基于改进Yolov4的车辆目标检测

交通场景中小目标及遮挡目标的检测对智能交通具有重要意义.目前基于深度学习的方法在检测车辆目标的特征提取方面取得了较好的效果,但是这些方法都缺乏鲁棒性,在交通场景中对小目标及遮挡目标的检测存在漏检、错检等情况.提出一种改进Yolov4的车辆目标检测算法,在主干网络的残差模块中嵌入通道注意力机制ECA-Net,通过对每个通道的重要程度赋予不同的权重来获取跨通道的交互信息,实现通道间的信息关联,加强特征聚合,抑制无效特征.将主干网络输出的浅层特征细节信息与深层特征语义信息相融合,使每层具有当前层语义信息的同时融合丰富的细节信息,增强小目标及遮挡目标的特征.在此基础上,利用深度可分离卷积替换网络特征融合模块的普通卷积,提高网络速度,降低网络计算量.实验结果表明,改进后的Yolov4算法在KITTI和UA-DETRAC数据集上比原Yolov4算法分别提高了1.30和2.16个百分点,检测速度达到55帧/s,相比其他主流模型,能更好地检测小目标及遮挡目标.