[发明专利]一种基于YOLO V3-tiny改进的目标检测方法

说明书

本发明公开了一种基于YOLO V3‑tiny改进的目标检测方法，包括以下步骤：步骤一、确认识别目标数量C和目标密集程度系数B；步骤二、计算最后一层滤波器的数量N；步骤三、采集目标检测现场的目标检测图像，构建数据集；步骤四、数据预处理；步骤五、数据标注；步骤六、搭建新的目标检测网络；步骤七、获取目标检测模型。本发明采用精简的目标检测网络YOLO V3‑tiny，保持原有特征提取层不变，检测速度快，可满足实时性要求。本发明增加小尺寸目标预测分支，提高小尺寸目标的检测精度。

技术领域

本发明属于目标检测技术领域，具体涉及一种基于YOLO V3-tiny改进的目标检测方法。

背景技术

近年来，随着人工智能、深度学习技术的发展，卷积神经网络广泛应用于目标检测领域。对于卷积神经网络模型，网络层数越深，模型容量越大，检测精度就越高，但是对计算推理硬件能力要求越高。在实际应用中，需要根据实时性要求、检测目标尺寸和硬件成本等因素进行折中考虑。

YOLO V3-tiny网络是基于YOLO V3算法的一个精简目标检测网络，可以在算推理能力较低的硬件上进行实时性的目标检测。YOLO V3-tiny的特征提取层由7个卷积层和6个最大池化层组成，其中卷积层依次包括二维卷积层、批量归一化层和非线性激活函数层。YOLO V3-tiny目标检测网络虽然它有很快的检测速度，但是它只采用13*13和26*26的网格特征图来进行目标预测，导致它对小尺寸目标检测精度较低。

发明内容

为解决现有技术存在的上述问题，本发明提出一种检测效果好的基于YOLO V3-tiny改进的小尺寸目标检测方法，特别适用于在计算推理能力较弱的硬件平台上进行相对小尺寸目标检测任务

本发明至少通过如下技术方案之一实现。

一种基于YOLO V3-tiny改进的目标检测方法，包括以下步骤：

步骤一、根据要识别目标的种类个数确认识别目标数量C和根据采集目标图像中要识别目标的密集程度确定目标密集程度系数；

步骤二、计算最后一层滤波器的数量N；

步骤三、采集目标检测现场的目标检测图像，构建数据集；

步骤四、数据预处理；

步骤五、数据标注；

步骤六、搭建新的目标检测网络；

步骤七、获取目标检测模型。

进一步的，最后一层滤波器的数量为N＝B*(C+5)，其中5代表检测框的中心点x坐标、中心点y坐标、相对宽度、相对高度以及目标的置信度这五个量，B为目标密集程度系数，目标图像中要识别目标越密集，B越大，反之，B越小，B在自然数集合{2，3，4，5}中根据目标密集程度选择一个数值。

进一步的，步骤四的数据预处理是对第三步采集的数据进行旋转、平移、添加噪声、裁剪，以扩充数据扩充和增大数据集的数据。

进一步的，步骤五的数据标注是对第四步预处理后的数据用Labellmg软件进行标注，得到训练集、验证集和测试集。

进一步的，步骤六所述新的搭建目标检测网络具体是在深度学习框架中搭建YOLOV3-tiny模型，特征提取网络不变，在原有目标检测网络中增加一个目标预测分支，该新的目标检测网络包括卷积层模块、最大池化层模块、第一层2倍采样层、第二层2倍采样层、第一连接层和第二连接层；