基于改进YOLOv5的鱼眼图像目标检测算法

针对自动驾驶场景下车载鱼眼相机采集到的图像存在畸变严重、场景复杂、尺度变化剧烈、小目标多以及传统的目标检测模型的检测精度不高的问题，提出了一种基于YOLOv5s改进的鱼眼图像检测模型YOLOv5s-R.首先，为解决小目标难识别的问题，提出随机裁剪多尺度训练的数据增强方法，该方法优于消融实验所得的最优数据增强方法.其次，为了提高模型的检测精度，在网络头部添加置换注意力机制与轻量化解耦头，增强模型对特征的提取能力与识别能力，并抑制噪声干扰.最后，模型额外增加角度预测项，实现旋转框目标检测.通过构建环形标签并用高斯函数对标签平滑，解决了旋转框角度的周期性问题；又对损失函数进行了优化，提出了RIOU，在CIOU的基础上增加角度惩罚项，提高了回归精度并加快了模型的收敛.实验结果表明，提出的YOLOv5s-R模型在WoodScape数据集上取得良好的检测效果，相比于原始的YOLOv5s模型，mAP@0.5、mAP@0.5∶0.95分别提升了6.8%、5.6%，达到82.6%、49.5%.

Object Detection Algorithm for Fish Eye Image Based on Improved YOLOv5