改进YOLOv5的复杂道路目标检测算法

作者：王鹏飞; 黄汉明^*; 王梦琪

来源：计算机工程与应用, 2022, 58(17): 81-92.

• 复杂道路
• YOLOv5
• Quality Focal Loss
• 双向特征金字塔网络(BiFPN)
• 卷积块注意模块(CBAM)
• 遮挡目标
• 小目标

针对复杂道路背景下的密集遮挡目标和小目标导致的误检、漏检问题，提出一种基于改进YOLOv5的复杂道路目标检测算法。引入Quality Focal Loss，将分类得分与位置的质量预测结合，提高了对密集遮挡目标的定位精度；增加一层浅层检测层作为更小目标的检测层，将原始算法的三尺度检测改为四尺度，特征融合部分也作相应改进，提高了算法对小目标特征的学习能力；借鉴加权双向特征金字塔网络（BiFPN）的特征融合思想，提出了去权重的BiFPN，充分利用深层、浅层以及原始的特征信息，加强了特征融合，减少了卷积过程中特征信息的丢失，提高了检测精度；引入卷积块注意模块（CBAM），进一步提升了算法的特征提取能力，让算法更关注有用的信息。实验结果表明，该改进算法在公开的自动驾驶数据集KITTI和自制的骑乘人员头盔数据集Helmet上的检测精度分别达到了94.9%和96.8%，相比原始算法分别提高了1.9个百分点和2.1个百分点的检测精度，检测速度分别达到了69 FPS和68 FPS，具有较好的检测精度与实时性，同时与一些主流的目标检测算法相比，该改进算法也有一定的优越性。

• 出版日期2022
• 单位广西师范大学