摘要：无人驾驶汽车在复杂多变的交通场景中能提前且准确检测到车辆行人的动态信息尤为重要。然而,无人驾驶场景下存在相机快速运动、尺度变化大、目标遮挡和光照变化等问题。为了应对这些挑战,本文提出了一种基于注意力机制的多尺度目标检测算法。基于YOLOv3网络,首先,使用空间金字塔池化模块对多尺度局部区域特征进行融合和拼接,使网络能够更全面地学习目标特征;其次,利用空间金字塔缩短通道间的信息融合,构造了YOLOv3-SPP+-PAN网络;最后,基于注意力机制设计了更高效的目标检测器SE-YOLOv3-SPP+-PAN。实验结果表明:相比于YOLOv3网络,提出的SE-YOLOv3-SPP+-PAN网络的平均精度均值提升了2.2%,且推理速度仍然保持智能驾驶平台下实时的要求。实验证明了所提出的SE-YOLOv3-SPP+-PAN网络比YOLOv3更加高效、准确,因此更适合于实际智能驾驶场景下的目标检测任务。

摘要：为了更好地为城市交通规划、人流控制和安全管理提供重要数据支持,基于深度学习设计一个车辆行人检测与计数系统。首先收集车辆行人数据集并进行标注处理,并选择YOLOv5模型对数据集进行模型训练和评估。然后将训练好的模型部署在Jetson Nano 4 GB核心板上,可实现对单张图片、视频及摄像头实时流进行车辆和行人检测,并将检测和统计结果通过显示屏显示。最后基于PyQt5设计一个用户界面,便于用户操作及测试结果可视化。测试结果表明,搭建的系统不仅实现了对行人流量和车流量的实时监测和精确计数,而且能够支持多种检测方式。

摘要：城市道路上车辆行人的检测是自动驾驶汽车环境感知功能中的核心要素之一。针对现有城市道路车辆行人检测任务在使用目标检测算法检测精度低,检测位置不准确等问题,提出一种基于改进YOLOv5的城市道路车辆行人检测新算法——HCA-YOLOv5目标检测算法。通过K-means++聚类算法重新设计并更新锚框初始值并将其匹配到对应特征层,以提高模型对检测目标的检测性能;通过利用城市道路图像中不同高度上的类别分部特点并结合Transformer结构改进HANet的注意力结构,提高模型对输入图像的全局上下文特征提取能力,加强网络对城市道路场景图片中不同类别的辨别能力。实验结果表明,在自动驾驶数据集KITTI上,所改进算法的均值平均精度(mAP)达到了91.93%,相比原YOLOv5算法mAP提高了2.92个百分点,满足了城市道路场景下车辆形容的准确率要求。

摘要：针对目标检测模型参数量大,难以部署在移动端设备的问题,提出了一种轻量化车辆行人检测模型YOLOv8-TI(traffic information)。设计全新的轻量级参数共享SPG Detect检测头以降低模型的参数量和计算量;提出全局平衡通道路径聚合网络(GBC-PAN)结构,平衡网络通道数量,通过跨尺度的加权链接,实现了自顶向下和自底向上的双向特征融合;此外,引入动态非单调聚焦机制的损失函数(Wise Loss)代替原损失函数以提升预测框精度。实验结果发现,提出的目标检测模型YOLOv8-TI在保持较高精度的同时,参数量、计算量和模型体积分别为YOLOv8n的52.1%、58.0%和54%。通过与其他轻量级目标检测模型对比,验证了该方法的有效性和卓越性。将YOLOv8-TI进行Android移动端部署,在荣耀20和荣耀80 GT上进行了测试,FPS可达24帧和31帧,满足实时性需求,有望进一步集成在自动驾驶汽车上完成交通信息检测功能。