[發明專利]一種基于改進YOLOv4的遮擋行人實時檢測方法

在審

• 申請號: 202111596446.1
• 申請日: 2021-12-24
• 公開（公告）號: CN114330529A
• 公開（公告）日: 2022-04-12
• 發明（設計）人: 梁燕;朱清
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06V40/10;G06V10/774;G06V10/762;G06V10/764
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 廖曦

1.一種基于改進YOLOv4的遮擋行人實時檢測方法，其特征在于，該方法具體包括以下步驟：

S1：獲取數據集，并將其劃分為訓練集、驗證集和測試集，同時使用數據增強手段和圖片拼接技術對數據集進行處理；

S2：對數據集中標記的真實框使用K_means++算法進行聚類，獲得12個聚類中心作為模型先驗框中心點使用，生成最終的先驗框；

S3：利用主干特征網絡融合通道注意力機制進行特征提取；

S4：利用空間金字塔SPP模塊對主干特征網絡提取的特征圖進行最大池化，并將池化后的結果進行合并；

S5：將主干特征網絡中大殘差塊獲取的后四層特征圖進行特征融合處理；

S6：將步驟S5特征融合后的四層特征圖通過四個不同尺寸大小的YOLO檢測頭進行結果預測，對目標位置和類別進行預測，利用損失函數訓練模型；

S7：將模型訓練生成的最優權重用于模型中，將測試集圖片放入模型中進行測試，獲得最終的檢測結果。

2.根據權利要求1所述的基于改進YOLOv4的遮擋行人實時檢測方法，其特征在于，步驟S3具體包括：利用CSPdarkNet53主干特征提取網絡對輸入圖片進行特征提取；其中，CSPdarknet53由5個CSPNet結構的大殘差塊即CSP塊堆疊而成，在每個CSP塊中加入通道注意力模塊；進行特征提取：從第二個CSP塊到第四個CSP塊獲得的特征圖對應為P2、P3、P4、P5。

3.根據權利要求2所述的基于改進YOLOv4的遮擋行人實時檢測方法，其特征在于，步驟S5具體包括：將步驟S4獲得的特征圖與P2、P3、P4，通過改進的PANet網絡進行特征的融合處理；其中，改進的PANet網絡是將PANet中的五層堆疊卷積替換為Res_C模塊，Res_C模塊中引入CBAM注意力機制和基本殘差網絡，同時將模塊中3×3標準卷積替換為深度可分離卷積。

4.根據權利要求1所述的基于改進YOLOv4的遮擋行人實時檢測方法，其特征在于，步驟S6中，四個不同尺寸大小的YOLO檢測頭具體為：設輸入圖片尺寸N*N，通道數為3，各分支分別輸出(M*M*(4+1+C))，N為輸入圖片尺寸，M為不同尺度的特征層預測的結果，4和1分別是預測框的坐標和置信度，C為檢測類別。

5.根據權利要求1所述的基于改進YOLOv4的遮擋行人實時檢測方法，其特征在于，步驟S6中，所述損失函數由回歸損失、置信度損失和分類損失三部分構成；利用二元交叉熵損失計算置信度損失和分類損失；選擇CIOU作為回歸損失，CIOU損失函數的公式如下：

其中，l_CIOU表示CIOU損失，ρ²(b,b^gt)表示預測框和真實框的中心點的歐式距離，b表示預測框，b^gt表示真實框，c表示能夠同時包含預測框和真實框的最小閉包區域的對角線距離；α和v的公式如下：

其中，w和h分別為預測框的寬度和高度，w^gt和h^gt分別為真實框的寬度和高度；v表示一個懲罰因子，用于測量寬高比的一致性；α是一個用于權衡的參數；

最終的損失函數如公式(4)所示：

其中，S×S表示輸入被劃分為S×S網格單元；N為每個網格單元中錨框的個數；表示如果在(i，j)處的標記框中有目標，其值為1，否者為0；表示如果在(i，j)處的標記框中沒有目標，其值為1，否者為0；λ_coord和λ_noobj是懲罰因素；p(c)為對象屬于c類的概率，表示對象不屬于c類的概率，class表示要檢測的目標類別；C_i表示i網格單元格包含對象的置信度，表示i網格單元格沒有包含對象的置信度。

6.根據權利要求1所述的基于改進YOLOv4的遮擋行人實時檢測方法，其特征在于，步驟S7具體包括：將測試集圖片放入訓練好的模型中，獲得預測結果參數后去調整先驗框，然后將調整好的預測框根據設定的閾值進行非極大抑制，獲得最終的預測結果，最后在檢測圖中畫出預測框；利用步驟S6獲得的預測結果和置信度，通過預測參數去調整先驗框獲得最終的預測框，然后根據置信度進行非極大抑制去除IOU大于所設閾值的檢測框。