[发明专利]一种基于YOLO的图像目标识别方法、系统和存储介质

说明书

本发明涉及一种人工智能技术，提供了一种基于YOLO的图像目标识别方法、系统和存储介质，其中，方法包括：接收待检测图像；根据预设的要求调整所述待检测图像的尺寸大小，生成第一检测图像；将所述第一检测图像发送至神经网络模型中进行匹配识别，生成检测框和分类识别信息以及分类识别信息对应的分类概率值；判断所述分类概率值是否大于预设的分类概率阈值；若大于，则将所述检测框和分类识别信息作为识别的分类结果。通过本发明的技术方案，能够有效提高检测精度，降低检测时间。本发明的方法比现有技术的检测方法要优越，更多的体现在提高了识别准确率和增加了运算速度。

技术领域

本发明涉及计算机学习及图像识别领域，更具体地，涉及一种基于YOLO的图像目标识别方法、系统和存储介质。

背景技术

人工智能技术的高速发展，深度学习越来越多的应用于计算机视觉中，尤其是图像的目标检测领域。

近几年来，目标检测算法取得了很大的突破。比较流行的算法可以分为两类，一类是基于Region Proposal的R-CNN系算法(R-CNN，Fast R-CNN,Faster R-CNN)，它们是two-stage的，需要先使用启发式方法(selective search)或者CNN网络(RPN)产生RegionProposal，然后再在Region Proposal上做分类与回归。而另一类是Yolo(全称为You OnlyLook Once)，SSD这类one-stage算法，其仅仅使用一个CNN网络直接预测不同目标的类别与位置。第一类方法准确度高一些，但是速度慢；第二类算法速度快，但是准确性要低一些。越来越多的目标检测方法基于YOLO实现，许多深度网络也是基于YOLO进行改进。YOLO将物体检测作为回归问题求解，基于一个单独的end-to-end网络，完成从原始图像的输入到物体位置和类别的输出。

YOLO的核心思想就是利用整张图作为网络的输入，直接在输出层回归boundingbox的位置和bounding box所属的类别。在利用YOLO高速率运算的基础上，如何设计出能够提高YOLO准确率的方法是目前亟不可待要解决的。

发明内容

为了解决上述至少一个技术问题，本发明提出了一种基于YOLO的图像目标识别方法、系统和存储介质。

为了实现上述目的，本发明的技术方案提供了一种基于YOLO的图像目标识别方法，包括：

接收待检测图像；

根据预设的要求调整所述待检测图像的尺寸大小，生成第一检测图像；

将所述第一检测图像发送至神经网络模型中进行匹配识别，生成检测框和分类识别信息以及分类识别信息对应的分类概率值；

判断所述分类概率值是否大于预设的分类概率阈值；

若大于，则将所述检测框和分类识别信息作为识别的分类结果。

本方案中，在所述接收待检测图像之前还包括：

进行图片训练，得到神经网络模型；所述神经网络模型通过如下步骤进行训练：

获取训练图像数据集；

将所述训练图像数据集进行图像预处理，得到预处理后的图像集；

将所述预处理后的图像集进行训练，得到具备输入接口和输出接口的神经网络模型。

本方案中，所述生成检测框的步骤具体为：

根据初始预设坐标点位生成初始检测框；

进行动态检测框的预测，对已经生成的检测框进行迭代预测，生成最新的检测框；

计算所述最新的检测框的重合度；