一种基于目标特性的分层可重构车载视频目标检测方法技术

本发明专利技术提供了一种车载视频目标快速检测方法，属于计算机视觉、深度学习技术领域，包括如下步骤：步骤一：制作样本集；步骤二：确定模型先验边界框的初始化参数；步骤三：构建改进的tiny‑yolo‑v2目标检测网络模型，将原始9层网络结构简化为7层结构的卷积神经网络模型，前6层均为网络结构块，最后1层为卷积层；步骤四：训练模型；步骤五：检测目标。通过上述方法，可以实现车载视频每帧图像中设定目标的快速检测，相比于原tiny‑yolo‑v2网络结构，减少了网络层数和全网络卷积核数，使得所构建网络在保证目标检测精度与tiny‑yolo‑v2一致的条件下，检测速度增加、占用存储空间与计算资源减少，可满足车载视频目标检测要求。

A hierarchical reconfigurable vehicle video target detection method based on target characteristics

【技术实现步骤摘要】
一种基于目标特性的分层可重构车载视频目标检测方法
本专利技术涉及计算机视觉、深度学习技术等领域，具体涉及一种基于目标类数、目标边框特性的分层可重构的改进tiny-yolo-v2车载视频目标检测方法。
技术介绍
深度神经网络在基于图像信息的目标检测方面正在获得越来越广泛的应用。与传统特征表达的方法相比，其特性的丰富性和健壮性表现突出，并且，可以在同一模型中通过学习，实现特征提取、选择和目标分类。基于深度神经网络的目标检测算法主要分成两类：(1)似物性采样目标检测网络，首先，利用特征相似性原理在图像中提取目标位置候选区域，然后，以候选区域为目标，学习分类网络模型；其代表网络包括：R-CNN，FastR-CNN，FasterR-CNN等。(2)回归目标检测网络，构造目标分类与边框定位误差的联合损失函数，直接通过学习回归网络模型；其代表网络包括：YOLO系列和SSD等。YOLO(YouOnlyLookOnce)是一种回归目标检测网络，其突出的特点在于速度快，但是，其检测精度稍低于似物性采样目标网络模型。YOLO系列包括：本文档来自技高网...

【技术保护点】
1.一种车载视频目标快速检测方法，其特征在于，包括如下步骤：/n步骤一：制作样本集/n采集包含A种特定目标类型的车载视频作为训练和测试的样本集，将视频拆分为连续图像帧，标注每帧图像中出现的上述A种特定目标的类别和位置，随机选取部分有效样本作为训练样本集，剩余样本作为测试样本集，用于网络训练和测试网络模型性能；其中，A为1-10之间的整数；/n步骤二：确定模型先验边框初始化参数/n在网络模型中引入先验边框机制，使用K-means聚类算法，统计训练样本集中的所述A类特定目标的边框宽和高的均值和分布，用于初始化目标边框参数值w和h，w和h分别表示目标边界框的宽和高；计算训练样本集中每类目标的真实边框...

【技术特征摘要】
1.一种车载视频目标快速检测方法，其特征在于，包括如下步骤：
步骤一：制作样本集
采集包含A种特定目标类型的车载视频作为训练和测试的样本集，将视频拆分为连续图像帧，标注每帧图像中出现的上述A种特定目标的类别和位置，随机选取部分有效样本作为训练样本集，剩余样本作为测试样本集，用于网络训练和测试网络模型性能；其中，A为1-10之间的整数；
步骤二：确定模型先验边框初始化参数
在网络模型中引入先验边框机制，使用K-means聚类算法，统计训练样本集中的所述A类特定目标的边框宽和高的均值和分布，用于初始化目标边框参数值w和h，w和h分别表示目标边界框的宽和高；计算训练样本集中每类目标的真实边框和先验边框的交并比IOU，其计算公式如下：



式中，Areaofoverlap是目标真实边框与先验边框的重叠部分面积；Areaofunion是目标真实边框与先验边框的总面积；
步骤三：构建改进的tiny-yolo-v2目标检测网络模型，所述网络模型包括如下内容：
(1)改进tiny-yolo-v2网络模型结构，构建含有7层结构的卷积神经网络，并对每一层结构的卷积核个数进行调整，前6层均为网络结构块，后1层为卷积层；前6层网络结构块可以从训练数据中习得深层目标特征，第7层的卷积层为回归模型；
(2)构建损失函数；
步骤四：配置网络训练和测试所需环境，训练网络模型；
步骤五：输入测试集的视频连续帧图像序列，加载步骤四训练所得网络模型，使用该模型检测测试样本集中的目标，利用非极大值抑制检测出测试样本中目标的位置和/或类别。


2.一种如权利要求1所述的车载视频目标快速检测方法，其特征在于，所述含有7层结构的tiny-yolo-v2卷积神经网络中，每个结构块中：
第一层为3×3卷积层，使用BatchNormalization归一化处理输入数据；
第二层为池化层，使用LeakyReLU激活函数处理，如式(2)所示：



其中，x为池化层中间数据，a取(1，+∞)区间内的任意数值。


3.一种如权利要求1所述的车载视频目标快速检测方法，其特征在于，所述构建损失函数包括：
在原有损失函数的基础上增加两个学习目标权重系数，构造新的网络学习损失函数如式(3)所示：
Loss＝λcoordLosscoord+Lossobj+λnoobjLossnoobj(3)
式中，λcoord为位置误差调整权重系数，λnoobj为不含目标边框置信度权重系数，Losscoord为位置误差损失函数，Lossobj为目标分类误差函数，Lossnoobj为不含目标边框损失函数；各类误差函数定义如式(4)-(6)所示：









式中，x、y、w、h分别为预测边框的中心坐标及其宽和高，分别为真值边框的中心坐标及其宽和高；Ci为预测边框内包含目标i的置信度，为真值边框包含目标i的置信度；pi(c)为预测边框的分类概率，为真值边框的分类概率；在第i个网格中第j个目标预测边框时为1，否则为0，在目标中心位于第i个网格时为1，否则为0。


4.一种如权利要求3所述的车载视频目标快速检测方法，其特征在于，所述损失函数式(3)...

【专利技术属性】
技术研发人员：郑可尧，赵雪梦，郑红，梁航，张栋，刘书珍，
申请(专利权)人：北航航空航天产业研究院丹阳有限公司，
类型：发明
国别省市：北京;11