基于改进PF-YOLO的轻量化红外目标检测方法技术

本发明专利技术公开了一种基于改进PF

【技术实现步骤摘要】
基于改进PF
‑
YOLO的轻量化红外目标检测方法


[0001]本专利技术涉及红外目标检测
，具体涉及一种基于改进PF
‑
YOLO的轻量化红外目标检测方法。

技术介绍

[0002]红外成像技术具有穿透能力强，工作距离远，受天气影响较小，抗干扰能力强、且测量精度高、能昼夜工作等特点,因此，基于红外成像技术得到的图像进行目标检测得到了科研领域的广泛关注，市场对其的需求也随之增加。但是，目前多数的方法虽具有较高的准确率，但都是基于通用平台提出，对实时检测的要求低。而在其他应用领域，很多情况下方法只能部署在嵌入式平台，且对实时性有较高要求。因此，研究轻量化的红外目标检测方法成为近年来学界和工业界的又一研究热点。结合上述内容，考虑到方法的实时性、准确性等，YOLOv4
‑
Tiny是相对较优的选择。
[0003]然而，本申请专利技术人在实现基于YOLOv4
‑
Tiny的红外目标检测时发现，由于红外图像存在边缘模糊、遮挡严重、小目标识别困难等问题，直接使用该方法对红外图像进行检测的准确性并不理想。同时，尽管相比于YOLOv3、YOLOv5s等小模型，YOLOv4
‑
Tiny拥有更理想的参数量、检测速度等性能，但是仍然需要进一步对其进行轻量化操作。
[0004]综上所述，现有方法存在准确率较低、参数较多、实时性较差的问题。

技术实现思路

[0005]针对现有技术中的不足，本专利技术提供了一种基于改进PF/>‑
YOLO的轻量化红外目标检测方法，以解决现有技术中准确率较低、参数较多、实时性较差的问题。
[0006]本专利技术提供了一种基于改进PF
‑
YOLO的轻量化红外目标检测方法，包括如下步骤：
[0007]步骤1：对图像重新生成锚框，并对图像中的红外目标进行预处理；
[0008]步骤2：对步骤1处理后的图像进行特征提取，获取四类尺寸不同的特征图；
[0009]步骤3：对四类尺寸中尺寸最小的特征图进行增强感受野与增强目标特征处理；
[0010]步骤4：通过特征金字塔方法，将未经过步骤3处理的三类特征图与经过步骤3处理的特征图中包含的语义信息和位置信息进行双向传递与融合，获得两类尺寸不同的特征图；
[0011]步骤5：将步骤4中获得的两类特征图送入YOLO Head，并对YOLO Head输出的结果进行后处理，得到最终的红外目标检测结果。
[0012]进一步地，所述步骤1中，通过K
‑
means聚类方法针对图像重新生成锚框。
[0013]进一步地，所述步骤1中，红外目标预处理过程中包括Mosaic增强过程。
[0014]进一步地，所述步骤2中，通过特征提取网络CSPDarkNet53_Tiny作为主干网络，对步骤1处理后的图像进行特征提取。
[0015]进一步地，所述步骤3中，对特征图先进行增强目标特征处理，再进行增强感受野。
[0016]进一步地，所述步骤3中，通过通道注意力机制增强目标特征，再通过空间金字塔
池化方法增强网络感受野。
[0017]进一步地，所述空间金字塔池化方法中的卷积为深度可分离卷积。
[0018]进一步地，所述步骤4中，所述特征金字塔方法为改进的特征金字塔方法，具体为：在特征金字塔方法中增加一条自底向上的金字塔结构，即增加一条融合路径；特征金字塔方法中的卷积为深度可分离卷积。
[0019]进一步地，所述步骤5中，通过soft
‑
nms算法对YOLO Head输出的结果进行处理。
[0020]本专利技术的有益效果：
[0021]本专利技术在实时性相对较好的单阶段方法中，选用YOLOv4
‑
Tiny作为基础方法，以确保基础方法的实时性。
[0022]本方法使用K
‑
means聚类方法重新生成锚框Anchor，使得锚框与实际物体大小更加吻合。
[0023]同时，本专利技术在基础方法之上，采用较为不同的增强模块次序。先将主干网络的输出送入视觉注意力机制SE以提升目标定位能力，再将经视觉注意力机制SE的输出送入空间金字塔池化模块SPP以增强模型感受野，相比于原来的顺序，调换后就是会增强目标的特征信息，让最终的准确率上升，并输出四类尺寸的不同的特征图，为后续操作提供更多的可利用信息。且为满足轻量化方法的需求，本专利技术将SPP模块中的卷积替换为具有不同扩张率的深度可分离卷积。
[0024]其次，受路径聚合网络PANet的双向信息传输思想的启发，提出P
‑
FPN方法，即改进的特征金字塔方法，使用深度可分离卷积的同时，传递语义信息及位置信息，提高检测精度。
[0025]在对特征图进行后处理时，soft
‑
NMS算法被用以减少目标间遮挡造成的漏检、误检问题的出现。
[0026]本专利技术有效的解决了现有技术中准确率较低、参数较多、实时性较差的问题。
附图说明
[0027]通过参考附图会更加清楚的理解本专利技术的特征和优点，附图是示意性的而不应理解为对本专利技术进行任何限制，在附图中：
[0028]图1是本专利技术具体实施例中PF
‑
YOLO的网络架构示意图；
[0029]图2是YOLOv4
‑
Tiny的网络架构示意图；
[0030]图3是本专利技术具体实施例中图像预处理方法Mosaic示意图；
[0031]图4是YOLOv4
‑
Tiny的组成部分Res_Block模块的结构示意图
[0032]图5是本专利技术具体实施例中通道注意SE Block与空间金字塔池化方法SPP的结构示意图；
[0033]图6是本专利技术具体实施例中将空间金字塔池化方法SPP中的常规卷积替换为深度可分离卷积的结构示意图；
[0034]图7是本专利技术具体实施例中特征传递模块P
‑
FPN的结构示意图；
[0035]图8是本专利技术具体实施例中后处理算法soft
‑
nms的解释示意图。
具体实施方式
[0036]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0037]下面结合具体实施例，进一步阐明本专利技术。本领域的技术人员应该了解这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围，对本专利技术的各种等价形式的修改均落于本申请所附权利要求书所限定的范围。
[0038]本专利技术提供了一种基于改进PF
‑
YOLO的轻量化红外目标检测方法，本专利技术的网络架构如图1所示，包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进PF
‑
YOLO的轻量化红外目标检测方法，其特征在于，包括如下步骤：步骤1：对图像重新生成锚框，并对图像中的红外目标进行预处理；步骤2：对步骤1处理后的图像进行特征提取，获取四类尺寸不同的特征图；步骤3：对四类尺寸中尺寸最小的特征图进行增强感受野与增强目标特征处理；步骤4：通过特征金字塔方法，将未经过步骤3处理的三类特征图与经过步骤3处理的特征图中包含的语义信息和位置信息进行双向传递与融合，获得两类尺寸不同的特征图；步骤5：将步骤4中获得的两类特征图送入YOLO Head，并对YOLO Head输出的结果进行后处理，得到最终的红外目标检测结果。2.如权利要求1所述的基于改进PF
‑
YOLO的轻量化红外目标检测方法，其特征在于，所述步骤1中，通过K
‑
means聚类方法针对图像重新生成锚框。3.如权利要求1或2所述的基于改进PF
‑
YOLO的轻量化红外目标检测方法，其特征在于，所述步骤1中，红外目标预处理过程中包括Mosaic增强过程。4.如权利要求1所述的基于改进PF
‑
YOLO的轻量化红外目标检测方法，其特征在于，所述步骤2中，通过特征提取网络CSPDa...

【专利技术属性】
技术研发人员：王琦，李文博，高尚，于化龙，崔弘杨，陈建军，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：