[发明专利]一种基于改进YOLO v4的轻量级行人车辆检测方法

说明书

一种基于改进YOLO v4的轻量级行人车辆检测方法，包括以下步骤：1)将数据集划分为训练集、验证集和测试集；2)对数据集标签中的真实目标框进行聚类分析，获得先验框尺寸；3)利用Ghost模块搭建主干网络，用于提取数据集的视觉特征，在保证特征质量的同时缩减参数量；4)使用不同扩张率的空洞卷积提升网络的多尺度感知能力；5)对提取到的特征进行特征聚合；6)将聚合后的特征输入检测头，对目标的位置和类别进行预测，利用损失函数训练模型；7)将测试集图像输入训练得到的网络模型进行检测，输出目标的检测结果。本发明在保证行人车辆检测精度的同时，拥有较小的模型参数量，检测速度较快，降低了对于硬件设备性能的需求。

技术领域

本发明涉及计算机视觉领域，具体涉及一种基于改进YOLO v4的轻量级行人车辆检测方法。

背景技术

随着人工智能的快速发展，作为计算机视觉领域的一个分支，目标检测技术取得了许多突破性成果。得益于技术的突破，目标检测技术开始逐渐向实际应用迈进，被广泛应用于自动驾驶、视频监控和国防军事等多个领域。对于自动驾驶，快速准确地对行人车辆进行识别是保障自动驾驶安全性的重要环节。虽然现阶段行人车辆检测技术已经取得了长足的发展，但是仍然存在一些问题。首先，对于自动驾驶的交通场景，目标检测算法更多的需要部署在边缘和移动设备中，这对于设备的算力和内存来说都是一个挑战。现有的许多方法体积大、检测速度较慢，无法兼顾准确性和实时性的需求。其次，现有的方法不能很好的解决多尺度问题，尤其对于小目标存在漏检或误检现象。

目前基于深度学习的目标检测算法大致分为两类：基于区域建议的两阶段(two-stage)检测算法和基于回归预测的单阶段(one-stage)检测算法。其中，两阶段方法一般检测精度高，但检测速度慢，单阶段方法检测精度较低但速度快。典型的单阶段算法有SSD(Single Shot Multibox Detector)和YOLO(You Only Look Once：Unified,Real-TimeObject Detection)等系列，其网络模型参数相对较少，虽然准确度相对较低，但在实时性上表现优越。随着技术的不断发展，现有的许多目标检测算法已经拥有较高的检测精度，但体积较大，不适用于车辆系统这种边缘设备，检测速度仍有提升空间。

发明内容

为了克服已有方法体积大、检测速度慢的不足，本发明提供一种基于改进YOLO v4的轻量级行人车辆检测方法，有效降低模型的参数量，在保证检测精度的同时提升模型的目标检测速度。

为实现上述目的，本发明采用的技术方案是：

一种基于改进YOLO v4的轻量级行人车辆检测方法，所述方法包括以下步骤：

1)将数据集划分为训练集、验证集和测试集，分别用于模型的训练和测试；

2)对数据集标签中的真实目标框进行聚类分析，分别得到9种不同的先验框尺寸；

3)利用主干网络提取数据集的视觉特征，过程如下：

利用Ghost模块构造Bottleneck，使用Bottleneck搭建主干网络。所述Ghost模块包含卷积操作和线性操作，特征图输入Ghost模块后，依次经过卷积层、归一化层和激活层后获得中间特征图，将所述中间特征图送入线性分支后与所述中间特征图堆叠后输出。每个Bottleneck包括Ghost模块、BN层和激活函数，共同构成网络参数θ，主干网络可表征为函数F_θ。将高为H，宽为W的样本数据输入主干网络，分别在网络第5、第11、第16个Bottleneck后分批次输出三组不同尺寸的特征图，该过程公式如下：

feat1＝F_θ1(x) (1)

feat2＝F_θ2(feat1) (2)