[发明专利]一种三尺度特征的YOLOv4-tiny目标检测算法

说明书

本发明提出了一种三尺度特征的YOLOv4‑tiny目标检测算法，解决原YOLOv4‑tiny在小目标检测上精度不高及重叠情况下漏检的问题；首先下载当前目标检测领域通用数据集tt100k数据集与LISA数据集，并进行数据增强；其次使用标准YOLOv4‑tiny网络对两个数据增强后的通用数据集进行训练，检测其性能；然后针对标准YOLOv4‑tiny模型中仅输出两个尺寸特征图造成小目标漏检的问题，提出一种三尺度特征的YOLOv4‑tiny目标检测算法，并对改进算法模型进行训练；最后对比标准YOLOv4‑tiny模型，分析测试结果；本发明提出的基于三尺度特征图的改进YOLOv4‑tiny算法，提出了改进结构，加入了第三尺度特征图；改进后的YOLOv4‑tiny算法对小目标检测与重叠情况下目标的检测精度均有提高，且本发明改进后的YOLOv4算法鲁棒性较好，可用于多个数据集的性能提升。

技术领域

该发明属于图像识别领域，一种三尺度特征的YOLOv4-tiny目标检测算法，该算法在通用标准数据集上表现出很好的检测性能。

背景技术

随着计算机技术的不断发展及算力的不断提升，计算机视觉与其中的目标检测成为了近年来热门方向。利用目标检测可以对特定物体进行识别与定位，在驾驶辅助系统、军事预警系统等有广泛的发展前景。目标检测技术包括传统目标检测技术及基于深度学习的目标检测技术，而后者由于在性能与复杂度方面优于前者，已成为当前目标检测领域的主流算法。

基于深度学习的目标检测技术主要分为一阶段(One-stage)与二阶段(Two-stage)两种方法，Two-stage分为两个阶段，第一阶段对输入图像划定候选区域，第二阶段使用卷积神经网络对候选区域进行分类，典型算法有R-CNN、Fast- R-CNN，这种算法准确度较高，但由于使用了两个子网络完成单个目标检测任务，训练成本与检测成本较高，速度较慢；One-stage只有一个阶段，即将输入的图片分为固定数量的块(patch)，在每个patch中又有固定数量的锚框(Anchor box)，同时输出Anchorbox的位置与分类标签，典型的算法有SSD512、YOLOv4， One-stage虽然准确度略逊于Two-stage，但其只使用一个网络完成检测工作，训练成本与检测成本较低，速度较快，适用于需要快速响应的场景。

虽然One-stage检测速度快于Two-stage，但某些情况下需要更快的检测速度来达到应用要求。如车辆辅助驾驶系统，更快的目标检测速度可以缩短传递到驾驶员所需要的时间，使驾驶员快速做出反应，使行车过程更为安全。YOLOv4 算法虽然在选取的通用数据集tt100k与LISA中能表现出良好的性能，达到很高的准确率，但是网络训练和检测时间较长，不能满足实时性的要求，因此本发明基于YOLOv4的轻量化版本YOLOv4-tiny，针对交通标志数据集中小目标数量较多的特点，修改YOLOv4-tiny的网络结构，旨在解决原YOLOv4-tiny在小目标检测上精度不高及重叠情况下漏检的问题。以保证在满足实时性的前提下，提高检测精度。

发明内容

本发明方法提出了一种三尺度特征的YOLOv4-tiny目标检测算法，通过改变YOLOv4-tiny网络结构，添加三尺度特征图，使YOLOv4算法的检测性能有了部分提升。

为了实现上述目的，本发明采取如下的技术解决方案：