Resumen

Se espera que la detección de vehículos sea robusta y eficiente en diversas escenas. Proponemos un método de detección multivehículo, que consiste en YOLO bajo el marco Darknet. También mejoramos la estructura YOLO-voc de acuerdo con el cambio de la escena objetivo y el flujo de tráfico. El modelo de entrenamiento de clasificación se obtiene a partir de ImageNet y los parámetros se ajustan en función de los resultados del entrenamiento y de las características del vehículo. Finalmente, obtenemos una red YOLO-vocRV eficaz para la detección de vehículos de carretera. Para verificar el rendimiento de nuestro método, se realizan experimentos con diferentes estados de flujo de vehículos y se comparan con los métodos clásicos YOLO-voc, YOLO 9000 y YOLO v3. Los resultados experimentales muestran que nuestro método alcanza una tasa de detección del 98,6% en estado de flujo libre, del 97,8% en estado de flujo síncrono y del 96,3% en estado de flujo bloqueante, respectivamente. Además, nuestro método propuesto tiene menos tasa de falsas detecciones que los trabajos anteriores y muestra una buena robustez.

• Materias:Planificación de la producción Infraestructura de transportes Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Production planning Transport infrastructure Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:yolo, método, diferentes estados de flujo de vehículos, modelo de entrenamiento de clasificación, tasa de falsa detección, estado de flujo libre, método de detección multivehículo, detección de vehículos de carretera, estado de flujo síncrono, marco darknet
• Keywords:yolo, method, different vehicle flow states, classification training model, false detection rate, free flow state, multivehicle detection method, road vehicles detection, synchronous flow state, darknet framework