《表1 不同车辆检测与跟踪模型的性能对比》
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》
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。
图表编号 | XD0071825100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.04.01 |
作者 | 刘军、后士浩、张凯、张睿、胡超超 |
绘制单位 | 江苏大学汽车与交通工程学院、江苏大学汽车与交通工程学院、江苏大学汽车与交通工程学院、江苏大学汽车与交通工程学院、江苏大学汽车与交通工程学院 |
更多格式 | 高清、无水印(增值服务) |