在YOLOv2算法的基础上,根据实际道路环境的变化对YOLOv2-voc的网络结构进行改进,基于ImageNet数据集和微调技术得到分类训练网络模型,根据训练结果与车辆目标特征的分析,对算法参数进行修改,获得改进的车型识别分类网络结构模型YOLOv2-voc_mul。为验证所提模型的有效性,分别对简单背景和复杂背景下的样本进行检测,并与YOLOv2、YOLOv2-voc和YOLOv3模型在迭代70000次后的检测结果进行了对比。实验结果表明:在简单背景下,YOLOv2-voc_mul模型的精度可达99.20%,不同车型的平均精度均值达到了89.03%;在复杂背景下,YOLOv2-voc_mul模型对4种车型在单目标和多目标的检测下平均准确率达到了92.21%和89.44%,具有较高的精确度、较小的误检率和良好的鲁棒性。

针对大型构件三维精密测量中构件结构复杂、测量环境变化等导致的合作目标检测精度低的问题, 提出一种改进YOLOv2卷积神经网络的多类型合作目标检测方法。首先, 利用WGAN-GP生成对抗网络扩增合作目标图像样本数量; 其次, 采用卷积层密集连接代替YOLOv2基础网络的逐层连接增强图像特征信息流, 引入空间金字塔池化汇聚图像局部区域特征, 构建改进YOLOv2卷积神经网络的多类型合作目标检测方法; 最后, 采用增强的目标图像样本数据集训练改进YOLOv2卷积神经网络的多类型合作目标检测模型, 实现多类型合作目标检测。实验结果表明: 采用多类型合作目标图像数据集测试, 多类型合作目标检测精度达到90.48%, 目标检测速度为58.7 frame/s。该方法具有较高的检测精度和速度, 鲁棒性好, 满足大型构件三维精密测量中多类型合作目标检测的要求。

针对现有目标深度神经网络检测准确度低和实时性差的问题,提出一种面向无人机(UAV)飞控平台的实时道路目标深度神经网络检测方法。该方法结合了YOLOv2和YOLOv3网络的优点,针对YOLOv2检测准确度低、小目标难以检测和YOLOv3实时性差的现状,建立了将残差块引入Darknet-19网络同时采用多尺度特征进行目标检测的道路目标检测模型。提出采用回归(logistic)分类器进行目标类别的预测,以实现对重叠图像的多标签分类。实验结果表明,该方法对UAV飞控平台上分辨率为416 pixel×416 pixel视频图像的检测帧率在20 frames/s以上,平均准确度(mAP)达到82.29%,召回率达到86.7%,基本满足UAV飞控平台道路目标检测对准确性和实时性的要求。

交通标志识别在驾驶辅助系统和交通安全方面发挥着重要作用。卷积神经网络在计算机视觉任务上取得了重大的突破,并在交通标志检测与识别方面取得了巨大的成功。然而,现有的识别方法通常达不到实时识别的效果。因此,提出一种改进卷积神经网络交通标志识别方法,通过加入初始模块,扩展网络结构和提出新的损失函数等多种方法来解决原始模型不擅于检测小目标的问题。在德国交通标志数据集上的仿真结果表明,与现有技术相比,提出的方法能够获得更高的检测速率,每张图片的处理时间仅为0.015 s。