交通目标YOLO检测技术的研究进展

董红召,林少轩,佘翊妮

Research progress of YOLO detection technology for traffic object

Hongzhao DONG,Shaoxuan LIN,Yini SHE

表 1 交通目标中以“人”为检测对象的YOLO算法应用

Tab.1 Application of YOLO algorithm with 'Human' as detection object in traffic target

文献 研究方向 数据集 YOLO原型 改进方式 P/% mAP/% v/(帧·s−1) 文献[39] 车载行人检测 自建数据集 YOLOv3 YOLOv4 YOLOv4-tiny 结合Wasserstein 距离损失 — — — 98.57 98.19 80.39 3.858 6 3.404 9 22.592 8 文献[41] 监控行人检测 自建数据集 YOLOv4 引入SPP-Net结构 — 84.47 — 文献[43] 行人跟踪 PD-2022 YOLOv3 结合DeepSort算法 72.02 — 33 文献[45] 行人行为模式识别 自建数据集 YOLOv8 结合运动特征分析 — — — 文献[46] 人群密度估计和客流计算 自建数据集 YOLOv3 结合DeepSort算法、 Voronoi图 97.87 — — 文献[48] 驾驶员疲劳检测 自建数据集 YOLOv3 — 94.66(眨眼)、 95.99(打哈欠) — — 文献[49] 驾驶员疲劳检测 自建数据集、NTHU-DDD YOLOv5 增加特征采样次数， 结合BiFPN结构 — 99.40 100 文献[50] 驾驶员分心检测 IR dataset of HNUST and HNU YOLOv7 结合全局注意机制（GAM）， 通道扩展（CE）数据增强 — 73.60 156 文献[52] 乘客客流检测 自建数据集 YOLOv3 结合Cam-shift算法 89.71 — —