典型文献
基于改进YOLOv5和视频图像的车型识别
文献摘要：
为了提高车型识别的精度和检测速度,提出了改进YOLOv5的车型识别算法.首先利用高速公路收费的监控视频数据扩充BIT-Vehicle车型数据集,同时针对数据集中各车型图片数量不均衡现象利用图像翻转、添加高斯噪声、色彩变化等图像处理技术对各车型数量进行均衡化,构建BIT-Vehicle-Extend数据集;其次,添加RFB(receptive field block)模块用于增加网络感受野,有助于模型捕捉全局特征;第三,将无参数的SimAM注意力机制添加Bottleneck中,在不增加参数的情况下,提高网络的特征提取能力.实验结果表明,相比于原始网络模型,本文所提出的YOLOv5优化算法,mAP0.5和mAP0.5:0.95达到98.7％和96.3％,分别提高了0.7％和1.5％.在检测速度方面,达到90 frames/s,与原网络相比检测速度基本不变.因此,本文所提出的YOLOv5优化算法,能够高精度的实时检测车型信息,满足车型识别检测需要.
文献关键词：
智能交通系统;目标检测;YOLOv5优化算法;车型识别
中图分类号：
作者姓名：
王志斌;冯雷;张少波;吴迪;赵建东
作者机构：
河北雄安京德高速公路有限公司,保定071799;北京交通大学交通运输学院,北京100044
文献出处：
引用格式：
[1]王志斌;冯雷;张少波;吴迪;赵建东-.基于改进YOLOv5和视频图像的车型识别)[J].科学技术与工程,2022(23):10295-10300
A类：
B类：
YOLOv5,视频图像,车型识别,高车,检测速度,识别算法,高速公路收费,监控视频,视频数据,数据扩充,BIT,Vehicle,时针,各车,不均衡现象,图像翻转,高斯噪声,图像处理技术,均衡化,Extend,RFB,receptive,field,block,感受野,全局特征,无参数,SimAM,注意力机制,Bottleneck,特征提取能力,mAP0,frames,实时检测,检测车,车型信息,识别检测,智能交通系统,目标检测
AB值：
0.466807
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
