[發(fā)明專利]一種基于改進(jìn)YOLO v3的重卡盲區(qū)目標(biāo)檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010344037.1
• 申請(qǐng)日: 2020-04-27
• 公開（公告）號(hào): CN111738056A
• 公開（公告）日: 2020-10-02
• 發(fā)明（設(shè)計(jì)）人: 朱仲杰;屠仁偉;白永強(qiáng);王玉兒;楊躍平
• 申請(qǐng)（專利權(quán)）人: 浙江萬(wàn)里學(xué)院
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 寧波奧圣專利代理事務(wù)所(普通合伙) 33226
• 代理人: 程曉明

1.一種基于改進(jìn)YOLO v3的重卡盲區(qū)目標(biāo)檢測(cè)方法，其特征在于包括以下步驟：

，采集以中、小尺寸為主的真實(shí)路況下的車、跌倒?fàn)顟B(tài)的人和正常狀態(tài)的人混合圖片，建立樣本數(shù)據(jù)集，對(duì)所述的樣本數(shù)據(jù)集進(jìn)行預(yù)處理，對(duì)所述的樣本數(shù)據(jù)集中的檢測(cè)目標(biāo)進(jìn)行類別標(biāo)定和位置信息提取，并將所述的樣本數(shù)據(jù)集劃分成訓(xùn)練集和測(cè)試集；

，對(duì)所述的訓(xùn)練集進(jìn)行聚類分析，選擇anchor值；

，改進(jìn)原檢測(cè)模型的網(wǎng)絡(luò)結(jié)構(gòu)得到優(yōu)化后的YOLO v3網(wǎng)絡(luò)；

，設(shè)置訓(xùn)練參數(shù)，利用所述的訓(xùn)練集對(duì)優(yōu)化后的YOLO v3網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到目標(biāo)檢測(cè)模型；

，將重卡盲區(qū)范圍內(nèi)實(shí)時(shí)監(jiān)測(cè)到的視頻輸入到所述的目標(biāo)檢測(cè)模型中進(jìn)行檢測(cè)；

，輸出重卡盲區(qū)范圍內(nèi)車、跌倒?fàn)顟B(tài)的人和正常狀態(tài)的人的檢測(cè)結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)YOLO v3的重卡盲區(qū)目標(biāo)檢測(cè)方法，其特征在于所述的步驟①中對(duì)所述的樣本數(shù)據(jù)集中的檢測(cè)目標(biāo)進(jìn)行類別標(biāo)定和位置信息提取的具體方法為：

a，對(duì)所述的樣本數(shù)據(jù)集進(jìn)行不同光線因素、不同拍攝角度、不同道路環(huán)境和不同分辨率的選擇；

b，調(diào)整所述的樣本數(shù)據(jù)集中的所述的訓(xùn)練集的圖像大小至統(tǒng)一像素；

c，對(duì)所述的樣本數(shù)據(jù)集中所述的檢測(cè)目標(biāo)進(jìn)行類別標(biāo)定，分別用0,1,2表示車、跌倒?fàn)顟B(tài)的人和正常狀態(tài)的人；

d，對(duì)所述的樣本數(shù)據(jù)集進(jìn)行位置信息提取，將所述的檢測(cè)目標(biāo)表示為一個(gè)四維向量{x，y，w，h}；其中：x表示所述的檢測(cè)目標(biāo)的x軸方向的坐標(biāo)，y表示所述的檢測(cè)目標(biāo)的y軸方向的坐標(biāo)，w表示所述的檢測(cè)目標(biāo)的寬度，h表示所述的檢測(cè)目標(biāo)的高度；

e，生成標(biāo)注文件。

3.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)YOLO v3的重卡盲區(qū)目標(biāo)檢測(cè)方法，其特征在于所述的樣本數(shù)據(jù)集的劃分具體為80%的訓(xùn)練集和20%的測(cè)試集。

4.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)YOLO v3的重卡盲區(qū)目標(biāo)檢測(cè)方法，其特征在于所述的步驟中，采用K-means算法對(duì)所述的訓(xùn)練集進(jìn)行聚類分析，通過(guò)設(shè)定不同的聚類中心k的個(gè)數(shù)，獲得不同的anchor值；將IoU作為聚類指標(biāo)，通過(guò)對(duì)Avg IoU的分析，設(shè)置anchor值為{（12，26），（18，71），（31，43），（66，73），（35，151），（98，121），（61，260），（110，310），（238，212）}。

5.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)YOLO v3的重卡盲區(qū)目標(biāo)檢測(cè)方法，其特征在于所述的步驟中，選擇Darknet-53作為圖像特征提取的基礎(chǔ)網(wǎng)絡(luò)，YOLO v3將卷積層深層信息上采樣后與較淺層信息通過(guò)concat函數(shù)拼接在一起實(shí)現(xiàn)特征融合，3組不同深淺的特征信息融合輸出13×13，26×26，52×52的特征圖，得到FPN結(jié)構(gòu)；在此基礎(chǔ)上，拼接淺層的信息增加特征的信息量，將Darknet-53第11層拼接到52×52的特征圖上，得到改進(jìn)后的52×52特征圖，改進(jìn)后的52×52特征圖的特征信息由三部分構(gòu)成： Darknet-53第11層下采樣后的特征信息， Darknet-53第36層特征信息和來(lái)自26×26特征圖下采樣的特征信息；將Darknet-53第36層拼接到26×26的特征圖上，得到改進(jìn)后的26×26特征圖，改進(jìn)后的26×26特征圖的特征信息由三部分構(gòu)成： Darknet-53第36層下采樣后的特征信息， Darknet-53第61層特征信息和來(lái)自13×13特征圖下采樣的特征信息。

6.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)YOLO v3的重卡盲區(qū)目標(biāo)檢測(cè)方法，其特征在于所述的步驟中訓(xùn)練參數(shù)的設(shè)置為：Batch為512，Subdivision為256，Max batches為12000。