[发明专利]基于改进YOLO-V3的目标检测系统、方法及终端

权利要求书

1.一种基于改进YOLO-V3的目标检测系统，其特征在于，包括：图像获取模块、图像预处理模块、darknet-39主干网络模块、多尺度卷积层特征组合模块、加权特征融合模块和预测模块，

所述图像获取模块用于获取待识别图像；

所述图像预处理模块用于对待识别图像进行预处理，得到预处理后的图像；

所述darknet-39主干网络模块是通过darknet-53主干网络进行改进得到darknet-39主干网络模型，采用darknet-39主干网络模型提取图像特征，得到5个不同尺度卷积层的特征图；

所述多尺度卷积层特征组合模块用于将5个不同尺度卷积层的特征图进行最优组合得到组合特征图；

所述加权特征融合模块用于对组合特征图进行加权特征融合；

所述预测模块用于采用YOLO-V3算法对融合后的特征图进行回归预测，得到目标检测结果；

所述darknet-39主干网络模块包括darknet-39主干网络训练单元，所述darknet-39主干网络训练单元在传统的YOLO-V3算法的主干网络中增加了2个卷积层，采用5个不同尺度卷积层特征图来进行目标检测；

获取数据集，将数据集划分为训练集、测试集和验证集，

在训练集上采用k-means聚类算法重新聚类边界框的坐标，计算出5个不同尺度卷积层特征图的15个边界框坐标。

2.如权利要求1所述的基于改进YOLO-V3的目标检测系统，其特征在于，所述图像预处理模块包括图像旋转单元和缩放单元，所述图像旋转单元用于对待识别图像进行随机水平/垂直翻转、裁剪；所述缩放单元用于对待识别图像进行尺度变换。

3.一种基于改进YOLO-V3的目标检测方法，其特征在于，包括：

获取待识别图像；

对待识别图像进行预处理，得到预处理后的图像；

采用训练好的darknet-39主干网络模型提取图像特征，得到5个不同尺度卷积层的特征图；

将不同尺度卷积层的特征图进行最优组合得到组合特征图；

对组合特征图进行加权特征融合；

采用YOLO-V3算法对融合后的特征图进行回归预测，得到目标检测结果；

还包括训练darknet-39主干网络模型的步骤，所述训练darknet-39主干网络模型的具体方法包括：

在传统的YOLO-V3算法的主干网络中增加了2个卷积层，采用5个不同尺度卷积层特征图来进行目标检测；

获取数据集，将数据集划分为训练集、测试集和验证集，

在训练集上采用k-means聚类算法重新聚类边界框的坐标，计算出5个不同尺度卷积层特征图的15个边界框坐标。

4.如权利要求3所述的基于改进YOLO-V3的目标检测方法，其特征在于，所述对待识别图像进行预处理的具体方法包括：

将待识别图像进行随机水平/垂直翻转、裁剪；

将所述待识别图像进行尺度变换。

5.一种智能终端，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，其特征在于，所述处理器被配置用于调用所述程序指令，执行如权利要求3-4任一项所述的方法。

6.一种计算机可读存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求3-4任一项所述的方法。