[发明专利]基于改进YOLO-V3的目标检测系统、方法及终端

说明书

本发明公开了一种基于改进YOLO‑V3的目标检测系统，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，darknet‑39主干网络模块采用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；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；加权特征融合模块用于对组合特征图进行加权特征融合；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。该系统网络模型较小，加快目标检测速度，增强了网络特征融合效果，实现了更好的检测结果。

技术领域

本发明涉及计算机视觉技术领域，具体涉及一种基于YOLO-V3的目标检测系统、方法及终端。

背景技术

YOLO(You Only Look Once)-V3是目前比较流行的object detection(目标检测)算法,速度快且稳定,但是YOLO-V3主干网络采用Darknet-53网络结构,参数量为65.86BFLOPs(Billion Float Point Operations)，模型参数较大，导致该算法在嵌入式设备运行时速度大大降低，无法达到实时检测效果。在416×416输入尺寸时，YOLO-V3用于提取特征的最小特征图尺寸为13×13，仍然偏大，造成YOLO-V3算子对中等或较大尺寸物体检测效果不好。YOLOv3利用来自不同层的多尺度特征图来预测不同大小的目标，融合高低层特征信息，虽然一定程度上提高了检测精度，但是却忽略了不同层的特征图贡献度往往不同这一特点，导致特征融合效果较差。

发明内容

针对现有技术中的缺陷，本发明实施例提供的一种基于YOLO-V3的目标检测系统、方法、终端及介质，目标检测速度快，提高了对中等或较大尺寸物体检测效果，提升YOLO-V3融合不同层特征图的融合效果，提升物体检出mAP指标。

第一方面，本发明实施例提供的一种基于YOLO-V3的目标检测系统，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。

第二方面，本发明实施例提供的一种基于改进YOLO-V3的目标检测方法，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。