控制与决策

作者：钱惠敏,陈纬,马宜龙,施非,项文波

单位：河海大学 能源与电气学院,南京 211100,,河海大学 能源与电气学院,南京 211100,,河海大学 能源与电气学院,南京 211100,,河海大学 能源与电气学院,南京 211100,,南京理工大学 自动化学院, 南京 210094,

关键词：行人检测;深度学习;YOLOv3;ResNet34_D;DIoU

基金：中央高校基本科研业务费专项基金项目(2018B15514).

针对自动驾驶场景下行人检测任务中对中、小尺寸目标和被遮挡目标的检测需求,以及现有深度学习模型的不足,提出基于ResNet34_D的改进YOLOv3模型:通过改进残差网络的卷积块结构提出ResNet34_D,并作为YOLOv3的主干网络以降低模型尺寸和训练难度;在ResNet34_D的3个尺度卷积特征图之后,增加SPP层和DropBlock模块以提高模型的泛化能力;基于K-means聚类算法确定自适应的多尺度锚框尺寸,提高对大、中、小3种尺寸行人目标的检测能力;引入DIoU损失函数,提高对被遮挡目标的识别能力.所提出模型的消融实验验证了各个改进部分在提高模型检测准确率上的有效性.实验结果表明,所提出的基于ResNet34_D的改进YOLOv3模型具有较好的准确率和实时性,在BDD100K-Person数据集上的AP₅₀达到69.8%,检测速度达到130FPS.由所提出方法与现有目标检测方法的对比实验可知,所提出方法对小目标和遮挡目标的误检率更低,速度更快,具有一定的实际应用价值.

来源：2022年第7期

《控制与决策》期刊编辑部

查看控制与决策杂志2022年第7期