基于改进YOLOv5s的无人驾驶夜间车辆目标检测算法

来源：电子测量技术杂志2023年第17期北京时间：

作者：张蕊，高诗博，赵霞，侯先磊

单位：北京建筑大学土木与交通工程学院 北京 100044

摘要：夜间车辆检测对无人驾驶车辆行驶安全具有重要意义。但是，夜间光照强度低，车辆几何特征呈现不明显，尤其远处车辆由于目标小而特征视认难，导致检测难度大幅提升。基于此，提出了一种基于改进YOLOv5s的无人驾驶夜间车辆检测算法。首先，采集榆林市部分道路夜间场景自构建数据集，并通过Retinex算法实现数据增强处理；在此基础上，进一步通过以下3个措施对传统YOLOv5s网络进行改进：将深度可分离卷积引入Backbone结构，减少网络参数量；将多种注意力机制与FPN融合，提升网络的特征提取能力；在PAN中引入空洞卷积，在感受野不变和特征信息损失较少的同时，减少网络参数量。最终实验结果显示：夜间车辆的平均检测精度可达848%，相较改进前提升了52%；对应检测速度可达48 fps，提升了91%。研究成果可为提升无人驾驶车辆在事故多发夜间时段的行车安全性奠定理论基础。

关键词：深度学习;夜间车辆检测;YOLOv5;注意力机制;深度可分离卷积;空洞卷积

基金资助：国家自然科学青年基金（5170080357）、北京未来城市设计高精尖创新中心项目（UDC2019032924）、住房和城乡建设部软科学研究项目（2018R2046）资助