基于YOLOv5s的高速公路车辆实时检测模型

刘元峰，姬海军，刘立波*

（1.宁夏大学 信息工程学院，宁夏 银川 750021；2.宁夏路网监测与应急处置中心，宁夏 银川 750021）

1 引 言

精准、快速检测出车辆目标是高速交通控制和管理的重点、难点问题，具有重要的研究价值［1］。为提升检测效率，研究人员提出了单阶段目 标 检 测 方 法，主 要 代 表 有SSD［2］、YOLO系列［3-6］等。该类方法通过卷积网络提取特征并直接对目标定位识别，通过减少网络参数使检测速度得以提高，但却导致检测精度有所下降。因此，如何在车辆目标实时检测中既能保证检测速度又能提升检测精度，已成为研究的热点问题。

王滢暄等［7］提出一种基于改进YOLOv4高速公路车辆目标实时检测方法，制作了各种复杂场景下的车辆数据集并对其进行数据增强，提升了检测精度。袁小平等［8］提出一种改进YOLOv3的行人车辆目标检测算法，采用ResNeXt代替ResNet模块，并引入密集连接，提升了小目标的检测精度。于博等［9］采用一种用于远红外图像的优化YOLO检测与分割网络模型，通过KMeans算法设定锚框尺寸以及使用自适应阈值分割方法，保证了实时检测要求，且能较有效地检测行人目标。Lai等［10］提出了一种基于车辆检测和交通计数区域的二次检测框架，通过多角度、多路况数据采集，能够较精确地检测和统计出车辆信息。上述方法在车辆目标实时检测方面均有应用价值，但在检测过程中，模型对于细节特征学习能力较弱且提取了大量冗余信息，导致检测精度降低。

本文提出一种基于YOLOv5s的高速公路车辆实时检测算法，通过在残差单元中加入卷积注意力模块，强化模型学习细节特征，抑制冗余信息干扰；在金字塔网络中加入卷积注意力模型，加强关键特征融合；在自行构建的宁夏高速公路车辆数据集上进行实验，结果表明，本文方法能够准确、快速地检测出车辆目标，在高速公路车辆管理和控制方面具有一定的应用价值。

2 模 型

YOLOv5系列包含s、m、l、x四种不同大小的网络模型［11-13］，其中YOLOv5s网络参数最少，检测速度更适合实时车辆目标检测场景。YOLOv5s主要由Backbone和Head两部分组成。Backbone部分用于提取图像特征，包含Focus、4个基础卷积（Convolution，Conv）、3个ResBCSPn模块和空间金字塔池化（Spatial Pyramid Pooling，SPP）；Head部分由金字塔网络（Pyramid Attention Network，PANet）和 分 类 回 归 预 测 模 块Detect构成，分别用于多尺度特征信息融合和预测。整体网络结构如图1所示。

图1 YOLOv5模型架构Fig.1 Model architecture of YOLOv5s

ResBCSPn作为Backbone的核心模块，主要由一个及以上残差单元（ResBottlebeck）和跨阶段局部模块（Cross Stage Partial，CSP）组成。其中，残差单元用于加深网络记忆，防止网络因层数加深而导致梯度消失；跨阶段局部模块用于组合特征、降低网络参数量。Head的核心模块是金字塔网络，该部分采用自顶向下与自底向上联合的特征融合方式，更好地进行了多尺度融合，加强了不同尺度特征之间的语义关联性。

3 本文方法

3.1 注意力机制

注意力机制是计算机视觉领域常用的特征强化方法，源于人类大脑对视觉信号处理机制的模拟。人类在观察某一物体时，会重点关注目标有特点的细节部位，忽略全局和背景等冗余信息。这种选择性关注的方式与车辆目标实时检测任务中依靠车辆特点进行识别分类的理念相一致，近年来已在该领域得到了广泛应用。因此，为达到抑制图像中冗余信息、学习和融合关键细节特征进而提升模型检测精度的目的，本文引入一种多维注意力机制——卷积注意力模型（Convolutional Block Attention Module，CBAM）［14-16］，其包括通道域（Channel Attention Module，CAM）和空间域（Spartial Attention Module，SAM）两部分，分别处理图像的特征通道和特征空间。

由卷积网络生成的特征图中包含不同的特征空间和通道，每个空间、通道表示图像中的不同信息，其中可能包含与目标无关的背景冗余特征。因此，让网络将注意力集中于提取和学习图像中关键细节特征，使其具备更高的权重系数，能有效提升模型的检测精度。本文在主干网络中使用CBAM提取特征的通道和空间生成注意力权重图，并将其与原特征图进行特征融合，将融合后的模块添加到残差单元之后，形成卷积注意力残差单元以获取并学习不同维度、更为丰富的关键细节特征。在金字塔网络中，使用相同的方法得到融合后的模块，将其放置在不同尺度特征图的上采样和下采样后，形成卷积注意力金字塔网络以加强不同尺度的关键细节特征融合。

3.2 卷积注意力残差单元

主干网络中由卷积函数生成特征图，由于卷积函数具有相同卷积核，导致无法辨析图像中关键细节特征。而卷积注意力模块作为一种特征强化方法，通过提高关键细节特征权重、降低冗余信息权重，使网络着重关注感兴趣区域，从而实现提升检测精度的目的。因此，本文将卷积注意力模块放置于残差单元后，形成卷积注意力残差单元（CBAMReBottleneck，CR），如图2所示。

图2 卷积注意力残差模块。（a）残差单元；（b）CAM；（c）SAM。Fig.2 Convolutional attention residual module.（a）ResBottleNeck；（b）CAM；（c）SAM.

卷积注意力残差模块主要由残差单元（Res-BottleNeck）、CAM和SAM三部分构成，分别如图2中（a）、（b）、（c）所示。输入特征x∈Rw×h×c进入残差单元。残差单元通过两层3×3的卷积提取x得到具备高级语义信息的特征f（x）后，使用跳跃连接将其与x相加得到X，这使流入到下一层网络的特征由f（x）变为f（x）+x，从而保留了浅层信息。该过程增强了特征信息。但并未改变特征维度，因此特征X∈Rw×h×c。处理流程如图3（a）所示，具体公式如式（1）、（2）所示：

式中：w×h为特征维度大小，c为特征通道数，Conv代表卷积核为3×3的卷积，X是保留浅层信息的残差单元输出特征图。

经过残差单元叠加浅层信息的特征X由CAM单元处理，CAM重点关注特征的通道维度。不同卷积核生成的特征通道存在重要性差异，但网络公平捕获特征的方式忽略了这一问题。为此，CAM赋予各通道不同的权重系数来衡量其差异性，使网络根据权重系数聚焦关键通道特征。具体操作如下：首先，并行平均和最大池化将X的空间信息聚合压缩得到两个1×1×c大小的张量。然后，将其输送到共享网络MLP中获取通道注意力分布。MLP是包含一个隐藏层的感知机，利用其处理非线性数据分类的能力实现了通道注意力分布。接着对重新分配通道注意力权重的张量进行求和运算得到最终的通道 权 重Cweight，Cweight∈R1×1×c。最 后 将 其 与X相乘融合得到通道注意力特征图Mc，Mc∈Rw×h×c。处理流程如图3（b）所示，具体公式如式（3）所示：

式中：AP为平均池化，MP为最大池化，σ为sigmoid激活函数，MLP为多层感知机，⊕为矩阵求和运算，⊗为矩阵乘积运算，Mc是生成的通道注意力特征图。

经过CAM处理得到的特征图Me进入SAM模块用以计算空间特征权重。SAM首先将不同通道在同一平面空间点上的值并行平均和最大池化分别获取两个维度为w×h×1的空间权重图，再通过卷积层和sigmoid函数对两个空间特征图进行非线性激活得到最终的空间权重图Sweight，Sweight∈Rw×h×1，最后将其与Mc相乘融合得到空间注意力特征图。处理流程如图3（c）所示，具体操作公式如式（4）所示：

式中：Conv7是卷积核大小7×7的卷积，Ms为生成的空间注意力特征图。

上述步骤产生的中间特征X、Mc和Ms，经过卷积等操作处理后，无法明确分析其中的差异性，为此给予中间过程特征的相应热力图［17］进行直观描述，具体效果如图3所示。

图3 中间过程效果图Fig.3 Intermediate process renderings

由图3可知，特征图X能够检测出车辆目标并将注意力集中在车侧上方，说明信息主要叠加在该区域；特征图Mc通过通道域处理，加强了各通道之间的依赖性，使注意力权重集中在信息丰富的区域，在图3（b）中已知车侧上方信息丰富，因此图3（c）中该位置高亮效果更为显著；特征图Ms经过空间域处理，突出了各通道上不同空间重要程度，在图3（c）基础上，额外获取了车头、车门等关键部位特征，增大了有效预测区域。

由于YOLOv5s将输入图像调整为640×640×3的格式，因此在经过主干特征提取网络卷积后会得到维度分别为80×80×256、40×40×512、20×20×1 024的特征图f1、f2和f3，并将其输入到金字塔网络中进行多尺度特征融合。金字塔网络通过融合多尺度特征图加强了不同语义、分辨率特征图像的信息关联度，但破坏了特征的权重系数，网络无法着重融合关键位置信息。

3.3 卷积注意力金字塔网络

目标检测主要有两大任务：目标分类和定位，两者分别依赖于深层网络中的高级语义信息和浅层网络中的车辆目标位置信息。在3.2节中，卷积注意力残差单元主要通过提取关键特征用以提升分类精确度，在本小节中，卷积注意力金字塔网络则侧重于解决目标定位问题。

金字塔网络主要通过采样操作融合不同层级之间的特征，以保证其兼顾高级语义和车辆位置信息，但如3.2节中提到的网络无法区分特征重要程度。为此，借鉴上述思想，通过在不同层次特征融合之前加入CBAM注意力机制，给定特征空间和通道方向上的一个权重，以保证金字塔网络能够融合关键信息，进而提升模型准确度。具体方式是在金字塔网络上采样和下采样模块后加入卷积注意力机制，形成卷积注意力金字塔网络（CBAMPANet，CP）。卷积注意力金字塔网络结构如图4所示。其中，图4（a）为主干特征提取网络；图4（b）代表深层特征降通道 维度拼接浅层位置信息的过程，中间特征为［P3，P2，P1］；图4（c）代表浅层升通道维度融合深层语义的过程，该过程会产生最终待分类回归特征［N1，N2，N3］。为清晰直观地描述中间过程特征，通过给予对应热力图进行分析，效果如图5所示。

图4 卷积注意力金字塔网络。（a）主干特征提取网络；（b）自上向下的路径增强；（c）自下向上的路径增强。Fig.4 Convolutional attention pyramid network.（a）Backbone；（b）Up-bottom path augmentation；（c）Bottom-up path augmentaion.

图5 中间过程热力图Fig.5 Intermediate process heat map

特征图P3来自于深层特征f1，因此具备全网络中最为丰富的语义信息，但由于深层网络目标位置信息欠缺，导致最终预测区域并不理想，仅能检测到车侧上方部分，这一效果与3.2节中最终效果类似，说明图像中该区域特征在全局中的信息最为丰富；P3经上采样、CBAM处理后与特征图f2拼接形成P2，f2相较于f1，兼顾了语义和位置信息，而P3上采样过程中融入了CBAM模块，使用权重将注意力集中在关键区域，因此预测范围囊括了车身和车头等关键部位，基本覆盖整体车辆，具有较好的检测效果；P1来自于同级特征f3和经CBAM处理的上级特征，由于P1作为图4（b）中最后一步，包含的特征信息更为丰富，覆盖预测区域更为广泛且明显。N1是基于P1进行的卷积等操作，从而预测区域与P1相似；N2检测效果较好的原因，一方面是来自同级特征P2在上采样操作中包含的信息已较为丰富，另一方面下级特征P1经CBAM处理后将注意力集中在特征关键部分；N3与N2原理基本相同，作为图4（c）中最后一步，其包含了丰富的叠加信息，因此预测区域优于所有中间过程效果图。

在图4（b）中，浅层特征（如f3）车辆位置清晰，但由于卷积处理较少，特征语义信息欠缺，无法精确进行分类；深层特征（如P3）车辆信息模糊，但经过更多卷积提取，语义信息丰富；因此图4（a）过程主要利用深层特征的语义信息丰富浅层特征，使其能够精确定位和分类，融合后的特征如P1所示，该过程可描述为：深层特征通过上采样降低特征维度、增强位置信息，然后经过CBAM进行赋权，最后与浅层特征进行拼接。而图4（b）过程的目的在于，通过利用浅层特征的位置信息丰富深层特征，使其具备明显的车辆信息，拼接后的特征如N3所示，该过程可描述为：浅层特征通过下采样提升特征维度、丰富语义信息，经过CBAM进行赋权后与浅层特征进行融合。上采样（UpSample）用于扩展图像尺度并压缩通道，下采样（DownSaple）用于压缩图像空间并扩张通道。具体公式如式（5）、（6）所示：

式中：TransConv是卷积核2×2的反卷积，Conv是卷积核为3×3的卷积，fc代表当前特征的通道，fw×h为当前特征的宽高。

在残差单元之后加入CBAM，强化主干特征提取网络对目标细节的学习能力，抑制冗余信息干扰，获取关键的高级语义信息以保证提升目标分类准确度；在不同的层级特征融合之前加入CBAM，给予待融合特征重要性权重，丰富特征的关键车辆位置信息来增强目标定位精准度。通过上述内容可知，卷积注意力残差单元和卷积金字塔网络分别用于完善目标分类和定位任务。为证明改进方法的有效性，在4.5节中将对各改进模块进行消融实验。

4 实验与结果分析

4.1 实验环境与数据集

实验过程在Pytorch框架下进行，训练及测试的计算机硬件配置GPU为NVIDIA Geforce RTX 3 090 Ti，操 作 系 统 为Ubuntu 16.04.12，python版本为3.6.5。使用宁夏地区2020年8月6日至2021年11月24日的高速公路视频数据，共计26.2G，视频显示格式为1 080 P，每秒传输帧数为25，囊括普通高速公路、分岔路口、收费站、盘山公路、隧道和高架桥等6类高速道路场景下的各类遮挡物与截断目标，可满足本文方法对于复杂场景数据的需求。

宁夏高速公路车辆数据集构建方式如下：首先通过人工清洗车辆缺失目标、模糊视频；然后使用Python脚本文件将视频截帧（截帧间隔2 s）并清洗，去除冗余、图像撕裂、马赛克等无效数据；接着使用labelimg工具标注图像车辆目标，并设置Car、Van、Bus和Truck四种车辆类别标签，标注完成1 200张图片后经数据增强得到3 000张；最后按照训练集∶验证集∶测试集=8∶1∶1的比例对数据集进行划分，得到训练集图像数量2 400张、验证集图像数量300张、测试集图像300张。各类车型数据如表1所示。

表1 数据集内容描述Tab.1 Datasets content description

4.2 评价指标

本文使用每秒传输帧数（Frames Per Second，FPS）［18］评估算法检测速度，采用均值平均精度（Mean Average Precision，mAP）［19-24］对算法检测精度进行定量评估。

FPS即视频中的画面数，每秒帧数越多，所显示的动作就越流畅。通常情况下，FPS高于50 f/s时，就可满足实时目标检测的要求。计算公式如式（7）所示：

式中：frameCount代表视频总帧数，elapsedTime代表视频总时间。

mAP由精确率（Precision）和召回率（Recall）求出。精确率又被称为查准率，用于衡量算法的准确度；召回率又称查全率，用于衡量算法的漏检率，计算公式如式（8）、（9）所示：

其中：TP表示正确分类样本数量，FP表示误分样本数量，FN表示样本误检数量。

平均精度（Average Precision，AP）用于计算单类别的检测精度；其表示精确率与召回率所围成曲线的面积，均值平均精度用于计算多个类别的平均精度，计算公式如式（10）所示：

其中，M代表数据集的类别总数。

4.3 网络训练

本实验采用多任务损失函数优化网络参数，利用k-means算法［25］对宁夏高速公路车辆数据集进行聚类获得多尺度锚框，宽高分别为（15，12）、（23，18）、（41，18），（36，28）、（65，30）、（78，59），（122，51）、（154，90）、（189，171）。设置相同模型参数：输入图像尺寸为640×640，初始学习率设置为0.001，网络模型训练过程中选择余弦退火方式［26］来降低学习率，训练批次大小（Batch size）设置为32，迭代次数为15 000次。训练过程损失下降曲线如图6所示。由图6可知，网络训练初期下降较快，在2 000次左右到达拐点，损失下降梯度减缓，14 500次左右损失下降趋于平稳，最终损失收敛在0.025左右。

图6 损失下降曲线Fig.6 Loss decline curve

4.4 对比实验

为验证和评估本文改进方法的性能，实验将本文方法（YOLOv5s-CRCP）与主流的车辆目标实 时 检 测 算 法SSD、YOLOv3、YOLOv4、YOLOv5s在宁夏高速公路车辆数据集上进行对比。检测精度和检测速度的实验结果如表2和表3所示。

表2 不同算法在宁夏高速公路车辆数据集的检测精度对比Tab.2 Comparison of detection accuracy of different algorithms on Ningxia expressway vehicle datasets

表3 不同算法在宁夏高速公路车辆数据集的检测速度对比Tab.3 Comparison of test results of different algorithms on Ningxia expressway vehicle datasets

由表2可知，本文方法通过在残差单元和金字塔网络中融合卷积注意力模块，提高了模型的检测精度，各类车辆的检测精度分别为99.5%、74.4%、92.3%和98.6%，均值检测精度高达91.2%，优于表中任一主流车辆目标实时检测模型。SSD模型均值检测精度仅为78.2%，主要原因是主干网络的低级特征卷积层数少，特征提取不充分，并且未对不同尺度特征进行融合。YOLOv3模型通过使用DarkNet53作为骨干网络以加深网络层数，充分提取特征信息，并使用特征金字塔网络充分融合不同尺度特征，将均值检测精度提升到84.5%。YOLOv4使用数据增强，扩充训练数据将模型均值检测精度提高到88.6%。YOLOv5s模型由于网络参数量大幅减少导致检测精度相较于YOLOv4下降1.5%，为87.1%，能达到实时目标检测的要求。

由表3可知，在同一环境下，SSD模型主要采用VGG16作为特征提取网络，因参数量过多导致网络检测速度较慢，其检测速度仅为26 f/s。YOLOv3模型以DarkNet53作为骨干网络模型，网络中参数量大幅降低，检测速度为36 f/s，相较于SSD模型具有明显的提升。YOLOv4使用CSPDarkNet53模型分组处理特征，降低了网络参数量，使检测速度略微提升，达到38 f/s。YOLOv5s模型对主干网络模型进行深度和宽度压缩并使用focus结构分治处理输入特征，极大降低了网络参数量，检测速度达到77 f/s。本文方法在YOLOv5s的基础上添加了CBAM机制，由于CBAM中包含MLP结构，导致参数量有所增加，使检测速度略微降低，为75 f/s，但仍能达到实时检测的要求。

4.5 消融实验

本文以图3输入的特征图像为例，对上述各模块进行消融实验过程说明。整体处理流程为：（1）待检测图像经过包含卷积注意力残差单元的主干特征提取网络提取到多尺度特征；（2）输入到卷积注意力金字塔网络中进行多尺度特征融合。处理步骤（1）、（2）分别如图7所示。

图7 整体实验流程图Fig.7 Overall process flowchart

4.5.1卷积注意力残差单元实验分析

为验证卷积注意力残差单元融入主干特征提取网络后的性能，本文基于宁夏高速车辆数据集进行实验：实验1.基准模型（YOLOv5s）；实验2.仅使用CAM模块；实验3.仅引入SAM单元；实验4.同时添加CAM和SAM模块（YOLOv5s-CR）。实验结果如表4所示。

由表4可知，加入CAM模块后，检测精度提升了1.6%，这主要归功于MLP多层感知机使用全连接提取了更多的细节特征；引入SAM模块检测精度提升不明显，原因在于SAM仅通过串行池化的方式增大了感受野，但依旧采用卷积捕获特征，因此精度提升不大；同时引入SAM和CAM时，模型精度相较于原模型提升了2.2%，有着较好的检测效果，故最终本文采用实验4的模型架构。

表4 卷积注意力残差单元的消融实验Tab.4 Ablation experiment of CR

为进一步说明CAM和SAM的作用，对其引入到主干特征提取网络前后的提取结果通过热力图进行对比分析，如图8所示。在不引入任何注意力机制时，具体实验结果如图8（b）所示；引入SAM时，主干特征提取网络提取结果如图8（c）所示；引入CAM时，提取特征实验结果如图8（d）所示；同时引入CAM和SAM的提取结果如图8（e）所示。

图8 主干网络提取特征结果Fig.8 Backbone network extraction feature results

由图8可知，引入注意力机制后，网络能够更加关注目标关键特征，进而突出车辆轮廓，忽略背景冗余信息，因此特征的提取效果均高于原模型；使用CAM捕获特征的效果要高于SAM，主要表现CAM能够将注意力集中在整体车身等明显的车辆特征部位，而SAM仅能突出车顶部位，对于其他关键部位的处理效果较弱；同时引入CAM和SAM时，整体车身、车头等关键部位均能关注，效果显著。

4.5.2卷积注意力金字塔网络实验分析

为验证CBAM加入特征融合网络后的性能，本文进行如下实验：实验1.基准模型（YOLOv5s）；实验2.仅在上采样单元添加CBAM模块；实验3.仅在下采样单元添加CBAM模块；实验4.在上、下采样后同时添加CBAM模块（YOLOv5s-CP）。最终实验结果如表5所示。

由表5可知，仅在特征融合网络中上采样后加入CBAM模块精度提升了2.3%；仅在下采样后添加CBAM，精度提升了1.6%，低于实验3的原因为，下采样过程在上采样特征融合完成之后，其目标位置信息并不清晰，因而提升效果略低；同时添加CBAM模块的检测精度较于原模型提升了3%，在实际应用中表现良好，因而本文使用实验4的模型架构。

表5 卷积注意力残差单元的消融实验Tab.5 Ablation experiment of CP

为进一步说明在特征融合网络的上下采样操作后加入CBAM的作用，对提取结果通过热力图进行对比分析，如图9所示。在不添加CBAM时，PANet具体融合实验结果如图9（b）所示；下采样后引入CBAM的实验结果如图9（c）所示；上采样后添加CBAM的特征融合效果如图9（d）所示；上、下采样后同时引入CBAM的提取结果如图9（e）所示。

图9 特征融合结果Fig.9 Feature fusion result

由图9可知，未添加注意力机制的特征图注意力主要集中在车顶部位，并不能很好地将注意力集中在车辆整体模块；在下采样操作后添加CBAM，能够将注意力提升到车顶和车身部分位置，但效果依旧不理想；在上采样过程后添加CBAM的效果明显优于前者，网络将注意力扩散至车辆整体架构，对于车身能够整体覆盖；在上下采样后同时添加CBAM，突出重点位置基本与图9（d）相似，但是覆盖面积更为广泛，效果更好。

4.5.3最终模型实验分析

为探究各改进模块对最终模型检测效果的影响，在宁夏高速公路车辆数据集上进行了以下实验：实验1.基准模型（YOLOv5s）；实验2.加入卷积注意力残差单元；实验3.加入卷积金字塔网络；实验4.同时添加卷积注意力残差单元和卷积注意力金字塔网络。结果如表6所示。

在4.5.1和4.5.2节中详细分析了引入卷积注意力残差单元和卷积注意力金字塔网络的效果，本实验主要关注同时融入两者的影响。从表6中可知，实验4通过同时在主干特征提取网络和特征融合网络中加入CBAM模块，分别用于提取关键特征和融合关键信息，最终检测精度达到了91.2%，相较于基准模型提升4.1%；在检测速度方面，由于添加了CBAM模块，导致网络参数略微增加，FPS降低为75，但与原模型差距不大，仍能保持实时检测。因此，本文改进模型能够在兼顾检测速度的同时，提升了检测精度，更能满足实际车辆目标检测场景。本文模型对宁夏高速公路数据集中的Car、Van、Truck和Bus四类车型进行检测，效果如图10所示。由图10可知，本文方法能够将注意力集中在车辆目标的关键部位，如车头、车身以及车顶等，其中Car和Truck效果最佳，基本可将车辆整体进行覆盖；Bus和Van可覆盖主要车身部分，但对于车头注意力较弱，主要由于数据量相对较少，特征提取不充分。

表6 最终算法消融实验Tab.6 Final algorithm ablation experiment

图10 特征融合结果Fig10 Feature fusion results

4.6 车辆目标检测结果

为直观表述本文方法在不同道路环境下的有效性，选取宁夏高速公路测试集中普通道路、分岔路口、收费站、盘山公路、隧道和高架桥等不同道路场景进行定性分析测试，并将本文模型与主流实时目标检测算法进行对比。检测效果如图11所示，每组依次为原图、SSD、YOLOv3、YOLOv4、YOLOv5s和 本 文算法。

图11 宁夏高速公路车辆测试集上的效果图Fig.11 Renderings on Ningxia expressway vehicle test sets

通过对比发现，在普通道路、分岔路口和收费站口场景下，各算法均能正确检测出车辆类别，主要原因是道路情况较为简单，数据集中Truck和Car标签充足，但本文方法检测得分更高；在盘山公路场景下，SSD出现漏检车辆Car，其余算法均能正确检测出目标；在隧道中，SSD算法再次出现漏检现象，并且各算法均将Van误检为Truck，主要原因在于Van的特征与Truck相似、不易区分，而本文算法通过卷积注意力机制模块的添加则能很好学习车辆细节特征，最终正确检测出车辆类别；在高架桥中，SSD和YOLOv3将Van分 别 误 检 为Car和Bus并均存在漏检车辆，YOLOv4检测正确但检测精度较低，YOLOv5s则出现了重复标签现象，本文方法则取得了较高的检测精度。

5 结 论

针对复杂高速场景下YOLOv5s算法细节特征学习能力弱、提取冗余信息过多和关键特征融合不充分等问题，本文提出了基于YOLOv5s的实时车辆目标检测模型，在YOLOv5s的残差单元和金字塔网络中加入卷积注意力机制模块，通过动态分配特征权重系数的方式，改善了上述问题。在自构建的宁夏高速公路车辆数据集上进行实验，通过评价指标mAP、FPS和测试效果图可知，相较于主流的实时目标检测算法，本文的改进模型具有更好的检测性能，但仍存在数据集不充分和极小目标车辆检测精度低等问题，因此在后续工作中将继续扩充数据集并提升极小目标车辆的检测精度。