗結(jié)果出現(xiàn)參差。自適應(yīng)錨框計算即在不同的訓練中我們可以對錨框進行調(diào)整，通過COCO為基礎(chǔ)再傳入所需訓練集，根據(jù)自己所需結(jié)果來調(diào)設(shè)置是否開啟自適應(yīng)錨框算法的效果，同時也包括自適應(yīng)圖片縮放，將圖片縮放到統(tǒng)一尺寸，更方便系統(tǒng)的量化處理以及信息的快速提取。Backbone結(jié)構(gòu)主要目的是增強卷積網(wǎng)絡(luò)的學習能力，降低預(yù)算成本：Focus結(jié)構(gòu)，CSP結(jié)構(gòu)。Neck：FPN+PAN結(jié)構(gòu)主要是方便調(diào)整傳遞淺層特征的層數(shù)，降低數(shù)據(jù)丟失風險。Prediction所使用的是CIOU_Loss，也可以根據(jù)自我所需來設(shè)置使用其它的IOU_Loss（GIOU＿Loss＝False，DIOU＿Loss＝False，CIOU＿Loss＝False）的使用與關(guān)閉。

三、結(jié)語

本文使用基于YOLOv5s圖像識別和處理技術(shù)的車輛檢測方法成功實現(xiàn)了對車輛的追蹤檢測與識別計數(shù)，從訓練得到的結(jié)果來看，無論是復(fù)雜環(huán)境還是惡虐天氣該算法都有著極高的識別率以及識別速度。YOLOv5s 不僅運行速度非?？於夷Ｐ鸵彩谴蟠蟮慕档土舜鎯臻g。

參考文獻：

[1]楊小岡，高凡，盧瑞濤，李維鵬，張濤，曾俊.基于改進YOLOv5的輕量化航空目標檢測方法[J/OL].信息與控制：1-7[2021-10-11].http：//kns.cnki.net/kcms/detail/21.1138.TP.20210927.1729.002.html.

[2]張干，李文舉，張耀星. 基于改進的YOLOv5算法的交通標志識別[A]. 中國計算機用戶協(xié)會仿真應(yīng)用分會.'21 全國仿真技術(shù)學術(shù)會議論文集[C].中國計算機用戶協(xié)會仿真應(yīng)用分會：計算機仿真雜志社，2021：5.

[3]錢伍，王國中，李國平.改進YOLOv5的交通燈實時檢測魯棒算法[J/OL].計算機科學與探索：1-14[2021-10-11].http：//kns.cnki.net/kcms/detail/11.5602.tp.20210824.1346.002.html.