[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

本發明公開了一種基于YOLOv4算法的智慧執法多尺度目標檢測方法、檢測裝置、檢測系統及存儲介質，基于YOLOv4算法且面向智慧執法的多尺度目標物體進行檢測告警。包括數據收集步驟、數據整合步驟、數據標注步驟、數據劃分步驟、多尺度特征圖分配步驟、YOLOv4模型訓練步驟、YOLOv4模型驗證步驟和目標檢測步驟。本發明所提供的方法速度快、效果好、能處理多尺度、大規模數據、支持多種語言、支持自定義損失函數等，是對智慧執法多尺度目標監控的一種比較好的替代方案。

技術領域

本發明涉及人工智能技術領域，尤其涉及一種多尺度物體目標檢測方法、檢測裝置、檢測系統及存儲介質。

背景技術

隨著經濟的發展，移動或不固定非法商販機動車數量激增，針對無照經營、流動、不固定非法商販機動車的管理，需在管轄區域內的重點部位建設視頻監控系統，進行實時的圖像監控。同時應為城管的執法車輛配備移動的視頻監控系統，指揮中心可以通過GPS來監控和管理的執法車的位置，通過視頻實時監控車內、外狀態，達到流動監控、非長期固定場所監控、執法隊伍管理的目的。設防區智能預警則是對智慧執法管理區域進行重點設防，通過視頻監控系統對各種異常情況進行智能預警，保障執法管理流程的安全穩定。

一方面，在多尺度物體目標檢測方法上，主要有傳統圖像處理方法和深度學習檢測方法。基于傳統圖像處理的目標檢測方法主要有HOG、HOG+SVM、SURF和SIFT等；在基于傳統圖像處理的目標檢測方法下，當遇到大焦距監控場景時，近端的目標與遠端的目標差異會非常大，同一場景下會存在多個尺度的目標。在選取目標預測區域時，采用滑動窗口的方式無法有效的設定滑動窗口大小和長寬比，因此滑動窗口的窮舉方式，耗時長，冗余大。而基于深度學習的目標檢測方法主要有R-CNN、Fast R-CNN、Faster R-CNN等。在基于深度學習的目標檢測方法大部分都是利用基于固定anchor回歸的方式，固定的anchor無法適應兼顧多個尺度目標大小差異的情況，造成檢測網絡無法收斂或訓練網絡質量較低，容易造成目標的漏檢誤檢。

另一方面，智慧執法監控管理這一多尺度目標檢測場景中，目前更多還是依賴于人為方式進行識別，但由于智慧執法監控環境會涉及城市道路交通情況，若進行人工判斷則需要長時間觀察，因此容易導致設防區監控的人工成本較高，且人工容易出現視覺疲勞從而產生誤判和漏判的情況。

發明內容

為了克服現有技術的不足，本發明的目的之一在于提供一種基于YOLOv4算法的智慧執法多尺度目標檢測方法，速度快、效果好、能處理多尺度、大規模數據、支持多種語言、支持自定義損失函數等，是對智慧執法多尺度目標監控的一種比較好的替代方案。

本發明的目的之二在于提供一種基于YOLOv4算法的智慧執法多尺度目標檢測裝置。

本發明的目的之三在于提供一種基于YOLOv4算法的智慧執法多尺度目標檢測系統。

本發明的目的之四在于提供一種計算機可讀存儲介質。

本發明的目的之一采用如下技術方案實現：

一種基于YOLOv4算法的智慧執法多尺度目標檢測方法，包括以下步驟：

一種多尺度物體目標檢測方法，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；