[发明专利]基于改进YOLOv3算法的红外车辆快速检测方法

权利要求书

1.一种基于改进YOLOv3算法的红外车辆快速检测方法，其特征在于，包括：.

(1)采集交通道路上的车辆视频进行帧提取和图像预处理，得到红外车辆图像数据集，将该数据集按照7:3的比例划分为训练数据集和测试数据集；

(2)对现有YOLOv3算法进行改进，得到新的网络模型ConvDarknet19-YOLOv3：

(2a)对YOLOv3算法主干特征提取网络进行改进，即舍弃YOLOv3算法中的主干特征提取网络Darknet53，将YOLOv2算法中的主干特征提取网络Darknet19修改为新的主干特征提取网络ConvDarknet19，即将Darknet19的5个最大池化层，全部修改为卷积核大小为1×1，步长为2的卷积层，并用ConvDarknet19替换YOLOv3算法中的主干特征提取网络Darknet53，得到包括18个卷积块和5个下采样层组成的新主干特征提取网络；

(2b)对现有YOLOv3算法的预测网络进行改进，即将YOLOv3算法输出3个特征尺度的预测网络修改为输出4个特征尺度的新的预测网络；

(2c)将新的主干特征提取网络与新的预测网络连接，构成新的网络模型ConvDarknet19-YOLOv3；

(3)将训练数据集送入到新的网络模型ConvDarknet19-YOLOv3中，采用小批次随机梯度下降算法进行训练，得到训练好的红外车辆检测模型；

(4)将红外热成像设备实时采集的交通道路上的红外车辆视频按帧送入到已经训练好的模型，得到车辆的实时位置信息和置信度。

2.根据权利要求书1所述的方法，其特征在于，(2a)中得到新主干特征提取网络的结构如下：

第1个卷积块-第1个下采样层-第2个卷积块-第2个下采样层-第3个卷积块-第4个卷积块-第5个卷积块-第3个下采样层-第6个卷积块-第7个卷积块-第8个卷积块-第4个下采样层-第9个卷积块-第10个卷积块-第11个卷积块-第12个卷积块-第13个卷积块-第5个下采样层-第14个卷积块-第15个卷积块-第16个卷积块-第17个卷积块-第18个卷积块。

3.根据权利要求书2所述的方法，其特征在于，18个卷积块和5个下采样层的结构和参数如下：

第1个卷积块：包含一个卷积核个数为32，卷积核大小为3×3，步长为1的卷积层，一个批量归一化层，一个ReLU激活函数层；

第2个卷积块：包含一个卷积核个数为64，卷积核大小为3×3，步长为1的卷积层，一个批量归一化层，一个ReLU激活函数层；

第3个卷积块和第5个卷积块：均包含一个卷积核个数为128，卷积核大小为3×3，步长为1的卷积层，一个批量归一化层，一个ReLU激活函数层；

第4个卷积块：包含一个卷积核个数为64，卷积核大小为1×1，步长为1的卷积层，一个批量归一化层，一个ReLU激活函数层；

第6个卷积块和第8个卷积块：均包含一个卷积核个数为256，卷积核大小为3×3，步长为1的卷积层，一个批量归一化层，一个ReLU激活函数层；

第7个卷积块：包含一个卷积核个数为128，卷积核大小为1×1，步长为1的卷积层，一个批量归一化层，一个ReLU激活函数层；

第9个卷积块、第11个卷积块、第13个卷积块：均包含一个卷积核个数为512，卷积核大小为3×3，步长为1的卷积层，一个批量归一化层，一个ReLU激活函数层；

第10个卷积块和第12个卷积块：均包含一个卷积核个数为256，卷积核大小为1×1，步长为1的卷积层，一个批量归一化层，一个ReLU激活函数层；

第14个卷积块、第16个卷积块、第18个卷积块：均包含一个卷积核个数为1024，卷积核大小为3×3，步长为1的卷积层，一个批量归一化层，一个ReLU激活函数层；

第15个卷积块和第17个卷积块：均包含一个卷积核个数为512，卷积核大小为1×1，步长为1的卷积层，一个批量归一化层，一个ReLU激活函数层；

第1个下采样层：包含一个卷积核个数为32，卷积核大小为1×1，步长为2的卷积层；

第2个下采样层：包含一个卷积核个数为64，卷积核大小为1×1，步长为2的卷积层；

第3个下采样层：包含一个卷积核个数为128，卷积核大小为1×1，步长为2的卷积层；

第4个下采样层：包含一个卷积核个数为256，卷积核大小为1×1，步长为2的卷积层；

第5个下采样层：包含一个卷积核个数为512，卷积核大小为1×1，步长为2的卷积层。