改进YOLOv8的城市车辆目标检测方法技术

本发明专利技术公开了一种改进YOLOv8的交通监控场景下城市车辆目标检测方法，涉及深度学习、计算机视觉和目标检测技术领域。所述方法包括如下步骤：在主干网络及颈部融入多尺度注意力机制（EMA），有助于模型更好地捕捉城市车辆细节信息。添加小目标检测层，增强对城市道路目标车辆的特征提取能力。设计一种改进的G‑C2f替代C2f，有效降低了模型的计算量和参数量，平衡了EMA所带来的计算效率和准确性。最后，使用WIOU优化损失函数，提升模型边界框回归性能和收敛速度。改进方法具备应用于实际场景城市车辆目标检测的潜在能力。

【技术实现步骤摘要】

本专利技术涉及深度学习、计算机视觉和目标检测，具体来说，本专利技术涉及一种改进yolov8的城市车辆目标检测方法。

技术介绍

1、面对日益严重的交通拥堵问题，寻找有效的方法来缓解交通拥堵、提高交通系统的安全性和通行效率，已经成为交通管理部门亟需解决的重要任务。当前使用交通摄像头虽然能够拍摄出较为高清的图像，但仍面临以下困难：(1)尺度变化，因车辆进入拍摄范围的距离和角度不同，可能导致不同车辆的尺寸和形状有较大差异；(2)背景干扰，交通摄像头拍摄的背景中包含许多与车辆相似或其他信息的干扰，如建筑物遮挡、道路纹理和前方车辆的遮挡等，这些背景噪声可能会减弱目标车辆的显著性；(3)环境变化，不同天气条件下车辆目标颜色的变化，可能会导致夜间或雨天等恶劣天气条件下拍摄的清晰度降低，难以捕捉车辆的局部细节特征。

2、随着深度学习和计算机视觉领域的发展，城市道路车辆目标检测一直是研究学者们关注的热点。然而，许多应用场景对车辆检测的准确性和低漏检率都提出了更高的要求，同时也对计算资源的消耗提出极高的要求。目前，基于深度学习的目标检测方法主要分为二阶段(rcnn等本文档来自技高网...

【技术保护点】

1.一种改进YOLOv8的城市车辆目标检测方法，其特征在于包括如下步骤：

2.如权利要求1所述的改进YOLOv8的城市车辆目标检测方法，其特征在于：所述步骤S1具体包括如下步骤：

3.如权利要求1所述的改进YOLOv8的城市车辆目标检测方法，其特征在于，所述步骤S2中引入多尺度注意力机制EMA，具体流程如下：

4.如权利要求1所述的改进YOLOv8的城市车辆目标检测方法，其特征在于，所述步骤S3中添加小目标检测层的具体步骤如下：

5.如权利要求1所述的改进YOLOv8的城市车辆目标检测方法，其特征在于，所述步骤S4中设计一种新的G-C2f，...

【技术特征摘要】

1.一种改进yolov8的城市车辆目标检测方法，其特征在于包括如下步骤：

2.如权利要求1所述的改进yolov8的城市车辆目标检测方法，其特征在于：所述步骤s1具体包括如下步骤：

3.如权利要求1所述的改进yolov8的城市车辆目标检测方法，其特征在于，所述步骤s2中引入多尺度注意力机制ema，具体流程如下：

4.如权利要求1所述的改进yolov8的城市车辆目标检测方法，其特征在于，所述步骤s3中添加小目标检测层的具体步骤如下：

5.如权利要求1所述的改进yolov8的城市车辆目标检测方法，其特征在于，所述步骤s4中设计一种新的g-c2f...

【专利技术属性】
技术研发人员：许德刚，王双臣，孙晓乐，尹柯栋，王鑫龙，
申请(专利权)人：河南工业大学，
类型：发明
国别省市：