[发明专利]一种基于Yolov3的高清图像目标检测方法

说明书

本发明涉及计算机视觉技术领域，种基于Yolov3的高清图像目标检测方法，该方法包括：针对高清图像下小目标的检测，对Yolov3网络进行剪裁，去掉其中针对大、中尺寸目标检测而引入的分支，精简网络以提高计算速度；针对剪裁后的网络，分别制作训练数据集和测试数据集，训练神经网络；训练完成后，手工制作含有典型小目标的图像，送入Yolov3网络得到该图像特征向量，作为后续相似度匹配的标准特征块。

技术领域

本发明涉及计算机视觉技术领域，具体涉及一种基于Yolov3的高清图像目标检测方法。

背景技术

随着计算机、相机、智能手机等硬件资源成本不断降低，以及深度学习技术的提出和图像处理技术的发展，近些年图像分类、目标检测、语义分割等智能计算任务都取得了突破性进展。

在计算机视觉领域，传感器获得的图像分辨率越高，所包含的细微信息就更丰富。如果可以充分使用这些信息，就可以完成许多依靠肉眼不易完成的任务。例如在各类安防监控应用中，如果能够对更细小的目标进行快速准确的检测，就可以使用户获得更多有用的信息，进而做出更准确的判断。

目前关于目标检测有Yolo、Faster-RCNN等检测算法，但大部分都是应用于分辨率较低的数据集。现有的最简单方法是直接扩展卷积层，将其应用到高分辨率图像上，但这会因庞大的卷积运算而消耗大量的计算资源。另一类方法是将图像缩放后再检测，但又可能会导致小目标特征不足而无法被识别。此外，还有方法将原图分割成若干个低像素图片，再进行检测，但这种方法大大加长了处理时间，在处理速度方面表现不佳。

为了解决本领域小目标检测时间长、不易被检测问题，作出了本发明。

发明内容

针对现有的技术存在的缺陷，本发明的目的是提供一种基于Yolov3的高清图像目标检测方法，解决现有技术在处理高清图像时因计算量大而导致耗时间长和因缩放而导致的准确性较差的问题。

本发明所要解决的技术问题是：一种基于Yolov3的高清图像目标检测方法，包括以下步骤：

步骤一、进行准备工作，对Yolov3网络进行特定剪裁，去掉其中针对大目标、中目标检测而引入的两条分支，只保留小目标检测的计算分支，精简网络以提高计算速度；针对剪裁后的Yolov3网络，使用摄像机拍摄含有待检测目标的图片，使用手工标注方式分别制作训练数据集和测试数据集，训练剪裁后的Yolov3网络作为后续的目标检测网络；

步骤二、手工制作标准目标图像，在其标准目标图像中央位置包含有典型小目标，典型小目标为无遮挡，无扭曲的待检测目标(标准目标图像的分辨率与输入的待检测高清图像分辨率相同，整体图像缩放至416*416之后，典型小目标所占像素大小为10*13。典型小目标内容为待检测目标，如本专利具体实施方式中检测目标为人形玩偶，则典型小目标内容为人形玩偶。典型小目标要求图像无遮挡，无扭曲。)，将典型小目标输入上述训练好的Yolov3网络中，得到其主干网络Darknet-53输出的52*52*256尺寸的特征向量，52*52*256代表的含义是将图划分为52*52的网格区域，每一个网格区域对应一个尺寸为1*256的特征列向量，特征向量的中央位置的典型小目标对应的特征向量，大小为1*256，记为标准特征块t_sd，在之后相似度匹配过程中作为匹配标准向量；

步骤三、将一幅包含典型小目标的待检测图像作为输入，将其缩放至416*416大小，记为img，输入Yolov3网络，得到其主干网络Darknet-53输出的52*52*256的特征向量，52*52*256代表的含义是将图划分为52*52的网格区域，每一个网格区域对应一个尺寸为1*256的特征列向量；