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 2 交通目标中以“车”为检测对象的YOLO算法应用

Tab.2 Application of YOLO algorithm with 'Vehicle' 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[53] 机动车检测 BDDK100 YOLOv5 将主干网络替换为ResNet50， 引入自适应比例系数 86 — — 文献[55] 非机动车检测 自建数据集 YOLOv3 改进特征融合结构，采用GIOU损失 — 70.8 — 文献[56] 应急车辆检测 自建数据集 YOLOv5 结合VGGNet算法 — 95.7 — 文献[58] 3D车辆检测 KITTI[67] YOLOv2 改为3D目标检测，引入E-RPN — 54.77 50.4 文献[59] 车辆跟踪 自建数据集 YOLOv3 结合边界框距离计算与相似性对比 95.45 — — 文献[60] 交通密度分析 BIT-Vehicle Dataset[68]、 GRAM-RTM[69] YOLOv4 结合CFNN卷积模糊神经网络 90.45 99 30 文献[62] 车辆速度估计 VS13[70] YOLOv5 结合1D-CNN算法 — — — 文献[63] 车辆异常行为检测 自建数据集 YOLOv3 结合质心跟踪算法 100 — — 文献[64] 交通事故检测 自建数据集 YOLOv3 结合MOSSE跟踪算法、ViF描述符 93 — —