目标检测YOLO实战应用案例100讲-基于目标检测及跟踪的车流量检测（续）

目录

3.2改进的SSD算法网络 

3.2.1 优化卷积结构 

3.2.2 通道注意力机制SENet的引入 

3.2.3 改进后的SSD算法整体结构 

3.3 实验分析 

3.3.1 数据集制作 

3.3.2 模型训练 

3.3.3 车辆检测效果分析 

3.3.4 性能指标分析 

4 基于改进SSD+DeepSort算法的车辆跟踪与车流量统计实现 

4.1 多目标车辆跟踪DeepSort算法 

4.1.1 DeepSort算法原理 

4.1.2 多目标跟踪算法性能指标 

4.2 车辆跟踪DeepSort算法优化实验 

4.2.1 车辆重识别数据集介绍 

4.2.2 改进模型的训练 

4.2.3 车辆跟踪测试集的制作 

4.2.4 车辆跟踪性能评估 

4.3 基于改进SSD+DeepSort算法的车流量统计实现 

4.3.1 改进的虚拟检测线算法 

4.3.2 车流量统计实验 

知识拓展

利用时空图方法进行车流量实时检测

1 时空图像处理基本原理

2 基于时空图的车流量计算

2.1 时空图的获取

2.2 单屏时空图的车流量计算

3 实验结果及分析

---

本文篇幅较长，分为上下两篇，上篇详见基于目标检测及跟踪的车流量检测

3.2改进的SSD算法网络 

SSD算法在特征提取网络部分利用在多个卷积层输出的多种尺度特征图来分别完成对不 同大小车辆的预测，可以提高检测精确度，但在实际交通场景中，由于存在背景等各项干 扰，以及SSD网络浅层的卷积结构，卷积核大小比较单一，对目标特征的提取能力不够， 得到的特征图中，目标车辆的的语义信息不足，导致在实际应用中还是很难检测到小目标车 辆，对于该问题，本文对SSD目标检测算法的网络结构进行优化。 
本文对SSD网络的改进点主要包括两个方面， ①引入Inception网络稀疏连接的思想， 对原Inception结构进行优化，将改进后的Inception结构引入到SSD网络中的Conv4_3和 Conv7卷积层，进行有效替换。以此来优化SSD网络中的卷积结构，增强浅层网络的特征 提取能力。②在优化后的卷积结构后加入通道注意力机制SE