《表1 不同车辆检测与跟踪模型的性能对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于增强Tiny YOLOV3算法的车辆实时检测与跟踪》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:Mp为平均准确率，%；Mf为平均误检率，%；Mm为平均漏检率，%；Mo为平均运算速度，ms·帧-1。

在白天和夜间分别进行了8组试验，试验中TN的值设为10 000，分别计算Tiny YOLOV3车辆检测模型、增强Tiny YOLOV3车辆检测模型以及本文车辆检测跟踪算法模型（融合算法模型）的评价指标值，结果如表1所示。由表1可知，与Tiny YOLOV3车辆检测模型相比，增强Tiny YOLOV3车辆检测模型的平均准确率提高了4.6%，平均误检率减少了0.5%，平均漏检率降低了7.4%，算法平均耗时增加了43.8 ms/帧。增强Tiny YOLOV3模型通过浅层输出的特征金字塔层增加了候选框的数量，所以网络的漏检率指标得到了显著改善，同时伴随着浅层特征的强化和利用，提高了模型的平均准确率，但增加了计算量，所以提升车辆检测性能的同时增加了算法的平均耗时，这也为下一步本文车辆检测跟踪算法模型的运用创造了良好的条件。在增强Tiny YOLOV3车辆检测模型基础上加入本文跟踪算法之后，相比Tiny YOLOV3车辆检测模型，本文的融合算法模型平均准确率提高了10.6%，漏检率降低了23.6%，且误检率降低了1.2%，误检主要有2方面原因，一是由于没有连续2帧出现误检而真正减少了检测器的误检，二是跟踪过程中在车辆真正消失的时候，车辆的跟踪图像没有被及时删除而造成误检，2个因素叠加在一起，本文融合算法的误检率仍然降低了1.2%，相对于Tiny YOLOV3车辆检测模型的运算速度提升显著，平均运算速度为33.4 ms/帧，比Tiny YOLOV3车辆检测模型的运算速度快5倍左右，可达30帧/s。