[发明专利]一种基于YOLOv4的道路车辆检测系统及方法

说明书

本申请涉及一种基于YOLOv4的道路车辆检测系统及方法，所述道路车辆检测系统包括道路车辆数据采集模块、道路车辆检测模型和终端设备，所述道路车辆检测模型为改进的YOLOv4算法模型，所述改进的YOLOv4算法模型的主干网络以MobileVit网络作为主干特征提取网络，颈部Neck包括空间金字塔池化层SPP和预测层PANet；模型的定位损失函数为CDIOU损失函数。本发明采用GridMask图像增强方法进行图片预处理，并通过训练好的道路车辆检测模型进行道路车辆检测，改善了现有的YOLOv4模型精度低，检测速度慢，不够轻量型的问题，在提升检测效率的同时，保证了模型的检测精度。

技术领域

本申请涉及车辆检测技术领域，具体涉及一种基于YOLOv4的道路车辆检测系统及方法。

背景技术

近年来，基于深度学习的目标检测技术在智能视频监控、无人驾驶和机器人导航等领域有着广泛的应用。随着中国汽车保有数量的飞速增长，违反交通法规事件的数量越来越多，这给交通管理人员带来了很大的压力，通过监控视频对道路上的车辆进行快速准确地检测是构建智能交通系统必不可少的部分。

基于深度学习的车辆检测主流算法大致可以分为一阶段方法和两阶段方法。一阶段方法直接对图像中的先验框进行类别预测和回归，这种方法检测速度较快，但检测精度相对较低，代表算法有YOLO系列。两阶段方法通过候选框生成器从图像先验框中提取候选框，然后将获得的候选框进行分类和回归预测结果。两阶段算法检测精度较高，但因候选框提取过程计算复杂导致实时性较弱，代表算法有R-CNN系列。现有的方法存在采用基于Faster RCNN的智能车道路前方车辆检测方法实现了较高的检测精度，但检测速度较低难以达到实时性要求。现有的方法存在采用改进SSD算法实现了对航拍城市道路车辆自动识别与定位，虽然基本能满足实时性要求，但模型的检测精度较低。YOLO系列算法因实时性较强，深受工程领域的喜爱，但是检测精度以及模型大小限制了YOLO系列算法的应用范围。

发明内容

本发明的目的在于，提供一种基于YOLOv4的道路车辆检测系统及方法，采用MobileVit网络替代CSPDarknet53网络作为改进的YOLOv4算法模型的主干网络，并引入CDIOU损失函数作为改进的YOLOv4算法模型的定位损失函数，提高改进的YOLOv4算法模型的实时性和检测精确度。

本发明采取的技术方案是：一种基于YOLOv4的道路车辆检测系统，包括道路车辆数据采集模块、道路车辆检测模型和终端设备；所述道路车辆数据采集模块为彩色摄像机，用于实时采集道路车辆图像数据，并将采集到的图像数据输入到道路车辆检测模型；所述道路车辆检测模型识别并输出图像中的车辆信息，所述道路车辆检测模型为改进的YOLOv4算法模型，所述改进的YOLOv4算法模型的主干网络以MobileVit网络作为基础网络，所述MobileVit网络的层数为十层，所述MobileVit网络包括相互堆叠MobileNetv2模块和MobileVit模块；所述MobileVit网络的第七层、第九层和第十层的输出与所述改进的YOLOv4算法模型的预测层PANet连接；所述改进的YOLOv4算法模型的损失函数Loss包括定位损失函数loss_cdiou、置信度损失函数loss_confidence和类别损失函数loss_class，其中定位损失函数loss_cdiou为CDIOU损失函数；所述终端设备包括处理器和存储器，存储器上存储了所述道路车辆检测模型进行道路车辆检测时所需的程序，处理器用于运行储存在存储器上的程序。

进一步地，所述损失函数Loss、定位损失函数loss_cdiou、置信度损失函数loss_confidence和类别损失函数loss_class的具体表达式如下：

Loss＝loss_cdiou+loss_confidence+loss_class