[发明专利]一种基于改进YOLOv4的交通目标检测方法及系统

说明书

本发明公开了一种基于改进YOLOv4的交通目标检测方法及系统，所述检测系统包括MobileViT‑S主干网络、SPP特征金字塔网络、PANet特征加强网络及目标检测头，其中，所述PANet特征加强网络及所述目标检测头中使用的卷积为深度可分离卷积。本发明可用于智慧交通场景中的行人、车辆、交通信号灯目标的检测，在轻量化的基础上实现了较高的检测准确率，漏检率低，检测效果较好。

技术领域

本发明涉及计算机视觉的技术领域，特别涉及基于YOLOv4算法的目标检测的技术领域。

背景技术

随着计算机视觉的飞速发展，目标检测逐渐应用到人们的日常生活中，带来了极大的便利。其中，为了解决复杂交通下的各种交通问题，对交通目标进行检测成了计算机视觉领域的一个研究重点。

交通背景下的目标具有数量多、遮挡严重、小目标居多的特点，在当前背景下的目标检测往往会出现漏检严重、检测速率慢、难以部署的缺点。因此，对目标检测模型进行优化，使之轻量化以易于部署、加快检测速度、并且使之更适于检测小目标、降低漏检率显得格外重要。

对交通目标检测包括传统方法和基于深度学习的目标检测方法，其中，传统方法一般分为两个步骤：首先人工提取图像特征，然后输入分类器进行分类识别，代表算法有SIFI、LBP、ORB等，传统目标检测算法基于人工构建特征实现，容易出现遗漏问题，且设计麻烦，检测效果不好具体体现在检测精度低、检测速度慢、鲁棒性差难以满足任务要求。基于深度学习的目标检测方法分为两大类：单阶段(one-stage)目标检测算法和两阶段(two-stage)目标检测算法，其中，两阶段目标检测算法将目标检测任务分为两个子任务，其一是目标候选区域的生成，其二是基于目标候选框信息生成预测框，代表算法有RCNN(Regionswith CNN features)、Fast-RCNN(Fast Regions with CNN features)、Faster-RCNN(Faster Regions with CNN features)，虽然两阶段目标检测算法具有较高的准确率，但模型较为复杂、运算速度慢。而单阶段目标检测算法将候选框的生成和基于目标候选框生成预测框的两个任务合并为了一个端到端的回归问题，在保持较高准确度的前提下，模型简单且运算速度较快，代表算法有SSD(single shot multibox detector)、YOLO(You OnlyLook Once)、YOLO9000、YOLOv2、YOLOv3、YOLOv4。

其中，虽然YOLOv4算法相比较其他各种算法具有最好的目标检测效果，但对于复杂交通背景下的目标检测效果仍然较差，存在小目标漏检严重，模型依然较为复杂且运算缓慢、难以部署到移动嵌入式设备，难以获得最佳锚框(anchor box)配置等缺陷。

发明内容

针对现有技术的缺陷，本发明的目的在于提出一种基于改进的YOLOv4的交通目标检测方法及系统，其可以解决现有技术中单阶段目标检测算法中使用YOLOv4会产生的以下问题：(1)小目标漏检严重；(2)模型较为复杂、模型参数量较大、模型难以部署到移动嵌入式设备且运算速度慢；(3)所用K-Means聚类存在随机性，难以得到最佳的锚框配置。

本发明的技术方案如下：

一种基于改进YOLOv4的交通目标检测系统，其包括MobileViT-S主干网络、SPP特征金字塔网络、PANet特征加强网络及目标检测头，其中，所述PANet特征加强网络及所述目标检测头中使用的卷积为深度可分离卷积。

根据本发明的一些优选实施方式，所述目标检测系统还包括对所述MobileViT-S主干网络的输出图像进行卷积处理后再输入所述SPP特征金字塔网络的第一卷积块，对所述SPP特征金字塔网络的输出图像进行拼接及卷积处理后再输入所述PANet特征加强网络的第一拼接卷积块，所述第一卷积块包括3个卷积单元，所述第一拼接卷积块包括3个对拼接数据进行卷积处理的卷积单元，所述各卷积单元均包括一个卷积层、一个BN层及ReLU激活函数。