（Shuang Li, Faliang Chang, Chunsheng Liu , Nanjun Li）

一、本文的主要贡献

• 提出了一个可在密集场景检测车辆的pyramid-YOLO网络
• 设计了一种基于计数线的抑制多目标跟踪的计算方法
• 基于检测和计数的结果，提出了一种评估交通流参数（车流量、速度和密度）的评估模型

二、网络结构

总体网络架构如下图所示

2.1 pyramid-YOLO网络

• 提出这个网络架构的原因：YOLO在负责的密集场景中，对小目标的检测效果不是很好
• 这个网络架构的具体结构：

使用三个相同的YOLO-v3层叠成金字塔的形式，然后将原图缩放为3个尺寸的大小（原图大小、1/2原图大小，1/4原图大小），然后分别输入到YOLO-v3中，最终得到9个预测框（因为每个YOLO-v3网络都会输出三个不同尺寸的预测框，三个YOLO-V3则有9个），然后将检测结果映射会原图，得到检测目标，这样可能会出现同个目标有多个检测框，则使用**NMS（非极大值抑制法）**来挑选有用最高分数的的那些预测款，挑出来的预测款就是最终结果。

2.2 restricted multi-tracking-based LOI counting

<aside> 💡 LOI：the line of interest counting

</aside>

<aside> 💡 ROI：region of interest counting

</aside>

2.2.1 设置计数线和选择跟踪的汽车

• **计数线：**在屏幕中间画一条虚拟的水平线，作为计数线
• **选择跟踪的汽车：**根据赋予汽车的优先值选择需要跟踪的汽车