[發明專利]一種雜亂環境下改進的YOLOv2物體檢測方法

在審

• 申請號: 201810564643.7
• 申請日: 2018-06-04
• 公開（公告）號: CN109033939A
• 公開（公告）日: 2018-12-18
• 發明（設計）人: 魏國亮;余玉琴;蔡晨
• 申請（專利權）人: 上海理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 北京紀凱知識產權代理有限公司 11245
• 代理人: 陸惠中;王永偉

本發明涉及一種物體檢測方法，特別是一種雜亂環境下改進的YOLOv2物體檢測方法。使用YOLOv2物體檢測模型檢測物體，輸出檢測物體邊界框的長和寬，輸出的長和寬分別縮小K1和K2倍，K1＝1.47，K2＝1.0612。本發明通過將YOLOv2模型輸出檢測物體邊界框的長和寬分別縮小K1和K2倍，縮小后每個邊界框只包含一個物體，多個物體邊界框的交集減少，既能保證檢測到圖片中的所有物體，又大大減小了后續計算目標物體的三維坐標信息、及目標物體到攝像機的距離時的誤差，提高了檢測精度。

技術領域

本發明涉及一種物體檢測方法，特別是一種雜亂環境下改進的YOLOv2物體檢測方法。

背景技術

在實現雜亂環境下的物體抓取中，如現實生活中的垃圾分類，需要用彩色攝像機采集彩色圖片，然后使用物體檢測方法檢測目標物體的類別和目標物體在圖像中的位置，再通過數據處理計算出目標物體的三維坐標，最后控制機械臂進行目標物體抓取。現有的物體檢測算法有多種，如RCNN、Fast-RCNN、Faster-RCNN，YOLO，YOLOv2。前三種物體檢測算法速度較慢，目前達不到物體抓取環境下實時檢測目標物體的要求。

YOLO檢測速度可以達到每秒45幀，但目標物體在圖像中的定位誤差很大，直接導致YOLO的檢測精度并不高。YOLOv2是在YOLO版本上做出的改進，包括新的基礎網絡、更細的網格劃分、多尺度訓練、全卷積網絡、使用Faster-RCNN的anchor機制、更多的訓練技巧等等，使得yolov2在保持原有速度的優勢之下，精度上得以提升，YOLOv2對圖像中目標物體檢測的準確率達到78.6％，檢測速度為每秒40幀，使其適用于雜亂環境下物體抓取的目標物體檢測。

但YOLOv2和YOLO物體檢測算法具有同一缺點：在圖像中檢測得到的目標物體的邊界框太大。在雜亂環境下存在多個物體，邊界框太大會導致目標物體的邊界框將鄰近的物體包括進來。并且目標物體和其他物體邊界框的交集很大，進而導致在后續計算目標物體的三維坐標信息、以及目標物體到攝像機的距離時存在很大偏差，降低了檢測精度。

發明內容

針對以上不足，本發明提供了一種雜亂環境下改進的YOLOv2物體檢測方法，該方法能使物體檢測的邊界框縮小到合適的范圍內，一個邊界框只包含一個物體，并且和其它物體邊界的交集極小，大大減小了后續的計算誤差。

本發明的技術方案為：

一種雜亂環境下改進的YOLOv2物體檢測方法，使用YOLOv2物體檢測模型檢測物體，輸出檢測物體邊界框的長和寬，所述輸出的長和寬分別縮小K1和K2倍，所述K1＝1.47，所述K2＝1.0612。

所述YOLOv2模型的搭建過程包括以下步驟：

S1，使用圖像采集設備，采集N類物體的圖片，每類物體有M張圖片(M≥200)；

S2，使用軟件標出M×N張圖片中各類物體的類別和邊界框；

S3，每類物體隨機選取0.8×M張圖片作為訓練集，隨機選取0.2×M張圖片作為測試集；

S4，使用訓練集訓練YOLOv2模型，使用測試集測試YOLOv2模型，得到含有模型參數的YOLOv2物體檢測模型。

本發明通過將YOLOv2模型輸出檢測物體邊界框的長和寬分別縮小K1和K2倍，K1＝1.47，K2＝1.0612，縮小后每個邊界框只包含一個物體，多個物體邊界框的交集減少，既能保證檢測到圖片中的所有物體，又大大減小了后續計算目標物體的三維坐標信息、及目標物體到攝像機的距離時的誤差，提高了檢測精度。經過實驗證明，本發明的經過改進的YOLOv2物體檢測方法，對圖像中目標特體檢測的準確率達到91％，相對于YOLOv2而言準確率提高了16％。

附圖說明

圖1為原始YOLOv2模型結構；