[发明专利]基于YOLO的车辆前方障碍物检测方法

权利要求书

1.基于YOLO的车辆前方障碍物检测方法，其特征在于：所述方法具体过程为:

步骤一、获取数据集，数据集分为训练集和测试集，利用标注框标注训练集图像中每一个目标，得到训练集图像中每一个目标的位置信息与类别信息；

步骤二、初始化卷积神经网络，将标注框标注完的训练集输入卷积神经网络；

步骤三、对训练集图像进行预处理；

步骤四、将预处理后的训练集图像分割成网格；

步骤五、网格选取初始候选框；

每个网格随机生成两个初始候选框；

步骤六、网格进行目标检测，得到目标类别M的类别置信度；

步骤七、根据类别置信度设置卷积神经网络输出，得到最终预测框；

步骤八、将步骤一中标注框标注的训练集图像作为卷积神经网络的输入，步骤七得到的最终预测框的训练集图像作为卷积神经网络的输出，训练卷积神经网络，得到最终权值和训练完的卷积神经网络；

步骤九、利用训练完的卷积神经网络和最终权值对测试集图像进行测试，确定车辆前方障碍物。

2.根据权利要求1所述基于YOLO的车辆前方障碍物检测方法，其特征在于：所述步骤一中获取数据集，数据集分为训练集和测试集，利用标注框标注训练集图像中每一个目标，得到训练集图像中每一个目标的位置信息与类别信息；具体过程为：

步骤一一、从行车纪录仪中截取数据集，数据集中图像分为训练集和测试集；

数据集中图像为驾驶员前方视野路况，图像包括行人、骑自行车的人和汽车三类目标；

步骤一二、利用标注框标注训练集图像中每一个目标，得到训练集图像中每一个目标的位置信息与类别信息；

其中位置信息为标注框中心点坐标和标注框宽、高，类别信息即为目标所属类别，以xml格式存储；

步骤一三、将标注完成的xml格式文件转换为txt格式文件。

3.根据权利要求1或2所述基于YOLO的车辆前方障碍物检测方法，其特征在于：所述步骤二中初始化卷积神经网络；具体过程为：

YOLO检测网络包括24个卷积层和2个全连接层；

其中卷积层用来提取图像特征，全连接层用来预测图像位置和类别概率值；

卷积神经网络参数包括冲量Momentum、权值衰减Decay、最大迭代次数Max batches、学习率Learning rate、学习率变化迭代次数Steps和学习率变化比率Scales。

4.根据权利要求3所述基于YOLO的车辆前方障碍物检测方法，其特征在于：所述步骤三中对训练集图像进行预处理；过程为：

将训练集图像大小调整为448*448；

所述步骤四中将预处理后的训练集图像分割成7*7的网格。

5.根据权利要求4所述基于YOLO的车辆前方障碍物检测方法，其特征在于：所述步骤六中网格进行目标检测，得到目标类别M的类别置信度；具体过程为：

每一个候选框预测5个数据；

5个数据包含归一化后的目标坐标x、y，归一化后的候选框的宽和高w、h，以及网格检测此类别目标的置信度confidence；

置信度计算公式如下；

式中，Pr(object)为候选框是否存在目标，若一个网格中出现了目标，则Pr(object)的值为1；若没有出现目标，则Pr(object)的值为0，即置信度confidence的值也为0；*为乘号；

为候选框与标注框的面积交并比，计算公式如下：

式中，DetectionResult为候选框，GroundTruth为标注框；

训练时，当网格中存在目标，还需要对目标类别M进行预测，用条件概率Pr(class_M|object)进行表示，目标类别M的类别置信度计算公式如下：

式中，Pr(class_M|object)为在网格中有物体的条件下，物体类别为M的概率；训练时，当物体M落在网格内此值为1，网格内有物体但不是类别M此值为0；

测试时，网络直接输出目标类别M的类别置信度confidence(M)。