[发明专利]基于YOLOv4算法的智慧执法多尺度目标检测方法、装置、系统及存储介质

权利要求书

1.一种基于YOLOv4算法的智慧执法多尺度目标检测方法，其特征在于，包括以下步骤：

数据收集步骤：收集多尺度物体目标场景所在地不同时间点及不同角度的视频图像数据；

数据整合步骤：将收集到的视频图像数据进行整合；

数据标注步骤：对整合后的视频图像数据进行标注并形成源数据；

数据划分步骤：将所述源数据按照预设比例划分，分为训练数据集和验证数据集；

多尺度特征图分配步骤：针对图片数据集采用K-means聚类算法得到先验框的尺寸，按照不同尺度聚类出9种尺寸的先验框；

YOLOv4模型训练步骤：利用YOLOv4对所述训练数据集进行训练学习，操作如下：①将提取到的9种尺寸特征图输入到CSPDarknet53主干网络中，其中CSPDarknet53是在YOLOv3的Darknet53主干网络的基础上添加CSPNet网络；②将多尺度的特征输入到SPPNet网络中；③接着通过PANet路径聚合网络加快浅层特征和深层特征的信息融合，得到不同尺度的融合特征；④最终通过全连接层输出训练结果；⑤根据相应结果计算损失函数值，根据损失函数值的下降趋势调节学习率和批处理的大小，直到训练数据集输出的损失函数值小于等于阈值或达到设置的最大迭代次数时停止训练，得到训练好的网络模型，记为预测模型；

YOLOv4模型验证步骤：通过所述验证数据集对所述预测模型进行验证，经过模型评估筛选出预测性能最优的模型，记为最终模型；

目标检测步骤：利用所述最终模型对所述多尺度物体目标场景进行监测，当监测到特定目标物体时，生成告警信息。

2.如权利要求1所述的基于YOLOv4算法的智慧执法多尺度目标检测方法，其特征在于，在所述数据收集步骤中，所述多尺度物体目标场景为交通执法监控管理区；所述不同时间点至少包括上午拥堵、上午通畅、下午拥堵、下午通畅、晚上拥堵和晚上通畅6个时间点；所述视频图像数据中的物体包括：小车、警车、出租车、面包车、公交车、小巴车、客运大巴车、单人电动车、快递电动车、货车、环卫车、油罐车、工程车、消防车、救护车、警用摩托车、其他非机动车和行人中的任意组合。

3.如权利要求1所述的基于YOLOv4算法的智慧执法多尺度目标检测方法，其特征在于，在所述数据整合步骤中，将收集到的视频图像数据放在同一个文件夹内；在所述YOLOv4模型验证步骤中，通过三个指标进行模型评估，包括：召回率、精确率和平均精度均值。

4.如权利要求2所述的基于YOLOv4算法的智慧执法多尺度目标检测方法，其特征在于，在所述数据标注步骤中，对整合后的视频图像数据进行标注并形成源数据，标注的范围包括：图像所在位置、图像名称、图像宽高、图像维度、标注的物体名称以及bbox的xy坐标值；所述标注的物体名称包括：小车、警车、出租车、面包车、公交车、小巴车、客运大巴车、单人电动车、快递电动车、货车、环卫车、油罐车、工程车、消防车、救护车、警用摩托车、其他非机动车和行人中的任意组合。

5.如权利要求1所述的基于YOLOv4算法的智慧执法多尺度目标检测方法，其特征在于，在所述数据划分步骤中，所述训练数据集和所述验证数据集的比例为3:1、7:3、8:2或者为98:2。

6.如权利要求1所述的基于YOLOv4算法的智慧执法多尺度目标检测方法，其特征在于，在所述多尺度特征图分配步骤中，采用K-means聚类得到先验框的尺寸，为每种下采样尺度设定3种先验框，总共聚类出9种尺寸的先验框；在COCO数据集这9个先验框分别是：(10x13)，(16x30)，(33x23)，(30x61)，(62x45)，(59x119)，(116x90)，(156x198)和(373x326)；动态分配上，13x13特征图应用先验框(116x90)，(156x198)，(373x326)；26x26特征图应用先验框(30x61)，(62x45)，(59x119)；52x52特征图应用先验框(10x13)，(16x30)，(33x23)。