一种基于YOLOv5改进的行人检测算法制造技术

本发明专利技术属于深度学习中的目标检测技术领域，公开了一种基于YOLOv5改进的行人检测算法，将复杂的网络模块化，具体包括特征提取网络、特征融合网络和网络的检测头；利用特征提取网络提取图像的不同深度特征；利用特征融合网络先从顶层特征向底层特征融合，再从底层特征向顶层特征融合；利用网络的检测头检测小、中、大目标，并输出3个特征向量进行通道上的堆叠，再通过非极大值抑制操作得到检测结果。本发明专利技术解决了现有的YOLOv5模块不能表现出很好的泛化性能的问题。的泛化性能的问题。的泛化性能的问题。

【技术实现步骤摘要】
一种基于YOLOv5改进的行人检测算法


[0001]本专利技术属于深度学习中的目标检测
，具体涉及一种基于YOLOv5改进的行人检测算法。

技术介绍

[0002]随着人工智能领域的快速发展，特别是卷积神经网络(一种高效识别方法)的崛起，使得目标检测技术得到较为突出的发展，也受到了更多的关注。目前，目标检测领域已经有相对成熟的算法，例如Faster
‑
RCNN(Ren S,HeK,Girshick R,et al.Faster R
‑
CNN:Towards Real
‑
Time Object Detectionwith Region Proposal Networks[J].IEEE Transactions on Pattern Analysis&Machine Intelligence,2017,39(6):1137
‑
1149.)算法、YOLOv5。
[0003]目标检测技术中的行人检测，因其在许多领域(例如无人驾驶、人机交互、行人跟踪、智本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv5改进的行人检测算法，其特征在于：将复杂的网络模块化，具体包括特征提取网络、特征融合网络和网络的检测头；利用特征提取网络提取图像的不同深度特征；利用特征融合网络先从顶层特征向底层特征融合，再从底层特征向顶层特征融合；利用网络的检测头检测小、中、大目标，并输出3个特征向量进行通道上的堆叠，再通过非极大值抑制操作得到检测结果。2.根据权利要求1所述的一种基于YOLOv5改进的行人检测算法，其特征在于：特征提取网络和特征融合网络均包括多个卷积模块和C3模块，特征提取网络还包括一个特征金字塔模块。3.根据权利要求2所述的一种基于YOLOv5改进的行人检测算法，其特征在于：卷积模块均包括卷积层、BatchNormalization层和SILU激活函数。4.根据权利要求3所述的一种基于YOLOv5改进的行人检测算法，其特征在于：C3模块是一个残差网络结构，其BottleNeck的个数为3。5.根据权利要求4所述的一种基于YOLOv5改进的行人检测算法，其特征在于：C3模块的BottleNeck包括BottleNeck1和BottleNeck2两种形式，BottleNeck1为两个卷积模块构成的残差网络结构，BottleNeck2为两个卷积模块直接相连，没有残差连接。6.根据权利要求5所述的一种基于YOLOv5改进的行人检测算法，其特征在于：特征提取网络里的C3模块使用的是BottleNeck1，特征融合网络里的C3模块使用的是BottleNeck2。7.根据权利要求6所述的一种基于YOLOv5改进的行人检测算法，其特征在于：特征融合网络还包括CBAM模块。8.根据权利要求7所述的一种基于YOLOv5改进的行人检测算法，其特征在于：优化训练过程中的定位损失函数的定位损失度量标准为L
Loc
＝η1L
GIOU
+η2L
DIOU
；η1，η2满足如下条件，9.根据权利要求8所述的一种基于YOLOv5改进的行人检测算法，其特征在于：具体操作步骤如下，步骤一，先进行数据增强，再将图像输入网络；步骤二，将输入的图像调整到640
×
640
×
3，再输入到特征提取网络Backbone中，经过前两个卷积模块后，输出320
×
320
×
64的特征向量；步骤三，使用一个C3模块，输出160
×
160
×
128的特征向量；步骤四，使用一个卷积模块，输出80
×
80
×
256的特征向量；步骤五，使用一个C3模块，输出80
×
80
×
256的特征向量；步骤六，使用一个卷积模块，输出40
×
40
×
512的特征向量；步骤七，使用...

【专利技术属性】
技术研发人员：韦鹏程，曾玉山，
申请(专利权)人：重庆第二师范学院，
类型：发明
国别省市：