[发明专利]一种基于三阶级联架构的YOLOv3的远景目标检测方法

说明书

本发明涉及一种基于三阶级联架构的YOLOv3的远景目标检测方法，属于目标检测技术领域。该方法包括：S1：构建目标检测模型：将准备好的远景农作物图片作为样本图片，再使用视觉相干混合技术和几何手段进行数据增强，形成远景数据集后再使用图像标注软件进行标注，最后通过三阶级联架构的YOLOv3算法进行训练，生成目标检测模型；S2：采集检测目标的视频图像，输入目标检测模型中进行目标检测，得到含有置信得分的目标图；S3：通过NMS算法比较置信度得分，得到目标的位置信息和置信度信息；S4：根据得到的位置信息，对目标个数进行计算总数。本发明提高了目标跟踪算法的准确性、鲁棒性以及适应性，并减少了算法的计算量。

技术领域

本发明属于目标检测技术领域，涉及一种基于三阶级联架构的YOLOv3的远景目标检测方法。

背景技术

近年来，目标检测已经广泛应用在军事民用领域，如实时监控、资源勘探、民用监视、货物运输及农业规划等方面，而在农业规划领域的关键问题之一便是如何能够准确地识别远景农作物目标，特别是在特殊天气下。据统计，超过60％的目标检测算法无法很好的应用于实时远景目标的检测，因此，如何在多种天气条件和环境下实现大面积下的远景目标识别以及计数是当下农业规划领域研究的重要课题和挑战。

YOLOv3是深度学习方面的一种目标检测网络，在图像的检测和识别层面应用很广，相比于传统目标检测方法，其优势在于更高的检测准确度及更快的检测速度。基于检测的远景目标识别是一种常用的目标识别方法，通过对每帧图像进行目标检测与识别，即可完成对视频序列的跟踪。但是，现有基于深度学习的YOLOv3有以下两个问题：1)对前期训练样本有很高的要求，如果拍摄到的目标较远或背景条件不是很清楚，就会对YOLOV3的训练效果产生极大的影响，从而导致检测失败；2)网络需要计算的参数量较大，对设备的要求大大提高，如果要做到实时检测，就需要在传统YOLOv3参数计算的基础上选择性的取消某些参数的计算。

因此，亟需一种改进YOLOv3的的远景目标检测方法。

发明内容

有鉴于此，本发明的目的在于提供一种基于三阶级联架构的YOLOv3的远景目标检测方法，克服远景目标跟踪算法受光照、形变等的不良影响，提高目标跟踪算法的准确性、鲁棒性以及适应性，并减少算法的计算量。

为达到上述目的，本发明提供如下技术方案：

一种基于三阶级联架构的YOLOv3的远景目标检测方法，具体包括以下步骤：

S1：构建目标检测模型：将准备好的远景农作物图片作为样本图片，再使用视觉相干混合技术和几何手段进行数据增强，形成远景数据集后再使用图像标注软件进行标注，最后通过三阶级联架构的YOLOv3算法进行训练，生成目标检测模型；

S2：采集检测目标的视频图像，输入目标检测模型中进行目标检测，得到含有置信得分的目标图；

S3：通过非极大值抑制(NMS)算法比较置信度得分，得到目标的位置信息和置信度信息；

S4：根据得到的位置信息，对目标个数进行计算总数，并输出在视频的右上角，得到最终的目标位置信息和数量信息。

进一步，步骤S1中，构建目标检测模型的具体步骤包括：

S101：准备远景农作物样本图像作为数据集；

S102：采用视觉相干混合技术处理数据集，找到和数据集总数量相同且大小一样的其它农作物的图片，按0.1：0.9的比例将两个数据集在像素层面上进行混合，得到混合后的远景数据集；

S103：对混合后的远景数据集采用几何手段进行数据增强，对一半的图片采用随机水平翻转，对另一半的图片采用随机颜色抖动，包括调整亮度、色调、饱和度以及对比度，将所有图片放在一起，形成最终用来训练的远景数据集；