【技术实现步骤摘要】
一种基于YOLOv3的轻量级框架改进的目标识别方法
本专利技术涉及计算机视觉和深度学习领域，特别是涉及一种基于YOLOv3的轻量级框架改进的目标识别方法。
技术介绍
现今无人驾驶技术发展愈发成熟，在自动驾驶过程中对环境信息进行实时获取并处理一直以来是研究的重点，无人驾驶技术是通过行车记录仪等摄像头工具对采集到的实时路况视频图像(包括行人、车辆、交通标志等信息)经过模型化处理得到汽车线控状态参数，再将此参数输入到车辆的决策和控制网络模型中，以进行车辆行为的决策控制。而目标检测是行为决策的前提，基于深度学习的目标检测方法不仅要保证多目标检测分类的准确性，还要满足实时性处理需求。目前主流的基于机器学习的目标检测方法主要分为以区域提名(RegionProposal)为思想和以回归方法为基础的两大类方法。基于区域提名的方法主要有R_CNN、SPP_Net、FastR_CNN、FasterR_CNN等方法。R_CNN方法存在候选框数量众多且重复计算导致计算量大的问题，从而导致运行速度慢，FastR_CNN方法利用共享特征层的方法...
【技术保护点】
1.一种基于YOLOv3的轻量级框架改进的目标识别方法，其特征在于：包括如下步骤：/nS1、在不同的路况、行车环境和天气条件下采集车辆、行人和交通环境图片，制作初始样本数据集；/nS2、对初始样本数据集中的图片数据进行预处理以及数据增强，得到目标识别样本数据集；/nS3、将得到的目标识别样本数据集划分为训练集和测试集两部分；/nS4、在YOLOv3-tiny方法框架中嵌入SENet结构，得到YOLOv3-tiny-SE网络模型；/nS5、在训练集上训练YOLOv3-tiny-SE网络模型；/nS6、在测试集上测试YOLOv3-tiny-SE性能；/nS7、将步骤S6得到的Y...
【技术特征摘要】
1.一种基于YOLOv3的轻量级框架改进的目标识别方法，其特征在于：包括如下步骤：
S1、在不同的路况、行车环境和天气条件下采集车辆、行人和交通环境图片，制作初始样本数据集；
S2、对初始样本数据集中的图片数据进行预处理以及数据增强，得到目标识别样本数据集；
S3、将得到的目标识别样本数据集划分为训练集和测试集两部分；
S4、在YOLOv3-tiny方法框架中嵌入SENet结构，得到YOLOv3-tiny-SE网络模型；
S5、在训练集上训练YOLOv3-tiny-SE网络模型；
S6、在测试集上测试YOLOv3-tiny-SE性能；
S7、将步骤S6得到的YOLOv3-tiny-SE网络模型在测试集上的性能测试结果与YOLOv3-tiny进行性能比较，得到性能比较的结果。
2.根据权利要求1所述的基于YOLOv3的轻量级框架改进的目标识别方法，其特征在于：步骤S1具体包括：
S11、开启行车记录仪或者车辆自行安装的高清摄像头，实时拍摄道路交通环境下的行车信息；
S12、将获取到的行车视频进行分帧处理，将每一帧的图像提取出来，得到不同行车环境下的行车图像序列集；
S13、对步骤S12得到的行车图像序列集进行筛选，选取不同光照条件、交通时段和环境背景下的行车图像；
S14、利用标注工具对选取的行车图像进行标注，框出目标区域，所述目标区域包括车辆、行人和交通标志，然后将目标区域打上标签，制作初始样本数据集。
3.根据权利要求1所述的基于YOLOv3的轻量级框架改进的目标识别方法，其特征在于：步骤S2具体包括：对步骤S1得到的初始样本数据集通过平移、旋转、调整饱和度和曝光量以及添加噪声操作，对待识别目标的特征参数进行处理，得到完备样本数据集。
4.根据权利要求1所述的基于YOLOv3的轻量级框架改进的目标识别方法，其特征在于...
【专利技术属性】
技术研发人员：陈名松，张泽功，吴泳蓉，吴冉冉，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西;45
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。