[发明专利]一种基于改进型YOLOv3卷积神经网络的夜间车辆检测方法

说明书

本发明公开了一种基于改进型YOLOv3卷积神经网络的夜间车辆检测方法，属于辅助驾驶领域。通过增加输入图像尺寸、网格划分密度和多尺度训练，使YOLOv3卷积神经网络对于小目标检测更加准确。从而更加精准的识别面积较小的车尾灯；同时，针对夜间行车环境中复杂的灯光干扰，在darknet53特征提取网络中加入了通道注意力机制‑改进型SE‑Block模块。对不同重要程度的信息进行了加权操作，从而对重要信息进行强化，对不重要信息进行抑制；针对没有开源的夜间车辆数据集，构建了一个新的夜间车辆数据集。填补了这方面的空缺。最终通过对YOLOv3卷积神经网络的改进，使其更加适合夜间车辆识别。在小目标和复杂灯光干扰的环境中可以更加准确、快速地识别夜间车辆。

【技术领域】

本发明属于辅助驾驶领域，涉及一种夜间车辆检查的方法，尤其是一种基于改进型YOLOv3卷积神经网络的夜间车辆检测方法。

【背景技术】

随着深度学习在目标检测领域地不断发展，利用卷积神经网络进行实时目标检测已经成为现实。卷积神经网络在特定环境下对于目标检测的速度和准确率已经取得了非常好的效果。相比较于传统目标识别和机器学习等方法。卷积神经网络在速度和精度上都有着不可替代的优势。由于卷积神经网络对不同目标的细微差别有着很好的分辨能力，因此单一网络结构对不同环境下的目标分类效果并不理想。也就是说将白天车辆识别的网络模型用于夜间车辆识别效果并不理想。因此基于夜间行车环境的特点，对卷积神经网络进行了相应的改进。

深度学习中，常用于图像目标检测的卷积神经网络有Faster-RCNN、SSD系列和YOLO系列。其中YOLOv3卷积神经网络可以很好地平衡目标识别准确率和目标识别速度，从而被广泛应用于目标检测中。利用YOLOv3卷积神经网络识别夜间车辆存在着以下几个问题：一、目前开源数据集多为白天车辆数据集，用白天车辆数据集训练的网络模型不能有效地识别夜间车辆；二、夜间环境由于光线不足，导致车辆整体特征不明显、车辆细节和车辆边缘特征缺失。因此利用特征明显的车尾灯进行车辆识别。但是车尾灯面积小，而YOLOv3卷积神经网络对于小目标检测并不友好；三、夜间环境中广告灯、路灯等灯光背景会对夜间车辆识别产生干扰。

【发明内容】

本发明的目的在于克服上述现有技术的缺点，提供一种基于改进型YOLOv3卷积神经网络的夜间车辆检测方法。针对小目标检测和复杂灯光背景两大问题，设计了适用与夜间车辆检测的网络结构：一、通过增加输入图像尺寸、增加网格划分密度和多尺度训练等方式使YOLOv3卷积神经网络提升对小目标检测的准确率；二、通过增加改进型SE-Block模块，使YOLOv3卷积神经网络获得注意力机制，对重要信息和不重要信息进行加权操作，从而提升YOLOv3卷积神经网络在复杂灯光背景下的目标检测速度和准确率。

为达到上述目的，本发明采用以下技术方案予以实现：

一种基于改进型YOLOv3卷积神经网络的夜间车辆检测方法，包括如下步骤：

步骤1：采集图像，将输入图像做等比例变换，然后用黑色像素填充成正方形图像；

步骤2：将填充后的正方形图像随机缩放1-3个单位，进行多尺度训练；

步骤3：将随机缩放后的正方形图像放入到darknet53特征提取网络中进行特征提取；

步骤4：对步骤3特征提取得到的特征图通过全卷积网络进行目标定位和识别；

步骤5：利用非极大值抑制对交并比大于0.5的预测框进行筛选，过滤掉同一夜间车辆的多余预测框。

本发明车辆检测方法的进一步改进在于：

步骤1中对输入图像进行等比例变换，然后利用黑色像素填充成正方形图像，具体为：

步骤1-1，输入图像进行等比例变换