一种基于YOLOv3-Tiny的运动目标检测方法技术

本发明专利技术公开了一种基于YOLOv3‑Tiny的运动目标检测方法，包括如下步骤：采集非理想条件下目标的图像特征信息，制作目标数据集；改进YOLOv3‑Tiny算法；训练样本，迭代得到单类目标检测的YOLOv3‑Tiny网络模型；图像输入和图像检测。根据改进后算法所得到的检测结果，可以确定不仅提升了算法的准确性与实时性，还降低了实际应用中对硬件的要求，保证能够在低成本的条件下很好的完成实际应用中非理想条件下的目标检测任务。

【技术实现步骤摘要】
一种基于YOLOv3-Tiny的运动目标检测方法
本专利技术属于当前火热的深度学习下的计算机视觉方向，而计算机视觉又有四个基本任务：图像分类、物体检测、语义分割、实例分割。本专利技术属于物体检测领域，主要是通过深度学习算法，进行端到端的解决问题，即输入图像到输出结果一步完成。目标检测的大致流程是，首先识别图像中我们所需要的目标类别，再得出此目标在图像中的位置。
技术介绍
目标检测(ObjectDetection)是计算机视觉领域的基本任务之一，近些年随着神经网络的火热发展，基于深度学习的目标检测算法也蓬勃发展起来。基于深度学习检测算法采用端到端的解决方式，即输入图像到输出任务结果一步完成，有效提高了解决问题的效率。但在实际检测运动目标过程中，会存在硬件技术的限制及目标遮挡、多目标干扰等复杂因素，因此在检测的准确性和实时性上存在很大的提升空间。YOLOv3是YOLO目标检测算法的第三个改进版本，其在检测精度与速度上照比其他算法都有大幅度的提升，是当前目标检测领域之首选。YOLOv3-Tiny在基本保留YOLOv3原有性能的基础上，对网络结本文档来自技高网...

【技术保护点】
1.一种基于YOLOv3-Tiny的运动目标检测方法，其特征在于，包括以下步骤：/nS1：获取训练样本，采集目标的图像特征信息，制作目标数据集；/nS2：改进YOLOv3-Tiny网络模型：/nS2-1：改变评价指标，利用GIoU取代IoU评价指标；/nS2-2：优化YOLOv3-Tiny的网络结构，将卷积层与BN层合并；/nS3：模型训练及输出，利用步骤S1中的训练样本对步骤2中改进的网络模型进行训练，迭代得到单类目标检测的YOLOv3-Tiny网络模型；/nS4：图像输入，利用无人机机载摄像头拍摄地面运动目标的图像；/nS5：图像检测，利用S3中改进网络模型对S4中的图像进行检测得出结果图...

【技术特征摘要】
1.一种基于YOLOv3-Tiny的运动目标检测方法，其特征在于，包括以下步骤：
S1：获取训练样本，采集目标的图像特征信息，制作目标数据集；
S2：改进YOLOv3-Tiny网络模型：
S2-1：改变评价指标，利用GIoU取代IoU评价指标；
S2-2：优化YOLOv3-Tiny的网络结构，将卷积层与BN层合并；
S3：模型训练及输出，利用步骤S1中的训练样本对步骤2中改进的网络模型进行训练，迭代得到单类目标检测的YOLOv3-Tiny网络模型；
S4：图像输入，利用无人机机载摄像头拍...

【专利技术属性】
技术研发人员：吴坤，强祺昌，蔡志浩，赵江，王英勋，曾逸文，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11