[發明專利]基于YOLOv4算法的智慧執法多尺度目標檢測方法、裝置、系統及存儲介質

在審

• 申請號: 202010989852.3
• 申請日: 2020-09-18
• 公開（公告）號: CN112052826A
• 公開（公告）日: 2020-12-08
• 發明（設計）人: 練鏡鋒;孫少峰;趙文超
• 申請（專利權）人: 廣州瀚信通信科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 廣州專才專利代理事務所(普通合伙) 44679
• 代理人: 曾嘉儀

1.一種基于YOLOv4算法的智慧執法多尺度目標檢測方法，其特征在于，包括以下步驟：

數據收集步驟：收集多尺度物體目標場景所在地不同時間點及不同角度的視頻圖像數據；

數據整合步驟：將收集到的視頻圖像數據進行整合；

數據標注步驟：對整合后的視頻圖像數據進行標注并形成源數據；

數據劃分步驟：將所述源數據按照預設比例劃分，分為訓練數據集和驗證數據集；

多尺度特征圖分配步驟：針對圖片數據集采用K-means聚類算法得到先驗框的尺寸，按照不同尺度聚類出9種尺寸的先驗框；

YOLOv4模型訓練步驟：利用YOLOv4對所述訓練數據集進行訓練學習，操作如下：①將提取到的9種尺寸特征圖輸入到CSPDarknet53主干網絡中，其中CSPDarknet53是在YOLOv3的Darknet53主干網絡的基礎上添加CSPNet網絡；②將多尺度的特征輸入到SPPNet網絡中；③接著通過PANet路徑聚合網絡加快淺層特征和深層特征的信息融合，得到不同尺度的融合特征；④最終通過全連接層輸出訓練結果；⑤根據相應結果計算損失函數值，根據損失函數值的下降趨勢調節學習率和批處理的大小，直到訓練數據集輸出的損失函數值小于等于閾值或達到設置的最大迭代次數時停止訓練，得到訓練好的網絡模型，記為預測模型；

YOLOv4模型驗證步驟：通過所述驗證數據集對所述預測模型進行驗證，經過模型評估篩選出預測性能最優的模型，記為最終模型；

目標檢測步驟：利用所述最終模型對所述多尺度物體目標場景進行監測，當監測到特定目標物體時，生成告警信息。

2.如權利要求1所述的基于YOLOv4算法的智慧執法多尺度目標檢測方法，其特征在于，在所述數據收集步驟中，所述多尺度物體目標場景為交通執法監控管理區；所述不同時間點至少包括上午擁堵、上午通暢、下午擁堵、下午通暢、晚上擁堵和晚上通暢6個時間點；所述視頻圖像數據中的物體包括：小車、警車、出租車、面包車、公交車、小巴車、客運大巴車、單人電動車、快遞電動車、貨車、環衛車、油罐車、工程車、消防車、救護車、警用摩托車、其他非機動車和行人中的任意組合。

3.如權利要求1所述的基于YOLOv4算法的智慧執法多尺度目標檢測方法，其特征在于，在所述數據整合步驟中，將收集到的視頻圖像數據放在同一個文件夾內；在所述YOLOv4模型驗證步驟中，通過三個指標進行模型評估，包括：召回率、精確率和平均精度均值。

4.如權利要求2所述的基于YOLOv4算法的智慧執法多尺度目標檢測方法，其特征在于，在所述數據標注步驟中，對整合后的視頻圖像數據進行標注并形成源數據，標注的范圍包括：圖像所在位置、圖像名稱、圖像寬高、圖像維度、標注的物體名稱以及bbox的xy坐標值；所述標注的物體名稱包括：小車、警車、出租車、面包車、公交車、小巴車、客運大巴車、單人電動車、快遞電動車、貨車、環衛車、油罐車、工程車、消防車、救護車、警用摩托車、其他非機動車和行人中的任意組合。

5.如權利要求1所述的基于YOLOv4算法的智慧執法多尺度目標檢測方法，其特征在于，在所述數據劃分步驟中，所述訓練數據集和所述驗證數據集的比例為3:1、7:3、8:2或者為98:2。

6.如權利要求1所述的基于YOLOv4算法的智慧執法多尺度目標檢測方法，其特征在于，在所述多尺度特征圖分配步驟中，采用K-means聚類得到先驗框的尺寸，為每種下采樣尺度設定3種先驗框，總共聚類出9種尺寸的先驗框；在COCO數據集這9個先驗框分別是：(10x13)，(16x30)，(33x23)，(30x61)，(62x45)，(59x119)，(116x90)，(156x198)和(373x326)；動態分配上，13x13特征圖應用先驗框(116x90)，(156x198)，(373x326)；26x26特征圖應用先驗框(30x61)，(62x45)，(59x119)；52x52特征圖應用先驗框(10x13)，(16x30)，(33x23)。