[发明专利]一种基于YOLO v3改进算法的车辆检测方法

说明书

本发明公开了一种基于YOLO v3改进算法的车辆检测方法。包括步骤：S1.采集车辆数据集，车辆数据集包含物体GT框的多幅图像I；S2.使用维度聚类方法对GT框的宽和高进行聚类，生成K个先验框的宽和高的尺寸；S3.将图像I输入到YOLO v3的骨架网络Darknet‑53中进行特征提取，输出不同尺度的特征图；S4.将K个先验框尺寸平均分配到不同尺度的特征图上进行预测并生成相应候选框；S5、根据生成的候选框，选出最终的预测框；S6、根据特征图与原图的关系，将最终的预测框映射到原图上，定位出图像中车辆信息。该方法对GT框与聚类中心的距离计算公式作出了改进，减小了公式对IoU值的敏感性，使聚类得到的先验框尺寸更符合真实值，提升了先验框质量，从而提高了YOLO v3检测方法的性能。

技术领域

本发明属于图像目标检测领域，尤其涉及一种基于YOLO v3改进算法的车辆检测方法。

背景技术

目标检测是计算机视觉领域的重要组成模块。其中，车辆检测是目标检测领域的热点研究问题，在辅助驾驶、道路监控、遥感图像等方面有着重要应用。车辆检测的目标是从图片或者视频中快速检测出车辆目标及其相关特征信息。

传统的基于机器学习的车辆检测通常包括两个步骤：首先，进行特征提取，然后基于提取的特征向量，使用分类器对其进行分类。常用的特征提取方法有局部二值模式(Local Binary Pattern,LBP)、方向梯度直方图(Histogram of Oriented Gradient,HOG)、尺度不变特征转换(Scale Invariant Feature Transform,SIFT)等。常用的分类算法包括支持向量机(Support Vector Machine,SVM)、自适应增强算法(AdaptiveBoosting,AdaBoost)、决策树(Decision Tree,DT)等。这些方法依托人工设计的特定目标特征，提高了检测性能，但是在很大程度上，这些算法取决于研究者已知的经验和知识，这些经验和知识无法在复杂场景中取得较好的效果。

基于深度学习的目标检测方法使用大量数据训练的更深更复杂的网络模型对图像提取特征，所提取的特征优于传统方法中人工设计方法所提取的特征，在一定程度上解决了传统方法训练时间长，检测速度慢的问题。在车辆检测中利用基于深度学习的目标检测方法主要有两种：一种是两阶段检测方法，包括：R-CNN系列；另外一种是单阶段目标检测方法，包括：YOLO和SSD系列。相较于两阶段的方法，单阶段的目标检测方法有较快的检测速度，但是检测精度还有待加强。

如申请号为CN201910377894.9的中国专利，公开了一种构建行人检测模型的方法，该方法在进行聚类分析步骤时，距离计算的公式为d(box,centroid)＝1-IoU(box,centroid)，但是该公式对IoU值太敏感，因此最终得到的行人检测结果还是不够准确。

发明内容

本发明的目的是针对现有技术的缺陷，提供了一种基于YOLO v3改进算法的车辆检测方法。

为了实现以上目的，本发明采用以下技术方案：

一种基于YOLO v3改进算法的车辆检测方法，包括步骤：

S1、采集车辆数据集，车辆数据集包含物体GT框的多幅图像I，GT框为GroundTruth，物体对象为车辆，GT框数据为(c^*,x^*,y^*,w^*,h^*)，c^*表示GT框内物体的类别，x^*、y^*分别表示GT框内中心点的x坐标和y坐标，w^*、h^*分别表示GT框的高度和宽度；

S2、使用维度聚类方法对GT框的宽和高进行聚类，生成聚类后的框宽和高尺寸；

S2.1、聚类输入的原始数据是GT框数据，数据中每行都包含是GT框的中心点，分别表示GT框的宽和高，N是所有GT框的个数；