２０２３年３月第３３卷第１期河北水利电力学院学报ＪｏｕｒｎａｌｏｆＨｅｂｅｉＵｎｉｖｅｒｓｉｔｙｏｆＷａｔｅｒＲｅｓｏｕｒｃｅｓａｎｄＥｌｅｃｔｒｉｃＥｎｇｉｎｅｅｒｉｎｇＭａｒ．２０２３Ｖｏｌ．３３Ｎｏ．１文章编号：２０９６－５６８０（２０２３）０１－０００６－０６基于ＹＯＬＯｖ４与改进ＤｅｅｐＳＯＲＴ算法的车流量检测王继超１，２，张丽娟１，２，张春茜１，回振桥１，申耀辉１（１．河北水利电力学院电气自动化系，河北省沧州市黄河西路４９号０６１００１；２．河北省高校水利自动化与信息化应用技术研发中心，河北省沧州市黄河西路４９号０６１００１）摘要：为了提高不同时段车流量的检测率，本文在优良的目标检测模型ＹＯＬＯｖ４基础上，将传统的ＤｅｅｐＳＯＲＴ算法进行改进，将原有的ＩｏＵ变为ＣＩｏＵ，保留追踪信息的同时，提供了更丰富匹配策略，使得目标追踪更加稳定，在一定程度上解决了光线较暗容易丢失目标的问题。最后在车流量检测阶段将本文改进算法与ＳＯＲＴ算法、ＤｅｅｐＳＯＲＴ算法进行对比试验。试验结果表明，在白天情况下，本文算法相较于ＳＯＲＴ算法提高１０．７％，较ＤｅｅｐＳＯＲＴ算法提高１．３％；在夜晚情况下，本文算法相较于ＳＯＲＴ算法提高１８．１％，较ＤｅｅｐＳＯＲＴ算法提高７．９％。本文改进算法在夜晚车流量检测精准，从而为环境昏暗的条件下物体目标检测与追踪提供了理论参考与方法依据。关键词：车流量检测；ＹＯＬＯｖ４；ＤｅｅｐＳＯＲＴ；目标追踪中图分类号：Ｕ４９１；ＴＰ３９１．４１文献标识码：ＡＤＯＩ：１０．１６０４６／ｊ．ｃｎｋｉ．ｉｓｓｎ２０９６－５６８０．２０２３．０１．００２随着我国经济的快速发展和城市化进程的加快，机动车数量急剧增加，给城市交通带来了巨大的压力［１］。车流量检测技术成为目前重要的研究课题之一。传统车流量检测技术主要采用车辆检测与跟踪或计数相结合的方法，包括利用背景差分法、帧差分法、光流法等传统运动目标检测方法［２］对车辆进行检测，利用虚拟线圈法［３］等方法利用像素差值实现计数。然而，传统的目标检测方法受到天气、光线等外部因素影响较大，车辆目标区域容易粘连导致检测与跟踪误差较大，同时对车流量计数造成影响。为克服传统车辆检测方法的缺陷，目前大多数采用的是基于深度学习的目标检测方法和目标轨迹追踪算法相结合的方法来实现车流量检测［４］。基于深度学习的目标检测算法主...
