APP下载

基于DCN-Mobile-YOLO模型的多车道车辆计数

2021-11-22郭仁忠

深圳大学学报(理工版) 2021年6期
关键词:特征检测模型

文 奴,郭仁忠,贺 彪, 3

1)深圳大学建筑与城市规划学院,深圳大学智慧城市研究院,广东深圳518061;2)粤港澳智慧城市联合实验室,广东深圳518061;3)国土资源部城市土地资源监测与仿真重点实验室,广东深圳518034

目标计数方法按照技术路线可分为基于传统特征提取的方法[1-3]和卷积神经网络(convolutional neural network, CNN)的方法[4-6].传统特征提取方法有基于哈尔(Haar-like, Haar)特征、局部二值模式(local binary pattern, LBP)特征和方向梯度直方图(histogram of oriented gradient, HOG)特征等,这类算法通常以边缘特征提取为主实现对目标个体的检测和计数,因而对边缘检测的精确度要求很高,不适合目标间有重叠或密集目标的计数.随着深度学习的发展,基于CNN提取目标特征进而实现目标检测和计数逐步成为目标计数的主流算法.基于CNN的目标检测算法通常分为单极检测器(one-stage detection)和二级检测器(two-stage detection),一般来说,前者在速度上占优,后者在准确率和定位精度上占优.YOLO(you only look once)系列是单级检测器的代表,不仅推理速度快且检测和定位精度高.YOLO v4[7]是基于YOLO v3的目标检测架构,在数据处理与增强、主干网络、网络训练、激活函数和损失函数等方面都进行了优化,在保证运行效率的同时极大提高了目标检测的精度.其中,在主干网络部分,YOLO v4借鉴了残差网络(如ResNet[8])提取深层特征信息的优点,提出空间金字塔池化网络(如spatial pyramid pooling-net, SSP-Net[9]和atrous spatial pyramid pooling-net, ASSP-Net[10])的设计思路,通过拼接任意大小的特征图并转换成固定输出大小的特征向量,实现一次性输出多尺度目标检测的结果.若直接使用CNNs方法对图像目标进行计数,可能存在……

登录APP查看全文

猜你喜欢

特征检测模型
一半模型
重尾非线性自回归模型自加权M-估计的渐近分布
如何表达“特征”
不忠诚的四个特征
3D打印中的模型分割与打包
小波变换在PCB缺陷检测中的应用
线性代数的应用特征