一种基于改进YOLOv5的夜间车辆识别方法技术

一种基于改进YOLOv5的夜间车辆识别方法，它包括以下步骤：步骤一：收集若干张夜间车辆的图像；步骤二：进行图像的预处理，获得训练集、验证集、测试集；步骤三：获得用于夜间车辆识别的网络模型；步骤四：使用所获得的用于夜间车辆识别的网络模型进行夜间车辆的识别、检测。本发明专利技术的目的是为了解决现有的车辆检测算法在夜间使用时准确度及效率不高，无法有效的适用于夜间场景的技术问题，而提出的一种基于改进YOLOv5的夜间车辆识别方法。改进YOLOv5的夜间车辆识别方法。改进YOLOv5的夜间车辆识别方法。

【技术实现步骤摘要】
一种基于改进YOLOv5的夜间车辆识别方法


[0001]本专利技术属于图像识别、检测
，具体涉及一种基于改进YOLOv5的夜间车辆识别方法。

技术介绍

[0002]传统车辆检测算法是特征
‑
分类器组合方法，使用人工来提取和选择特征，通过分类器来分 类。在传统车辆检测算法中，特征提取是否充分尤为重要，但是人工提取和选择特征经常存在误 差，对分类器的结果造成影响，使得检测效果变差，无法满足实际应用的检测需求。如今，随着 卷积神经网络研究不断深入，卷积神经网络能够自动提取特征。相较于人工提取特征，卷积神经 网络误差小、速度快的优点。
[0003]而对于夜间场景，目前车辆检测算法并不理想，主要原因如下：
[0004]1)由于夜间环境下，光线差，使得多种类型车辆的特征不易区分；
[0005]2)图像的拍摄角度不同，有的图像里车辆像素尺度较小，使得在夜间环境中，网络提取其 特征更加困难，导致检测难度加大；
[0006]3)在实际应用中，车辆检测与识别的实时性十分重要，而夜间环境会使得模型检测速度无 法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv5的夜间车辆识别方法，其特征在于，它包括以下步骤：步骤一：收集若干张夜间车辆的图像；步骤二：进行图像的预处理，获得训练集、验证集、测试集；步骤三：获得用于夜间车辆识别的网络模型；步骤四：使用所获得的用于夜间车辆识别的网络模型进行夜间车辆的识别、检测。2.根据权利要求1所述的方法，其特征在于，在步骤三中，用于夜间车辆识别的网络模型为YOLOv5网络模型，它的结构为：输入层
→
Focus层
→
第一卷积模块
→
第一个C3模块
→
第二卷积模块
→
第二个C3模块
→
第三卷积模块
→
第三个C3模块
→
第四卷积模块
→
SPP模块
→
第四个C3模块
→
第五卷积模块
→
第一个上采样，第一次上采样形成的特征图与第三个C3模块形成的特征图进行通道融合
→
第一个C3DRSN模块
→
第六卷积模块
→
第二个上采样，第二个上采样形成的特征图与第二个C3模块形成的特征图进行通道融合
→
第二个C3DRSN模块
→
第七卷积模块，第七卷积模块形成的特征图与第三个C3模块形成的特征图、第六个卷积模块形成的特征图进行通道融合
→
第三个C3DRSN
→
第八卷积模块，第八卷积模块形成的特征图与第五个卷积模块形成的特征图进行通道融合
→
第四个C3DRSN
→
第三预测图；其中，第二个C3DRSN
→
第一预测图；其中，第三个C3DRSN
→
第二预测图。3.根据权利要求2所述的方法，其特征在于，第四个C3DRSN经过第三普通卷积后获得第三预测图；第二个C3DRSN经过第一普通卷积后获得的第一预测图；第三个C3DRSN经过第二普通卷积后获得的第二预测图。4.根据权利要求2所述的方法，其特征在于，所述YOLOv5网络模型在使用时，包括以下子步骤：步骤1)提取夜间车辆图像中的车辆特征；将待检测的夜间车辆图像输入到Backbone中，进行特征提取；Backbone采用CSPdarknet，将夜间车辆图像输入到CSPdarknet中，利用Focus模块对输入的特征图进行切片以增加通道数，之后通过四次卷积操作和三次C3模块处理，增加网络深度，提高网络对特征图中有用特征的学习能力，之后将上述处理后的特征图输入到SPP模块中，通过最大池化方式进行多尺度特征融合，最后再经过一个...

【专利技术属性】
技术研发人员：刘军清，余利君，康维，韩志奇，熊小豪，
申请(专利权)人：三峡大学，
类型：发明
国别省市：