一种基于改进YOLOV4的密集小目标检测方法与流程

一种基于改进yolov4的密集小目标检测方法
技术领域
1.本发明属于目标检测技术领域和人工智能领域，具体涉及一种基于改进yolov4的密集小目标检测方法。


背景技术：

2.目标检测是计算机视觉领域的基本任务之一，不仅需要对目标对象进行分类，而且需要预测目标对象所在位置。随着深度学习技术的发展以及深度神经网络在目标检测领域的广泛应用，当前目标检测技术在计算机视觉领域已经取得了相当不错的效果。然而在实际应用场景中，目标大多小而密集且存在目标高度重叠问题，现有目标检测技术其检测精度并不能满足实际需求，密集小目标检测仍然是具有挑战性的任务。
3.随着人工智能的高速发展，密集小目标检测方法现已在日常生活安全、交通场景检测、遥感图像检测、医学图像检测以及自动驾驶等领域有了初步的应用。因此有必要对密集小目标检测方法进行优化处理，生成更好的特征提取策略，建立最优的密集小目标检测模型，有效地提高密集小目标检测精度，为各种应用领域提供更好地服务。


技术实现要素：

4.为了解决传统密集小目标检测方法存在的检测精度低、易漏检误检问题，本发明提供了一种基于改进yolov4的密集小目标检测方法。通过应用改进yolov4密集小目标检测方法的数据预处理机制以及特征提取策略生成最优的密集小目标检测模型，丰富目标实例特征的语义信息，有效地提高密集小目标检测精度。
5.为实现上述目的，本发明技术方案主要包括如下步骤：
6.1.建立密集小目标数据预处理机制：
7.通过mosaic数据增强方法对密集小目标检测数据集在数据广度层面进行数据特征融合处理，丰富检测物体的密集程度以及检测物体的背景信息和目标信息，最后对mosaic数据增强方法处理后的数据集进行密集小目标检测数据处理，使密集小目标数据集分布满足标准正态分布。
8.2.采用改进yolov4密集小目标检测方法生成最优检测模型：
9.(1)改进yolov4密集小目标检测方法将每张图像数据均匀划分为s
×
s的网格，并且每张图像数据的每个网格由b个边界框来进行预测；设定改进yolov4密集小目标检测方法中每张图像数据中目标实例位置标签为目标实例分类标签为目标实例置信度标签为目标实例预测位置结果为{xi，yi，wi，hi}，目标实例预测分类结果为pi(c)，目标实例预测置信度结果为ci；
10.(2)加载图像分类网络模型进行微调，之后进行密集小目标检测迭代训练，设定最大迭代次数为d，在每轮迭代中对图像数据集进行特征提取进行目标检测，之后通过损失函数l
yolo
计算该轮迭代损失，最后使用随机梯度优化器对模型参数进行优化；
11.(3)将本次迭代所得检测模型与目前最优检测模型进行对比，选择检测精度更优的检测模型作为当前最优检测模型并且进行迭代训练；
12.(4)重复步骤(2)、(3)，直到满足最大迭代次数d，密集小目标检测模型训练结束，得到最优密集小目标检测模型。
13.本发明的有益效果是：为了解决传统密集小目标检测方法存在的检测精度低、易漏检误检问题，通过应用改进yolov4密集小目标检测方法的数据预处理机制以及特征提取策略生成最优的密集小目标检测模型，丰富目标实例特征的语义信息，有效地提高密集小目标检测精度。
附图说明
14.图1是本发明的模型结构图
具体实施方式
15.下面结合图1对本发明作进一步详细的描述：
16.1.建立密集小目标数据预处理机制：
17.通过mosaic数据增强方法对密集小目标检测数据集在数据广度层面进行数据特征融合处理，丰富检测物体的密集程度以及检测物体的背景信息和目标信息，最后对mosaic数据增强方法处理后的数据集进行密集小目标检测数据处理，使密集小目标数据集分布满足标准正态分布。
18.2.采用改进yolov4密集小目标检测方法生成最优检测模型：
19.(1)改进yolov4密集小目标检测方法将每张图像数据均匀划分为s
×
s的网格，并且每张图像数据的每个网格由b个边界框来进行预测；设定改进yolov4密集小目标检测方法中每张图像数据中目标实例位置标签为目标实例分类标签为目标实例置信度标签为目标实例预测位置结果为{xi，yi，wi，hi}，目标实例预测分类结果为pi(c)，目标实例预测置信度结果为ci；
20.(2)加载图像分类网络模型进行微调，之后进行密集小目标检测迭代训练，设定最大迭代次数为d，在每轮迭代中对图像数据集进行特征提取进行目标检测，之后通过损失函数l
yolo
计算该轮迭代损失，最后使用随机梯度优化器对模型参数进行优化；
21.损失函数l
yolo
的计算公式为：
[0022][0023][0024]
[0025]
l
yolo
＝l
loc
l
conf
l
obj
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0026]
其中，l
loc
、l
conf
、l
obj
分别为目标定位损失、目标置信度损失以及目标分类损失，总的损失l
yolo
为三个损失之和；为了更好地进行目标检测回归训练以及平衡各项损失的比重，损失函数增加较大的权重λ
loc
＝5于目标定位损失，对于不含检测目标的置信度损失给予较小的权重λ
noobj
＝0.5；表示图像第i个网格中第j个边界框负责预测目标时值为1，否则为0；表示图像第i个网格中第j个边界框不负责预测目标时值为1，否则为0；表示图片第i个网格中存在预测目标时值为1，否则为0；
[0027]
(3)将本次迭代所得检测模型与目前最优检测模型进行对比，选择检测精度更优的检测模型作为当前最优检测模型并且进行迭代训练；
[0028]
(4)重复步骤(2)、(3)，直到满足最大迭代次数d，密集小目标检测模型训练结束，得到最优密集小目标检测模型。
[0029]
以上所述，仅是本发明的较佳实施例，任何熟悉本专业的技术人员可能利用上述阐述的技术方案加以改型或变更为等同变化的等同实例。凡未脱离本发明技术方案内容，依据发明的技术方案对上述实施例进行的任何简单修改、变更或改型，均属于发明技术方案的保护范围。


技术特征：
1.一种基于改进yolov4的密集小目标检测方法，其特征在于，包括以下步骤：通过mosaic数据增强方法对密集小目标检测数据集在数据广度层面进行数据特征融合处理，丰富检测物体的密集程度以及检测物体的背景信息和目标信息，最后对mosaic数据增强方法处理后的数据集进行密集小目标检测数据处理，使密集小目标数据集分布满足标准正态分布；应用改进yolov4密集小目标检测方法优化图像数据特征提取策略，丰富目标实例特征的语义信息，之后对密集小目标检测数据集进行迭代训练，使用随机梯度优化器对模型参数进行优化，将所得检测模型与目前最优检测模型进行对比，选择检测精度更高的模型作为当前最优检测模型并且继续进行迭代训练，经过多轮迭代训练之后生成最优密集小目标检测模型。

技术总结
本发明公开了一种基于改进YOLOV4的密集小目标检测方法，其特征在于通过Mosaic数据增强方法对密集小目标检测数据集在数据广度层面进行数据特征融合处理，丰富检测物体的密集程度以及检测物体的背景信息和目标信息，最后对Mosaic数据增强方法处理后的数据集进行密集小目标检测数据处理，使密集小目标数据集分布满足标准正态分布；应用改进YOLOV4密集小目标检测方法优化图像数据特征提取策略，丰富目标实例特征的语义信息，之后对密集小目标检测数据集进行迭代训练，使用随机梯度优化器对检测模型参数进行优化，将所得检测模型与目前最优检测模型进行对比，选择检测精度更高的模型作为当前最优检测模型并且继续进行迭代训练，经过多轮迭代训练之后生成最优密集小目标检测模型。本发明利用改进YOLOV4密集小目标检测方法的数据预处理机制以及特征提取策略生成最优的密集小目标检测模型，丰富目标实例特征的语义信息，有效地提高密集小目标检测精度。有效地提高密集小目标检测精度。有效地提高密集小目标检测精度。


技术研发人员：李克文 杨建涛 张敏 李绍辉 王晓晖
受保护的技术使用者：中国石油大学（华东）
技术研发日：2021.10.13
技术公布日：2022/1/14