一种基于YOLOv8改进的车辆检测与识别方法

本发明属于物体检测图像处理领域，具体为一种基于yolov8改进的车辆检测与识别方法。

背景技术：

1、随着我国经济社会快速发展，人民生活水平普遍提高，以汽车作为主要代步工具的出行方式已经逐渐融入到人们的生活中，导致车辆保有量迅速增加。汽车的出现一方面给人们的出行提供了无尽的便捷，另一方面也使得我国的交通问题开始恶化，交通事故不断发生、道路拥挤逐渐严重。为了解决此类问题，高级驾驶辅助系统(advanced driverassistance system，adas)随之产生。

2、adas是指通过装置在车上的各种信息传感器设备，在车辆运行中对实时采集到的周围环境数据进行分析计算，从而辅助驾驶员对即将可能发生的危险做出关键性决策。adas主要包括环境感知、决策规划和控制警示三部分。其中环境感知部分是整个系统的核心支撑，主要作用是通过超声波、雷达等传感器采集行驶汽车周围环境的数据，并利用解析的数据来进行物体的位置检测和目标识别。而车辆目标检测作为环境感知中基础且最重要的一部分，涉及驾驶员的安全，因此对车辆目标检测算法的精度和速度具有较高的要求。所以，研究车辆目标检测算法，提升算法检测性能对于推动adas发展以及减少交通事故所带来的灾难具有重要意义。

3、目前主要的目标检测算法分为以fast-rcnn为代表的两阶段(two-stage)检测算法和以yolo和ssd为代表的一阶段(one-stage)检测算法。其中two-stage算法先对图像提取候选框，然后再利用卷积神经网络对候选区域进行定位分类，这类检测算法精度高，但无法达到实时检测。相比于两阶段算法，one-stage算法不需要生成候选框，直接在对目标物体进行位置回归计算的同时给出物体分类得分。具有更快的检测速度，但对于小目标的检测依然存在目标检测视野范围小、检测精度低等问题。在实际的应用中，我们需要找到精度和速度最佳的平衡点，因此通过提高一阶段检测算法性能，能够在实际应用中达到更高的实用价值。

4、随着yolo系列算法的不断改进，yolov8算法以其较高的检测精度以及速度被广泛应用于目标检测任务中。但是交通场景下的检测背景十分复杂，很可能与背景信息混淆在一起，由于其对浅层的特征提取的信息比较少，很难对小尺度的车辆进行准确的分类和精准的定位。同时由于车辆间存在遮挡，也使得提取的特征信息不够充分，导致目标车辆的漏检。

技术实现思路

1、为了克服现有技术的上述缺陷，本发明的实施例提供一种基于yolov8改进的车辆检测与识别方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种基于yolov8改进的车辆检测与识别的方法，其具体步骤包括：

3、获取车辆检测数据集bdd100k，并对数据集进行预处理。

4、(1-1)选取bdd100k中的验证集作为本发明的检测数据集，数据集包含10000张图片。由于本发明特定的应用场景，忽略bdd100k数据集中light、sign、person、bike、rider这几种类别。将每一张图片对应标签的json格式通过python脚本转换为xml文件。xml文件包含图片名称、图片路径、目标标签名称以及目标位置坐标。

5、(1-2)将bus、truck、motor、car、train统一归为car类。将统一类别之后的图片及标签xml文件按照voc格式进行存储。

6、将处理好的图片和标签文件，按照voc标准格式，导入到yolov8的data中。并在该目录下新建annotations,images,imagesets,labels四个文件夹。annotations文件夹中存储每一个标签xml文件，images文件夹中存储所有图片。

7、(1-3)使用python脚本将创建好的voc格式的数据集随机按照8：2划分为训练集和测试集。再用python脚本把数据集标签格式转换成yolo适用的txt格式。

8、基于注意力机制的思想，在原yolov8网络中加入simam注意力机制。

9、simam是一个用于卷积神经网络的概念简单但非常有效的注意力模块，与现有的通道注意力模块和空间注意力模块相比，simam注意力模块在无需向原始网络添加参数的情况下，为特征图推断三维注意力权重。具体来说，该注意力机制是基于一些著名的神经科学理论，提出优化能量函数以发掘每个神经元的重要性。我们进一步推导出能量函数的快速封闭形式的解，并表明该解可以在不到十行代码中实现。使用simam模块可以提高模型对特征的提取能力，进而提高对目标的检测精度。

10、对空间金字塔池化进行改进，将原yolov8网络中的sppf层换成了rfb层。

11、rfb网络由几个具有不同大小卷积核的卷积层组成。每个分支使用不同尺度的卷积核和不同扩展率的腔卷积的组合，允许每个分支的感知场扩展到不同程度。rfb的结构借鉴了inception的结构，在inception中添加了空腔卷积，有效地增加了感受野。

12、对损失函数进行改进，运用了mpdiou损失函数。

13、当预测框与真实边界框具有相同的纵横比，但宽度和高度值完全不同时，大多数现有的边界框回归损失函数都无法优化。为了解决上述问题，将yolov8中的ciou替换成一种新的基于最小点距离的边界框相似性比较度量mpdiou，该度量包含了现有损失函数中考虑的所有相关因素，即重叠或不重叠区域、中心点距离、宽度和高度偏差，同时简化了计算过程。

14、对改进后的网络进行训练和测试：

15、设置迭代次数epoch为300，batch-size为8，初始学习率为0.01，经过300次迭代训练，损失值与精度均趋于稳定，保存此时的最佳模型参数。

16、模型测试采用的模型评价指标精准率(precision)、召回率(recall)、平均精度(ap)如下：

17、

18、

19、

20、其中，tp为将正类预测为正类的数，tn为将正类预测为负类的数，fp为将负类预测为正类的数，fn为将负类预测为负类的数，precision即正确检测到的样本数占总样本数的比例，recall即正确检测到的样本数占真实样本数的比例，平均精度(ap)即在不同recall下的最高precision的均值。

21、本发明的技术效果和优点：

22、本发明通过对yolov8网络进行改进，相比原来的yolov8算法，提高了检测精度，改善了小目标车辆的识别，取得了良好的效果。

技术特征：

1.一种基于yolov8网络改进的车辆检测算法，其特征在于，主要包括以下步骤：

2.根据权利要求1所述的一种基于yolov8网络改进的车辆检测检测算法，其特征在于：输入尺寸为640*640*3的图片，经conv后输出(320*320*64)，后连接conv层输出(160*160*128)，连接c2f层输出(160*160*128)，连接conv层输出(80*80*256)，连接c2f层输出(80*80*256)，连接层simam模块和卷积conv层，连接的simam输出作为特征金字塔的中间层的输入，并对目标进行预测输出；而连接卷积conv层输出(40*40*512)，连接c2f层输出(40*40*512)，连接层simam模块和卷积conv层，连接的simam输出作为特征金字塔的中下层的输入，并对目标进行预测输出；而连接卷积conv层输出(20*20*512)，连接c2f层输出(20*20*512)，连接rfb层输出(20*20*512)和simam模块，连接层simam模块输出作为特征金字塔的低层的输入，并对目标进行预测输出。

3.根据权利要求2所述的一种基于yolov8网络改进的车辆检测检测算法，其特征在于：将原yolov8中的池化层sppf层替换为rfb层，由于rfb允许每个分支的感知场扩展到不同程度，因此有效地增加了感受野；

4.根据权利要求3中所述的一种基于yolov8网络改进的车辆检测算法，其特征在于：引入基于mpdiou的边界框回归损失函数lmpdiou，yolo系列依赖于边界框回归模块来确定物体的位置，因此设计良好的损失函数对边界框回归的成功至关重要，lmpdiou定义为：

5.根据权利要求4中所述的一种基于yolov8网络改进的车辆检测算法，其特征在于，所述步骤(5)中，设置迭代次数epoch为300，batch-size为8，初始学习率为0.01，经过300次迭代训练，损失值与精度均趋于稳定，保存此时的最佳模型参数；

技术总结本发明公开了一种基于YOLOv8改进的车辆检测与识别方法，其方案是：(1)对公开的车辆检测数据集BDD100k进行预处理；(2)引入SimAM注意力模块来增强特征提取；(3)引入了RFB层，有效的增加了感受野；(4)对损失函数进行了改进，运用了MPDIoU损失函数，它包含了现有损失函数中考虑的所有相关因素，即重叠或不重叠区域、中心点距离、宽度和高度偏差，同时简化了计算过程；(5)对改进后的网络进行训练和测试。本发明在公开的车辆检测数据集BDD100k上得到了良好的检测效果，提高了车辆的检测精度，可用于无人驾驶和智能监控领域，为人们的生活带来便利。技术研发人员：张开玉,林彦伶受保护的技术使用者：哈尔滨理工大学技术研发日：技术公布日：2024/7/29