行业分类-物理装置-基于非对称卷积的具有粒度级多尺度特性的车辆检测方法.zip

本项目用Yolov4实现传统目标检测，Yolov5实现车牌检测，可以一起呈现，需要的老板联系。

该课题为基于帧差法的运动车辆目标跟踪，配备一个GUI界面，可实现统计车辆数量，运动轨迹，和统计车辆数量和车流量以及速度等。后期可开发成判断道路是否拥挤等课题。可定制关于违章检测，车辆车型，车标等识别。

对图像或视频数据中的车辆进行检测是城市交通监控中非常重要并且具有挑战性的任务。该任务的难度在于对复杂场景中相对较小的车辆进行精准地定位和分类。针对这些问题，提出了一个单阶段的深度神经网络（DF-YOLOv3），实现城市交通监控中不同类型车辆的实时检测。DF-YOLOv3对传统的YOLOv3算法进行改进，首先增强深度残差网络提取车辆特征，然后设计6个不同尺度的卷积特征图，并与残差网络中相应尺度的特征图进行融合，形成最终的特征金字塔执行车辆预测任务。在KITTI数据集上的实验表明，提出的DF-YOLOv3方法在精度和速度上均能获得较高的检测性能。具体地，对于512×512分辨率的输入模型，基于英伟达1080Ti GPU，DF-YOLOv3获得93.61%的mAP（均值平均精度），速度达到45.48 f/s（每秒传输帧数）。特别地，对于精度，DF-YOLOv3比Fast R-CNN、Faster R-CNN、DAVE、YOLO、SSD、YOLOv2、YOLOv3与SINet表现更好。

简介：VehicleReId 数据集由布尔诺理工大学发布，包含两台摄像机所录制的 5 个视频文件，并从中提取出 47123 张车辆图像。该数据集还包括 24530 组车辆配对信息，可被用于车辆重新识别等任务。

针对车辆检测任务，设计更高效、精确的网络模型是行业研究的热点，深层网络模型具有比浅层网络模型更好的特征提取能力，但构建深层网络模型时将导致梯度消失、模型过拟合等问题，应用残差网络结构可以缓解此类问题。基于YOLO算法，改进残差网络结构，加深网络层数，设计了一种含有68个卷积层的卷积神经网络模型，同时对输入图像进行预处理，保证目标在图像上不变形失真，最后在自定义的车辆数据集上对模型进行训练与测试，并将实验结果与YOLOV3模型进行对比，实验表明，本文设计的模型检测精准度(AP)达90.63%，较YOLOV3提高了4.6%。

video-02.mp4 video-02.mp4 人工智能车辆检测 行人检测测试视频

python车辆识别检测源代码

基于YOLOv5的车辆检测，亲测可用

基于Python的车辆检测算法的实现.pdf