[发明专利]基于改进YOLOv3算法的红外车辆快速检测方法

说明书

本发明公开了一种基于改进YOLOv3算法的红外车辆快速检测方法。主要解决现有技术对红外车辆检测准确率低和实时性差的问题。其方案是：采集交通道路上的车辆视频进行预处理，得到红外车辆图像数据集；通过对现有YOLOv3算法中的主干特征提取网络和预测网络进行改进，得到新的网络模型ConvDarknet19‑YOLOv3；将红外车辆图像数据集中划分出的训练集输入到该模型中，采用小批次随机梯度下降法对其训练，得到训练好的红外车辆检测模型；用红外热成像设备实时采集交通道路上的红外车辆视频，按帧送入已经训练好的模型中，得到车辆的实时位置和置信度。本发明检测准确率高，检测速度快，可用于自动驾驶和智能交通管理。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种红外车辆检测方法，可用于自动驾驶和智能交通管理。

背景技术

红外目标检测技术是指从红外图像中自动提取出目标的位置信息。鉴于红外热成像的优势，红外目标检测技术可应用于交通道路上的车辆检测场景中，并可适应黑夜、强光和极端天气的情况，因此，该技术的突破对自动驾驶和智能交通等领域具有重要理论意义和实用价值。

传统的红外车辆检测方法通常首先采用梯度方向直方图等方法提取目标的特征，然后利用正负样本训练支持向量机等分类器对目标特征进行分类。这种方法检测速度慢，无法满足时性的要求，且存在应用场景受限，鲁棒性差，泛化能力弱的问题。

近年来，随着人工智能技术的快速发展，基于卷积神经网络的红外车辆检测方法得到了广泛应用。它可通过卷积神经网络自动对图像进行特征抽象和特征提取，具有较高的检测准确率与较强的鲁棒性。

目前，基于卷积神经网络的红外车辆检测方法主要包括两类，一类是两步检测算法，该类算法检测准确率高，但检测速度慢，一般无法满足实时性的需求，代表算法有R-CNN，Fast R-CNN，Faster R-CNN，另一类是单步检测算法，其检测速度虽相较于两步检测算法有所提高，但检测准确率较低，在红外车辆检测场景中还是难以满足实时性的需要，代表算法有YOLO和SSD。

由于红外图像为单通道图像，红外车辆的特征提取较为困难，上述传统红外车辆检测方法和基于卷积神经网络的红外车辆检测方法均因为速度慢和精度低，无法满足实时性的要求。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于改进YOLOv3算法的红外车辆快速检测方法，以在保证检测准确率的前提下，显著提高检测速度，满足对车辆进行实时性检测的需要。

本发明的技术思路是：通过对YOLOv3主干特征提取网络进行改进提高检测速度，即将YOLOv2算法的主干特征提取网络Darknet19修改为新的主干特征提取网络ConvDarknet19，并将ConvDarknet19替换YOLOv3算法原来的主干特征提取网络Darknet53作为新的主干特征提取网络，简化主干特征提取网络的结构，大幅度提高了检测速度；通过对YOLOv3算法的预测网络进行改进提高检测准确率，即将YOLOv3算法输出3个特征尺度的预测网络修改为输出4个特征尺度的新的预测网络，有利于检测不同尺度的车辆目标，提高了检测准确率。

根据上述思路，本发明的实现方案包括如下：

(1)采集交通道路上的车辆视频进行帧提取和图像预处理，得到红外车辆图像数据集，将该数据集按照7:3的比例划分为训练数据集和测试数据集；

(2)对现有YOLOv3算法进行改进，得到新的网络模型ConvDarknet19-YOLOv3：