针对道路交通事故频发问题,本文提出了一种基于 YOLOv8 的人车检测网络,旨在实现对周围车道中的车辆与行人进行快速识别,及时为行驶车辆提供预警信息。本文在数据上进行了随机遮挡和混合增强,在YOLOv8网络中使用了GIoU损失函数和多尺度训练进一步增强网络性能,YOLOv8在自定义交通场景数据集中,车辆检测精度达到94.70%,行人检测精度达到90.30%,在复杂背景、部分遮挡场景,以及夜间、雨天等复杂条件中的检测进度均达到了87%以上,并且检测速度约为50帧/秒,能够实现对目标的实时检测。

YOLOv8；车辆检测；行人检测

[1]方茂东.从比亚迪销量看新能源汽车趋势[J].世界汽车,2024,(07):52-55. [2]宁爽,宋辉.帧间方向梯度直方图特征关联的行人检测方法[J/OL].电子测量与仪器学报,1-7 [2024-09-03]. [3]贺宏博.基于深度学习的自动驾驶车辆目标检测与跟踪技术研究[J].专用汽车,2024,(07):61-65. [4]彭红星,袁畅,柯威曳,等.基于改进YOLOv5的高速公路隧道车辆和人员检测[J].科学技术与工程, 2024, 24(06):2453-2461. [5]胡倩,皮建勇,胡伟超,等.基于改进YOLOv5的密集行人检测算法研究[J/OL].计算机工程,1-12 [2024-05-27]. [6]梁奕延,陈昕,郑明祥,等.基于YOLOv5的车辆目标检测算法轻量化改进[J].汽车与新动力,2024, 7(02):8-14. [7]徐彦威,李军,董元方,等.YOLO系列目标检测算法综述[J/OL].计算机科学与探索,1-19[2024-09-03]. [8]何志鹏.基于全局渲染的特征金字塔网络目标检测算法[J].兰州工业学院学报,2024,31(02):24-28. [9]黄昆,齐肇建,王娟敏,等.基于改进YOLOv8的密集行人检测模型[J/OL].计算机工程,1-11 [2024-09-03]. [10]陈恒星,刘一鸣.Anchor-free目标检测算法综述[J].机电工程技术,2024,53(08):7-12. [11]朱伟,段先华,程婧怡.基于YOLOv3-Tiny改进的船舶目标检测研究[J].计算机应用与软件,2024, 41(06):169-174+229. [12]任坤,李峥瑱,桂源泽,等.低分辨率随机遮挡人脸图像的超分辨率修复[J].电子与信息学报,2024, 46(08):3343-3352. [13]陈孝国.基于两阶段混合策略实现的低照度图像增强算法的研究[D].南昌:南昌大学,2022. [14]程传祥,金飞,林雨准,等.应用多尺度融合策略和改进YOLOV5的道路病害无人机检测[J].地球信息科学学报,2024,26(08):1991-2007.

四川省人工智能实验室2022年项目：“基于深度神经网络的目标检测定位研究”（项目编号：2022RYY03)。

DOI： https://doi.org/10.62639/sspis55.20240103

Published： 2024