买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国科学院长春光学精密机械与物理研究所

摘要：本发明涉及一种基于YOLOv4改进算法的大视场目标检测方法，包括步骤：构建大视场图像数据集；对数据集中的源图像S进行图像预处理以及标注，将全部标注后的图像划分为训练集和测试集；构建改进的YOLOv4网络模型，模型包括高精度特征提取子网络、加强型特征多尺度融合子网络和轻量型目标分类子网络；利用训练集对改进的YOLOv4网络模型进行训练，训练后得到最优网络模型；将待识别的大视场图像输入到最优网络模型中，最优网络模型输出对应的大视场目标检测结果。本发明在提高检测精度和速度的同时，降低了对计算机硬件和算力的依赖，可以在无GPU的嵌入式设备上运行，节省了设备的存储空间，满足现实生活中目标检测速度的需求。

主权项：1.一种基于YOLOv4改进算法的大视场目标检测方法，其特征在于，包括以下步骤：步骤一：构建大视场图像数据集；步骤二：对所述大视场图像数据集中的源图像S进行局部颜色直方图匹配预处理，并对预处理后的图像进行标注，将全部标注后的图像划分为训练集和测试集；对所述大视场图像数据集中的源图像S进行局部颜色直方图匹配预处理的过程包括以下步骤：利用局部颜色直方图匹配的方法对所述大视场图像数据集中的源图像S进行图像质量增强；将所述源图像S划分为若干个面积相等的矩形块；分别与所述矩形块进行直方图对应，得到每一个所述矩形块的源图像的概率分布函数；根据每一个所述矩形块的源图像的概率分布函数得到所有对应矩形块的逆映射；根据各个矩形块的逆映射得到经过匹配后的图像T，该经过匹配后的图像T中的每个小块将作为改进的YOLOv4网络模型的输入；步骤三：构建改进的YOLOv4网络模型，所述改进的YOLOv4网络模型包括高精度特征提取子网络、加强型特征多尺度融合子网络和轻量型目标分类子网络，所述高精度特征提取子网络使用CSP结构对输入图像进行目标特征提取，在所述高精度特征提取子网络中，图像数据集通过图像增强和通道切割变换处理，以三通道的图像形式作为输入，将每组通道分成3等份，将3×3组通道构成3×3的矩阵；所述高精度特征提取子网络使用CSP结构对输入图像进行目标特征提取时，通过矩阵转置操作，将卷积分组特征转换位置后再平坦化，分回给各个组卷积作为下一层的输入；在每个通道用一个3×3卷积用来对空间区域范围进行特征提取，1×1标准卷积是将逐深度卷积所提取特征进行深度融合，同时在特征获取阶段和多尺度上采样前使用密集连接的网络结构，采用跳跃连接的方式整合每一阶段的特征，在各个输入端加上前一层的输出特征；所述加强型特征多尺度融合子网络包括三个多尺度融合预测网络层，结合密集连接对提取的目标特征进行多尺度融合预测，得到三个尺度的融合特征，三个所述多尺度融合预测网络层的尺度分别为14×14、28×28、56×56，在三个所述多尺度融合预测网络层的支路上设计密集连接的卷积形式，它们之间用由1×1大小的点卷积组成，增加密集连接后再进行上采样；所述轻量型目标分类子网络基于三个尺度的融合特征进行目标分类检测，所述轻量型目标分类子网络包括三个用于接收所述加强型特征多尺度融合子网络输出的融合特征的分类器，每一个所述分类器包括轻量化模块，所述轻量化模块包括全局平均池化层、卷积层和BN层，所述全局平均池化层的作用是将特征通道上的信息平均成一个值，所述BN层将提取到的目标进行归一化处理，同时进行特征权重的重映射；步骤四：初始化所述改进的YOLOv4网络模型的训练参数后，设置迭代次数和学习率，向初始化后的网络输入所述训练集，用一致性监督损失的反向梯度传播方法更新网络参数，以损失值和AP值作为评价指标，训练后得到最优网络模型；步骤五：将待识别的大视场图像输入到所述最优网络模型中，所述最优网络模型输出对应的大视场目标检测结果。

全文数据：

权利要求：

百度查询： 中国科学院长春光学精密机械与物理研究所 一种基于YOLOv4改进算法的大视场目标检测方法