[发明专利]基于YOLOv3和OpenCV的目标检测与定位方法

说明书

本发明公开了基于YOLOv3和OpenCV的目标检测与定位方法，利用试验平台采集待检测目标的图像；将采集的图像输入缩小网络结构输出尺度后的YOLOv3算法，利用YOLOv3目标检测模型进行目标检测，获得图像坐标；将获得的图像坐标输入基于OpenCV的SolvePnP算法，解算出世界坐标。YOLOv3算法具有小而精的特点，在保证算法准确性不变的基础上通过减少算法输出张量的尺度，可以有效减小算法的运算量，提高算法的运行速度；SolvePnP空间定位方法较其他方法更为简便，可以在保证精度的基础上，只需四个特征点即可求解单目摄像机的旋转矩阵和平移矩阵，从而用于求解待检测目标的空间位置。

技术领域

本发明涉及计算机视觉方向中的物体检测技术领域，尤其涉及一种基于YOLOv3和OpenCV的目标检测与定位方法。

背景技术

目标检测(Object Detection)是计算机视觉领域的基本任务之一，近些年随着神经网络的火热发展，基于深度学习的目标检测算法也蓬勃发展起来。基于深度学习的目标检测算法采用端到端的解决方式，即输入图像到输出任务结果一步完成，可以有效提高解决问题的效率。然而，在实际检测运动目标过程中，会存在硬件技术的限制，因此，在实时性上存在很大的提升空间。

空间定位算法的任务是将图像坐标系下的目标坐标，转换到世界坐标系下的坐标。然而实际应用过程中由于条件苛刻，不论是相机选型还是气候恶劣等因素，都能对空间定位准确度产生不小的影响，因此，在实际应用中空间定位算法准确度是一个待解决的棘手问题。

发明内容

有鉴于此，本发明提供了一种基于YOLOv3和OpenCV的目标检测与定位方法，用以通过深度学习算法，进行端到端的解决问题，即输入图像到输出结果一步完成，实现目标的检测与定位。

因此，本发明提供了一种基于YOLOv3和OpenCV的目标检测与定位方法，包括如下步骤：

S1：利用试验平台采集待检测目标的图像；所述试验平台由四旋翼飞行器搭载开发板、飞行控制系统和单目摄像头得到；

S2：将采集的待检测目标的图像输入缩小网络结构输出尺度后的YOLOv3算法，利用训练好的YOLOv3目标检测模型进行目标检测，获得待检测目标的图像坐标；

S3：将获得的待检测目标的图像坐标输入基于OpenCV的SolvePnP算法，解算出待检测目标的世界坐标，实现空间定位。

在一种可能的实现方式中，在本发明提供的上述目标检测与定位方法中，所述YOLOv3目标检测模型的训练过程，包括如下步骤：

SS1：利用所述试验平台采集待检测目标的图像作为训练数据集；

SS2：将所述训练数据集输入YOLOv3算法进行训练；

SS3：对训练输出结果进行归一化处理后，输入YOLOv3算法再次进行训练；

SS4：步骤SS3重复多次后，获得训练好的YOLOv3目标检测模型。

在一种可能的实现方式中，在本发明提供的上述目标检测与定位方法中，步骤SS3中的归一化处理，具体包括：

输入：

X＝x₁,...,x_m (1)

归一化过程：

输出：