[发明专利]一种基于轻量级YOLOV3的图像目标提取方法

权利要求书

1.一种基于轻量级YOLOV3的图像目标提取方法，其特征在于，包括：

步骤1：构建轻量级YOLOV3网络；

所述轻量级YOLOV3网络的主干网络包括一个CBL模块以及依次连接的若干Res模块，所述CBL模块由1*1的点卷积、深度可分离卷积、BN层和Leakyrelu构成，所述Res模块包括连接的两个所述CBL模块；输入的图片经所述主干网络下采样和特征融合后输出三个尺度的特征图，所述下采样的倍数分别为8、16、32倍；在所述下采样倍数的情况下，通过调整所述Res模块的数量来平衡网络的特征提取能力与网络参数数量；

所述轻量级YOLOV3网络的Head网络由三个conv卷积层构成，尺寸分别为：1*1*cls、1*1*2、1*1*2，其中cls表示数据集的类别数；三个conv卷积层分别输出：数据集的每一类别目标的中心点坐标预测值、目标中心点的偏移量预测值、目标尺寸预测值，所述目标尺寸即指目标所在目标框的宽和高；

步骤2：对所述轻量级YOLOV3网络进行训练；

首先，对训练集图片进行标注，包括目标尺寸、目标的中心点坐标、目标的类别c；并根据标注信息计算得到网络输出的特征图尺寸、目标在特征图中的中心点坐标，其中，，表示向下取整，R表示下采样倍数；所述目标尺寸由图片中目标所在目标框的宽W和高H构成；

然后，对目标的中心点周围以r为半径的像素圆进行高斯平滑处理，得到：

其中，表示像素坐标处c类别的置信度，的值在0和1之间，为根据目标尺寸自适应得到的标准差；像素圆之外的置信度值均设为0；

最后，使用高斯平滑处理的图像数据对网络进行训练；

步骤3：将测试图片输入训练好的所述轻量级YOLOV3网络进行目标特征提取，网络输出每一类别目标的中心点坐标预测值、目标中心点的偏移量预测值、目标尺寸预测值，再根据如下公式解码出目标框左上角和右下角的坐标：

目标框左上角坐标为

目标框右下角坐标为

其中，和分别表示目标尺寸的宽和高的预测值。

2.根据权利要求1所述的基于轻量级YOLOV3的图像目标提取方法，其特征在于，所述步骤2中，若同一图片中存在两相邻目标，则分别以各目标为中心进行所述高斯平滑处理，两个像素圆交叠部分的各像素的置信度则对应取较大值。

3.根据权利要求1所述的基于轻量级YOLOV3的图像目标提取方法，其特征在于，半径r由以下公式确定：

其中，overlap为设定的阈值，表示偏移后的框与目标框的交并比。

4.根据权利要求1-3任一所述的基于轻量级YOLOV3的图像目标提取方法，其特征在于，所述步骤2中，对网络进行训练中，采用的损失函数如下：

其中，，为调节损失函数的系数，为损失函数值；

为目标中心点的损失函数：

其中，N表示图片中目标的个数，表示c类别所在通道所有坐标点，表示坐标处c类别预测所得的置信度，和 表示超参数；

为中心点偏移损失函数：

其中，为目标的中心点坐标的简略表示，表示预测所得的目标中心点偏移量，为目标在特征图中的中心点坐标的简略表示；

为目标尺寸的损失函数：

其中， 为目标尺寸预测值。