26、重型车辆分类与方向跟踪的深度学习方法

重型车辆分类与方向跟踪的深度学习方法

在重型车辆的检测与跟踪领域，深度学习技术正发挥着越来越重要的作用。本文将深入探讨基于深度学习的重型车辆分类和方向跟踪方法，包括数据处理、不同检测算法的比较、不同场景下的性能评估以及车辆方向跟踪等内容。

1. 数据处理与类别筛选
   • 部分类别的样本数量较少，数据集存在不平衡问题，一些车辆类型出现频率低，而另一些则很常见。
   • 基于实验结果，决定在最终测试集中移除计数少于10的类别。
2. YOLOv3和SSD分类比较
   • YOLOv3优化 ：采用了新版本的YOLOv3，它优化了网络连接结构，通过添加多个最大池化层来提取不同尺度的信息，增强了特征提取能力。
   • SSD检测性能
     • 对于单个车辆类别的平均精度均值（mAP）为37.29%，其中9轴B型双挂车的平均精度（AP）最高，达到75%，原因是其具有独特特征且训练数据集中相关图像多。
     • 对于一般类别，mAP提高到56.54%，半挂车、4 - 11轴B型双挂车和刚性卡车能较准确识别，但其他类别表现不佳，可能是8 - 11轴A型双挂车数据不足。
     • SSD在处理小目标时存在困难，如难以检测DGV标志和远处车道的车辆。
   • YOLOv3检测性能