[發(fā)明專利]一種基于改進YOLOv4的交通目標(biāo)檢測方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202210077528.3
• 申請日: 2022-01-24
• 公開（公告）號: CN114495029B
• 公開（公告）日: 2023-07-21
• 發(fā)明（設(shè)計）人: 袁小平;王準;趙耀;倪梓昂;李元博;孫樂義
• 申請（專利權(quán)）人: 中國礦業(yè)大學(xué)
• 主分類號: G06V20/54
• 分類號: G06V20/54;G06V10/762;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 成都方圓聿聯(lián)專利代理事務(wù)所(普通合伙) 51241
• 代理人: 鄧永紅

本發(fā)明公開了一種基于改進YOLOv4的交通目標(biāo)檢測方法及系統(tǒng)，所述檢測系統(tǒng)包括MobileViT?S主干網(wǎng)絡(luò)、SPP特征金字塔網(wǎng)絡(luò)、PANet特征加強網(wǎng)絡(luò)及目標(biāo)檢測頭，其中，所述PANet特征加強網(wǎng)絡(luò)及所述目標(biāo)檢測頭中使用的卷積為深度可分離卷積。本發(fā)明可用于智慧交通場景中的行人、車輛、交通信號燈目標(biāo)的檢測，在輕量化的基礎(chǔ)上實現(xiàn)了較高的檢測準確率，漏檢率低，檢測效果較好。

技術(shù)領(lǐng)域

本發(fā)明涉及計算機視覺的技術(shù)領(lǐng)域，特別涉及基于YOLOv4算法的目標(biāo)檢測的技術(shù)領(lǐng)域。

背景技術(shù)

隨著計算機視覺的飛速發(fā)展，目標(biāo)檢測逐漸應(yīng)用到人們的日常生活中，帶來了極大的便利。其中，為了解決復(fù)雜交通下的各種交通問題，對交通目標(biāo)進行檢測成了計算機視覺領(lǐng)域的一個研究重點。

交通背景下的目標(biāo)具有數(shù)量多、遮擋嚴重、小目標(biāo)居多的特點，在當(dāng)前背景下的目標(biāo)檢測往往會出現(xiàn)漏檢嚴重、檢測速率慢、難以部署的缺點。因此，對目標(biāo)檢測模型進行優(yōu)化，使之輕量化以易于部署、加快檢測速度、并且使之更適于檢測小目標(biāo)、降低漏檢率顯得格外重要。

對交通目標(biāo)檢測包括傳統(tǒng)方法和基于深度學(xué)習(xí)的目標(biāo)檢測方法，其中，傳統(tǒng)方法一般分為兩個步驟：首先人工提取圖像特征，然后輸入分類器進行分類識別，代表算法有SIFI、LBP、ORB等，傳統(tǒng)目標(biāo)檢測算法基于人工構(gòu)建特征實現(xiàn)，容易出現(xiàn)遺漏問題，且設(shè)計麻煩，檢測效果不好具體體現(xiàn)在檢測精度低、檢測速度慢、魯棒性差難以滿足任務(wù)要求。基于深度學(xué)習(xí)的目標(biāo)檢測方法分為兩大類：單階段(one-stage)目標(biāo)檢測算法和兩階段(two-stage)目標(biāo)檢測算法，其中，兩階段目標(biāo)檢測算法將目標(biāo)檢測任務(wù)分為兩個子任務(wù)，其一是目標(biāo)候選區(qū)域的生成，其二是基于目標(biāo)候選框信息生成預(yù)測框，代表算法有RCNN(Regionswith?CNN?features)、Fast-RCNN(Fast?Regions?with?CNN?features)、Faster-RCNN(Faster?Regions?with?CNN?features)，雖然兩階段目標(biāo)檢測算法具有較高的準確率，但模型較為復(fù)雜、運算速度慢。而單階段目標(biāo)檢測算法將候選框的生成和基于目標(biāo)候選框生成預(yù)測框的兩個任務(wù)合并為了一個端到端的回歸問題，在保持較高準確度的前提下，模型簡單且運算速度較快，代表算法有SSD(single?shot?multibox?detector)、YOLO(You?OnlyLook?Once)、YOLO9000、YOLOv2、YOLOv3、YOLOv4。

其中，雖然YOLOv4算法相比較其他各種算法具有最好的目標(biāo)檢測效果，但對于復(fù)雜交通背景下的目標(biāo)檢測效果仍然較差，存在小目標(biāo)漏檢嚴重，模型依然較為復(fù)雜且運算緩慢、難以部署到移動嵌入式設(shè)備，難以獲得最佳錨框(anchor?box)配置等缺陷。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)的缺陷，本發(fā)明的目的在于提出一種基于改進的YOLOv4的交通目標(biāo)檢測方法及系統(tǒng)，其可以解決現(xiàn)有技術(shù)中單階段目標(biāo)檢測算法中使用YOLOv4會產(chǎn)生的以下問題：(1)小目標(biāo)漏檢嚴重；(2)模型較為復(fù)雜、模型參數(shù)量較大、模型難以部署到移動嵌入式設(shè)備且運算速度慢；(3)所用K-Means聚類存在隨機性，難以得到最佳的錨框配置。

本發(fā)明的技術(shù)方案如下：

一種基于改進YOLOv4的交通目標(biāo)檢測系統(tǒng)，其包括MobileViT-S主干網(wǎng)絡(luò)、SPP特征金字塔網(wǎng)絡(luò)、PANet特征加強網(wǎng)絡(luò)及目標(biāo)檢測頭，其中，所述PANet特征加強網(wǎng)絡(luò)及所述目標(biāo)檢測頭中使用的卷積為深度可分離卷積。

根據(jù)本發(fā)明的一些優(yōu)選實施方式，所述目標(biāo)檢測系統(tǒng)還包括對所述MobileViT-S主干網(wǎng)絡(luò)的輸出圖像進行卷積處理后再輸入所述SPP特征金字塔網(wǎng)絡(luò)的第一卷積塊，對所述SPP特征金字塔網(wǎng)絡(luò)的輸出圖像進行拼接及卷積處理后再輸入所述PANet特征加強網(wǎng)絡(luò)的第一拼接卷積塊，所述第一卷積塊包括3個卷積單元，所述第一拼接卷積塊包括3個對拼接數(shù)據(jù)進行卷積處理的卷積單元，所述各卷積單元均包括一個卷積層、一個BN層及ReLU激活函數(shù)。