[發明專利]一種基于yolov3-tiny的航拍車輛檢測方法

在審

• 申請號: 202011209941.8
• 申請日: 2020-11-03
• 公開（公告）號: CN112308154A
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 瞿紹軍;魯博;賀禧
• 申請（專利權）人: 湖南師范大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00;G06F16/11;G06N3/04
• 代理公司: 長沙永星專利商標事務所(普通合伙) 43001
• 代理人: 周詠;米中業

本發明公開了一種基于yolov3?tiny的航拍車輛檢測方法，包括獲取原始的航拍圖像數據；將獲取的原始的航拍圖像數據轉換為xml文件數據；構建改進型yolov3?tiny航拍車輛檢測網絡；采用得到的xml文件數據訓練構建的改進型yolov3?tiny航拍車輛檢測網絡并得到航拍車輛檢測模型；采用航拍車輛檢測模型對實際獲取的航拍圖像進行車輛檢測并完成航拍車輛檢測。本發明提供的這種基于yolov3?tiny的航拍車輛檢測方法，通過對現有的yolov3?tiny檢測網絡進行改進和優化，實現了航拍車輛的精準檢測，而且可靠性高、實用性好。

技術領域

本發明屬于圖像處理領域，具體涉及一種基于yolov3-tiny的航拍車輛檢測方法。

背景技術

隨著經濟技術的發展，基于高空圖像的目標檢測技術已經越來越受到人們的關注。

目前，目標檢測主要分為基于傳統機器學習的算法和基于深度學習的算法，而基于深度學習的目標檢測在近些年突飛猛進，并取得了不錯的效果。基于深度學習的目標檢測算法主要分為兩類：One-stage算法和Two-stage算法。Two-stage目標檢測算法先進行區域生成(region proposal，RP)(一個有可能包含待檢物體的預選框)，再通過卷積神經網絡進行樣本分類。常見的Two-stage目標檢測算法有：R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN和R-FCN等。One-stage算法支持端到端的訓練，不用RP，直接在網絡中提取特征來預測物體分類和位置。常見的One-stage目標檢測算法有：OverFeat、YOLO、SSD等。

One-stage算法中，YOLO系列的目標檢測算法性能較好，而yolov3和yolov3-tiny分別在精度和速度上有著極佳的表現。yolov3的主干網使用了darknet53，其具有53層卷積層且引入了殘差塊，同時還引入了FPN架構實現多尺度檢測。而yolov3-tiny為了提高速度，在yolov3算法的基礎上去掉了一些特征層，并且只保留了13x13和26x26兩個尺度的預測分支，在精度上有一定的損失但是速度提升很大。

經典的yolov3-tiny算法的結構如圖1所示。Yolov3-tiny采用輕量級主干網：8個卷積層以及5個下采樣層組合而成。通過主干網對輸入圖像進行特征提取，再通過兩個不同的預測分支再不同尺度(分辨率)上對提取到的特征進行再卷積，最后得到預測用的特征圖，在圖上預測出目標的位置與類別。其中，26x26分辨率的特征圖融合了來自13x13分辨率的深層次特征，加強了其高維抽象語義。

yolov3算法雖然比two-stage算法快很多，但是其backbone darknet-53仍然較為龐大，包含53層網絡且需要在3個尺度上進行結果預測，檢測速度仍然難以達到實際運用的需求；而yolov3-tiny算法的backbone只包含了較少的conv層和pool層，且只在2個尺度上進行結果預測,因此檢測速度極快，在實際運用領域具有較高的優先權。但是，航拍圖像中的車輛往往是小目標，在圖像中占據很小的面積，無論是yolov3還是yolov3-tiny針對小目標的檢測都存在精度較低的問題，尤其是yolov3-tiny為了速度犧牲了較多的精度。因此，目前尚沒有一種可靠性高、實用性好且精度較高的算法，能夠實現較好的航拍車輛檢測。

發明內容

本發明的目的在于提供一種可靠性高、實用性好且精度較高的基于yolov3-tiny的航拍車輛檢測方法。

本發明提供的這種基于yolov3-tiny的航拍車輛檢測方法，包括如下步驟：

S1.獲取原始的航拍圖像數據；

S2.將步驟S1獲取的原始的航拍圖像數據轉換為xml文件數據；

S3.構建改進型yolov3-tiny航拍車輛檢測網絡；