[发明专利]一种基于改进YOLO v4算法的目标检测方法

说明书

本发明公开了一种基于改进YOLO v4算法的目标检测方法，包括：获取安全帽检测数据集SHWD，并对安全帽检测数据集SHWD进行数据扩充得到样本集；基于YOLO v4算法构建改进型YOLO v4网络结构，得到改进YOLO v4算法；利用样本集对改进YOLO v4算法进行训练，将训练后最佳的权重文件加载至改进YOLO v4算法得到目标检测网络；针对获取的待分类图像，采用所述目标检测网络输出对应的目标检测结果。本发明的方法具有较高的检测速度和小目标检测精度。

技术领域

本申请属于计算机视觉技术领域，具体涉及一种基于改进YOLO v4算法的目标检测方法，可以应用于各类施工现场用于实时安全帽佩戴检测。

背景技术

目标检测作为计算机视觉领域的研究热点，学术界已有将近二十年的研究历史。近些年随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。然而，目标检测如安全帽检测方面仍有诸多问题亟待解决。

传统的目标检测算法的核心思想是在多尺度图像上应用多尺度窗口进行滑窗，每个roi(滑动窗口)位置提取出固定长度的特征向量，然后采用SVM进行学习判别，这在小数据上比较奏效，然而这种方法有很多弊端。首先，滑动窗口的区域选择策略没有针对性，时间复杂度高，会造成大量冗余的预选框生成，导致学习效率低下，容易在分类出现大量的假正样本。另外，手工设计的特征对于多样性的变化没有很好的鲁棒性。

近年来人工智能发展迅速，机器视觉作为其重要的研究方向，也迎来了第三波热潮。目标检测作为计算机视觉领域的研究热点，学术界已有将近二十年的研究历史。近些年随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。从最初2013年提出的R-CNN、OverFeat，到后面的Fast/Faster R-CNN，SSD，YOLO系列，再到2018年最近的Pelee。短短不到五年时间，基于深度学习的目标检测技术，在网络结构上，从two stage到one stage，从bottom-up only到Top-Down，从single scale network到feature pyramid network，都涌现出许多好的算法技术，这些算法在开放目标检测数据集上的检测效果和性能都很出色。

YOLO系列算法作为one-stage算法的代表，将对象检测重新定义为一个回归问题。目前最新的YOLO v4算法在前代YOLO v3的基础上，AP和FPS分别提高了10％和12％，实现了精度与速度的双提升。然而，在实际应用中，YOLO v4仍然与大部分深度学习目标检测算法相同，在小目标检测上仍有所欠缺。

针对上述问题，对目标帽检测的研究需要提高小目标检测精度，同时，保证较高的检测速度。

发明内容

本申请的目的在于提供一种基于改进YOLO v4算法的目标检测方法，该方法具有较高的检测速度和小目标检测精度。

为实现上述目的，本申请所采取的技术方案为：

一种基于改进YOLO v4算法的目标检测方法，用于安全帽佩戴的实时检测，所述基于改进YOLO v4算法的目标检测方法，包括：

步骤S1、获取安全帽检测数据集SHWD，并对所述安全帽检测数据集SHWD进行数据扩充得到样本集；

步骤S2、基于YOLO v4算法构建改进型YOLO v4网络结构，得到改进YOLO v4算法；

步骤S3、利用所述样本集对所述改进YOLO v4算法进行训练，将训练后最佳的权重文件加载至改进YOLO v4算法得到目标检测网络；

步骤S4、针对获取的待分类图像，采用所述目标检测网络输出对应的目标检测结果，所述目标检测结果包括待分类图像中目标区域的位置以及每个目标区域对应的类别，其中目标区域的类别为佩戴安全帽或未佩戴安全帽；