[发明专利]基于YOLOv4改进算法的目标检测方法、装置及系统

说明书

本发明公开了一种基于YOLOv4改进算法的目标检测方法、装置及系统，方法包括获取YOLOv4‑FCSPX网络结构；获取含目标物体的图片集，包括训练子集和测试子集；对训练子集中图片分别进行目标物体标注，获得对应的标注框；对所有标注框进行聚类，获得K个先验框；将所有先验框和图片集中的原始图片输入至YOLOv4‑FCSPX网络结构，生成特征图，得到特征图对应先验框的物体置信度；基于特征图对应先验框的物体置信度筛选出一定数量的候选框；对所有候选框进行非极大值抑制得到预测框；基于各预测框与标注框的损失值对YOLOv4‑FCSPX网络结构的权值进行更新；将测试子集中的图片输入至训练好的YOLOv4‑FCSPX网络结构，获得目标物体的大小、位置及类别。本发明能够大大提高对小目标的检测精度。

技术领域

本发明属于目标检测领域，具体涉及一种基于YOLOv4改进算法的目标检测方法、装置及系统。

背景技术

伴随我国汽车保有量的逐年增加，道路拥堵成为不可避免的问题。为了解决这一问题，智能交通系统(Intelligent Transportation System,ITS)应运而生。ITS由道路、车辆、行人三部分组成，通过对道路上车辆和行人的实时信息监测来缓解道路交通负担。其中视觉智能交通系统是构成ITS的重要部分，它通过采集到的路况信息，利用相关视觉算法，实现车辆和行人检测。

车辆和行人检测方法主要有两类，基于传统机器学习的检测方式和基于深度学习的目标检测方式。其中，基于传统方法的目标检测方式有基于图像特征和几何特征等这类方法。基于图像特征方法的常见特征有呈现图像灰度值的变化的haar特征，有计算局部图像区域的梯度直方图的HOG特征等；基于几何特征方法的常见特征有目标物体的形状特征、对称性特征、车底阴影特征等。但是，通过人工选择的单个或几种特征，并不能很好的描述目标物体，在车辆种类的不同、行人形态的差异以及外部环境因素等复杂场景下会导致物体检测的不准确性。

基于深度学习的目标检测的特征提取是将图像经过训练的更深，更复杂的网络模型进而从中提取特征，提取的特征优于传统上使用人工设计方法提取的特征。主要包括两大类，一类是two_stage检测算法，其步骤是首先确定目标区域，然后对区域进行分类，它对目标物体的检测分为两步，代表算法有Fast R-CNN和Faster R-CNN，这类算法的优点是检测精度较高，但检测速度慢，不适合实时检测；另一类是one_stage检测算法，通过单次检测就能检测出物体的类别概率和位置坐标，代表算法有YOLO和SSD，这类算法的检测精度会有所下降，但换来的是检测速度的提高，可以满足实时性要求，真正运用到无人驾驶领域，可以很好地改善传统方法带来的训练时间长，检测速度慢的问题。

在工程应用中，基于单阶段检测的YOLO算法被广泛应用，虽然能很好的解决检测速度慢这一缺点，但其检测准确性，尤其对小目标的检测精度还有待提高。

发明内容

针对上述问题，本发明提出一种基于YOLOv4改进算法的目标检测方法、装置及系统，能够大大提高对小目标的检测精度。

为了实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

第一方面，本发明提供轮一种基于YOLOv4改进算法的目标检测方法，包括：

获取YOLOv4-FCSPX网络结构，所述YOLOv4-FCSPX网络结构是通过对YOLOv4网络结构中CSPX的残差结构进行浅层到深层的融合构造而成的；

获取含目标物体的图片集，所述图片集分为训练子集和测试子集；

对训练子集中图片分别进行目标物体标注，获得对应的标注框；

对所有标注框进行聚类，获得K个先验框；

将所有先验框和所述图片集中的原始图片输入至YOLOv4-FCSPX网络结构，生成特征图，得到特征图对应先验框的位置信息、类别信息和物体置信度；