<div>
	基于雾天条件下交通道路上的目标检测
</div>

doi:10.15966/j.cnki.dnydx.2022.05.024

全文: PDF( KB)
输出: BibTeX | EndNote (RIS)

摘要

在目前的道路车辆的检测当中，对车辆的检测精度和匹配度的要求越来越高，尤其在雾天的天气情况下会对车

辆的检测产生影响。针对以上问题，深受深度学习理论的启发，提出一种在去雾网络与目标检测网络结合情况下，对雾天下交

通道路上车辆图像进行去雾目标检测的深度学习目标检测算法，并且模型轻量，易于嵌套使用。实验结果表明将YOLOv 5目

标检测网络与AOD-Net 去雾相结合，在真实和合成的有雾的数据集上，该算法在定量评价和定性评价中均优于对比算法。

其中MAP 值达到81.73%，比YOLOv 5算法的MAP 值高1.31％且FPS 达到了25.0，速度得到提升，表明 AOD-Net 与YOLOv 5

网络相结合的算法能更加有效地检测雾天条件下道路交通的车辆，且网络泛化能力和鲁棒性较好。

	服务
	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	（）
	作者相关文章

关键词 ：

深度学习, 去雾, 目标检测, 交通道路, YOLOv 5

年卷期日期: 2022-05-10 出版日期: 2023-07-25

引用本文:

管尧朱凯.

基于雾天条件下交通道路上的目标检测

[J]. 电脑与电信, 2022, 1(5): 69-.
GUAN Yao ZHU Kai.

Object Detection of Traffic Road Based on Fog

. Computer & Telecommunication, 2022, 1(5): 69-.

链接本文:

https://www.computertelecom.com.cn/CN/10.15966/j.cnki.dnydx.2022.05.024 或 https://www.computertelecom.com.cn/CN/Y2022/V1/I5/69

[1]	张碧川　刘卫东　米浩　景亚宁. 基于轻量化YOLOv8的安全帽检测[J]. 电脑与电信, 2024, 1(1): 35-39.
[2]	何宗熹蒋明忠谢铭霞庞家宝陈秋艳胡益博. 基于YOLOv8和人脸关键点检测的驾驶员疲劳驾驶识别算法设计[J]. 电脑与电信, 2023, 1(11): 1-6.
[3]	周广证胡玉芬. 基于手势控制的智能小车研究与设计 [J]. 电脑与电信, 2022, 1(7): 14-.
[4]	陈俊安陆庚有谢倩怡龚智慧刘建平彭绍湖. 图像去雾算法研究综述 [J]. 电脑与电信, 2022, 1(7): 63-.
[5]	钟冠华黄巍. 基于多特征提取网络的视觉关系检测方法研究 [J]. 电脑与电信, 2022, 1(7): 67-.
[6]	张苗苗柴国强于海乐徐昊璇. 基于深度学习的面部特征检测与疲劳驾驶预警 [J]. 电脑与电信, 2022, 1(12): 1-.
[7]	张梓浩刘鹏浩谢汉辉邵国林吴振凯张嘉利. 面向多场所的基于深度学习电动车智能安全检测系统 [J]. 电脑与电信, 2022, 1(10): 40-44.
[8]	张望. 基于空间通道Transformer的双分支网络图像去雾方法 [J]. 电脑与电信, 2022, 1(10): 82-89.
[9]	包成耀丁霄霏戴立奇吴宗霖杨艳红. 基于YOLO的轻量化目标检测应用研究[J]. 电脑与电信, 2021, 1(8): 26-29.
[10]	徐铭源杨艳红. 基于深度学习的行李检测系统的设计[J]. 电脑与电信, 2021, 1(4): 36-40.
[11]	戴晓芳. 一种基于压缩感知的运动目标检测技术[J]. 电脑与电信, 2019, 1(5): 64-67.
[12]	苟婷婷严瑾黄凌霄刘立波. 基于暗通道先验的图像去雾方法研究[J]. 电脑与电信, 2019, 1(1-2): 5-8.
[13]	张阳, 王璟, 肖梦, 徐国庆. 图像去雾透射率的优化算法[J]. 电脑与电信, 2017, 1(6): 7-9.
[14]	赵彤洲王海晖. MFR-MAP相结合的运动目标检测方法研究[J]. , 2010, 1(10): 0-0.
[15]	罗国强. 视频中运动目标检测算法研究及实现[J]. , 2010, 1(05): 0-0.