[发明专利]一种基于改进YOLO算法的小目标行人检测方法

权利要求书

1.一种基于改进YOLO算法的小目标行人检测方法，其特征在于，包括以下步骤：

1)利用KITTI、INRIA数据集制作小目标行人数据集；

2)基于步骤1)获得的数据集,采用k-means算法重新聚类预选框，将两框间的大IoU值定义为短距,即把与聚类框交并比大的样本框归为一类,公式如下为d(box,cent)＝1-IoU(box,cent)，其中box表示样本,cent表示簇中心,IoU(box,cent)表示样本框与聚类框的交并比；

3)改进YOLO-V3模型,在Backbone特征提取网络部分使用Mish激活函数代替ReLU简化特征提取网络,在Neck多尺度融合部分,采用PANet结构进行特征融合；

4)采用真实Box与预测Box相关数据的CIoU误差和交叉熵作为损失函数,使用CIoU计算坐标误差。

2.根据权利要求1所述的基于改进YOLO算法的小目标行人检测方法，其特征在于，所述步骤1)中制作小目标行人数据集包括以下步骤：

11)挑选出KITTI数据集中存在行人目标的照片共若干张,并将单张图片填充灰色像素至1248×416尺寸,随后拼接三张照片；

12)将INRIA数据集的图片填充灰色像素至正方形,并缩放至416×416尺寸,随后拼接九张照片。

3.根据权利要求1所述的基于改进YOLO算法的小目标行人检测方法，其特征在于，所述步骤3)中在Backbone特征提取网络部分,采用Mish激活函数代替YOLO-V3中的ReLU激活函数包括如下步骤：

31)将网络输入进行一次CBM(x＝3)块卷积；

32)采用5次D_BLOCK块对输入特征进行32倍降采样,其中,D_BLOCK块中CBMR块的遍历次数y＝1,2,4,4,2；

33)将后三个D_BLOCK块的输出作为Backbone的输出特征图.若Input形状为416×416,则输出的三个特征图尺寸依次为[52×52×256]、[26×26×512]、[13×13×1024]。

4.根据权利要求1所述的基于改进YOLO算法的小目标行人检测方法，其特征在于，所述步骤3)中在Neck多尺度融合部分,采用PANet结构进行特征融合包括如下步骤：

形为[13×13×1024]的特征图经CBL3块卷积,CBLU块上采样,与形为[26×26×512]的特征图拼接.拼接后的特征图进行相同操作后,经PCBL块下采样,与之前的特征图再拼接.多次特征融合可加深语义信息.为适应不同尺度的检测目标,结合聚类结果(k＝4),Neck部分输出形为[52×52×64],[26×26×128]的两种特征图,每个特征图对应两种anchors。

5.根据权利要求1所述的基于改进YOLO算法的小目标行人检测方法，其特征在于，所述步骤4)采用真实Box与预测Box相关数据的CIoU误差和交叉熵作为损失函数的公式为Loss＝E_coord+E_con，

E_coord表示坐标误差,中心点误差采用CIoU计算.DIoU[13](Distance-IoU)基于IoU增加了关于预测框和标准框的惩罚项,CIoU基于DIoU增加了影响因子αν,公式如下:其中,b和b^gt分别表示预测框和标准框的中心点；ρ(,)表示中心点欧氏距离；c表示边界框的对角线长度；表示权重函数；表示长宽比的相似性，

E_con表示IoU误差,采用交叉熵计算,公式如下:其中,c_i表示预测目标置信度；对应真实值；λ_noobj表示无目标预测框IOU误差的权重系数,当无目标Box的预测框与真实框IOU小于阈值时计算；表示第i个网格的第j个预测框中的目标信息,存在目标置1,否则置0；取相反值。