[发明专利]一种基于改进yolov3的无人机图像目标检测方法

权利要求书

1.一种基于改进yolov3的无人机图像目标检测方法，其特征在于：包括以下步骤：

S1、针对需要应用的场景进行数据采集，并划分出训练集和验证集；

S2、通过k-means聚类方法生成九个适用于数据集的锚框；

S3、对数据集进行预处理；

S4、按照九个初始锚框将数据集导入到神经网络中进行训练，并用验证集检验每一轮训练后的效果，直至模型收敛；

S5、通过yolov3原本的后处理模块得到预测结果，包括BBoxPostProcess和MaskPostProcess，将预测结果展现在原图像上；

S6、将需要检测的图像输入训练后的小目标检测模型，得到该图像中目标的类别和位置信息，并反映到原始图像上。

2.根据权利要求1所述的一种基于改进yolov3的无人机图像目标检测方法，其特征在于：S3所述的预处理包括随机裁剪、图像翻转、归一化、随机填充图像增广操作的任一种或多种。

3.根据权利要求2所述的一种基于改进yolov3的无人机图像目标检测方法，其特征在于：S3所述的预处理包括每幅图像的预处理操作和每个batch图像的图像增强操作。

4.根据权利要求3所述的一种基于改进yolov3的无人机图像目标检测方法，其特征在于：S3所述的预处理设定十五种不同尺寸的图像输入：

[512,544,576,608,640,672,704,736,768,800,832,864,896,928,960]，对每个所述batch图像进行随机选择不同尺寸的图像输入。

5.根据权利要求1所述的一种基于改进yolov3的无人机图像目标检测方法，其特征在于：S4设计的yolov3框架特征提取网络为改进后的HRNet特征提取网络。

6.根据权利要求1所述的一种基于改进yolov3的无人机图像目标检测方法，其特征在于：S4设计的yolov3框架的特征融合模块为改进后的HRFPN模块。

7.根据权利要求1所述的一种基于改进yolov3的无人机图像目标检测方法，其特征在于：S4设计的yolov3框架的head部分加入了共享卷积层，进行训练过程中的权重共享。

8.根据权利要求1所述的一种基于改进yolov3的无人机图像目标检测方法，其特征在于：S4设计的yolov3框架的特征提取网络中的stage4中的3x3的卷积替换为可变性卷积(DCN)。

9.根据权利要求7所述的一种基于改进yolov3的无人机图像目标检测方法，其特征在于：S4设计的yolov3框架的激活函数为mish激活函数，定义如下：

Mish＝x*tanh(ln(1+e^x))。

10.根据权利要求1所述的一种基于改进yolov3的无人机图像目标检测方法，其特征在于：S4设计的yolov3框架采用损失函数对模型进行不断地迭代优化，所述的损失函数包括五个部分：坐标损失L_box，置信度损失L_conf，分类损失L_cls，IOU损失L_iou，iou_aware损失L_{iou_aware}，具体如下：

其中，λ₁，λ₂，λ₃，λ₄，λ₅为每个损失所占的权重参数；

坐标损失L_box的计算包括两个部分：中心坐标损失L_xy和宽高坐标损失L_wh，计算公式为：

L_box＝L_xy+L_wh

将网络输出的坐标(t_x，t_y)，映射到输入图像大小上的目标(x，y)，与真实目标经过resize后映射到网络输入图像大小上的目标计算预测框与真实框中心坐标的交叉熵损失，S²表示检测层中有S*S个网格，B代表锚点的个数，代表第i个网格的第j个锚框是否负责该目标，当锚框与真实框有交集的时候，为1，否则为0，

将网络输出锚框的宽高(t_w，t_h)，映射到输入图像大小上的目标(w，h)，与真实目标经过resize后映射到网络输入图像大小上的目标计算预测框与真实框宽高的交叉熵损失，S²表示检测层中有S*S个网格，B代表锚点的个数，代表第i个网格的第j个锚框是否负责该目标，当锚框与真实框有交集的时候，为1，否则为0，

为了均衡正负样本的数量，λ₁的值为2-w*h，

置信度损失L_conf的计算公式为：

分类损失L_cls的计算公式为：

IOU损失L_iou的计算公式为：

L_iou通过计算预测框与真实框之间的IOU损失来提高预测精度，λ₄的值设置为2.5，

IOU_aware的损失L_{iou_aware}的计算公式为：

IOU_aware通过预测目标候选包围框与真实目标标注的IoU(交并比)，并基于此与分类分数的乘积作为检测置信度，用于NMS(非极大抑制)和COCO AP计算。