[发明专利]一种基于改进YOLOv4的无人机航拍小目标检测方法

说明书

本发明公开一种基于改进YOLOv4的无人机航拍图像小目标检测方法，针对VisDrone数据集，首先对数据集进行统计及分析，然后建立改进的YOLOv4模型，骨干特征提取网络在CSPDarknet53的基础上构建MobileCSPDarknet‑tiny，加强特征提取网络在SPP与PANet的基础上构建ASPP与Bi‑PANet，最后训练模型并通过mAP及Totalparams评价目标检测性能。该方法在VisDrone数据集上的表现与原始的YOLOv4相比，mAP提高7.36％，参数量仅为原模型的24.49％，具有虚警率低、小目标识别率高的特点，适合于无人机图像的目标检测任务。

技术领域

本发明属于深度学习和目标检测技术领域，特别是一种基于改进YOLOv4的无人机航拍小目标检测方法。

背景技术

近年来，无人机技术不断发展，外形尺寸小，运动灵活的无人机被广泛应用于生活与生产之中，随着无人机承担任务的日益多样，对无人机航拍图像的目标检测不仅有利于保障无人机的飞行安全，保证任务的顺利执行，还能扩展对应用场景的理解，提升智能无人机的自主飞行能力。随着人工智能的快速发展，利用深度学习方法对图像进行处理与目标检测逐渐成为主流，基于深度学习方法的目标检测主要分为基于候选区域的二阶段法和基于回归的一阶段法，YOLO系列模型作为一阶段法的代表发展迅速，其中YOLOv4因其精度高、速度快的特点，成为目前检测效果最好的算法之一。

VisDrone是由天津大学机器学习和数据挖掘实验室的AISKYEYE团队基于不同无人机平台在不同高度不同位置采集得到，取材于14个不同的中国地区，图像包含了各种场景，各种天气和光照条件，是一个对算法设计极具挑战性的数据集。针对无人机视角航拍的特殊环境，基于YOLOv4的目标检测存在以下难题：1)目标尺寸小，密度大，背景复杂，目标信息与深度网络特征提取的矛盾突出，检测难度大；2)模型参数量大，复杂程度高，难以满足硬件需求。针对常规场景的目标检测模型在无人机航拍图像上的表现效果不佳，因此如何在提高检测精度的同时进一步压缩模型是本工作的关键难点。

发明内容

本发明的目的在于提供一种基于改进YOLOv4的无人机航拍小目标检测方法，旨在提高无人机航拍图像的目标检测精度，为无人机顺利完成任务提供保障。

实现本发明目的的技术解决方案为：

一种基于改进YOLOv4的无人机航拍小目标检测方法，包括如下步骤：

建立主干特征提取网络MobileCSPDarknet-tiny：

所述主干特征提取网络MobileCSPDarknet-tiny以CSPDarknet53为基础，去除第5个Resblock_body，并将剩余4个Resblock_body中的Resblock部分换做深度可分离模块，构造Mob_Resblock_body，以第2、3、4个Mob_Resblock_body的最后一层输出作为主干特征提取网络的输出，依次命名为out1，out2，out3；

建立加强特征提取网络ASPP+Bi-PANet：

所述加强特征提取网络ASPP+Bi-PANet首先分别为主干特征提取网络MobileCSPDarknet-tiny的三个输出out1，out2，out3各自添加了ASPP，其中然后在PANet的基础上，融合BiFPN思想，将上采样之后的通道堆叠和下采样之后的通道堆叠分别换成权重相加；

建立改进的YOLOv4模型：

改进的YOLOv4模型主要包括输入端、主干特征提取网络MobileCSPDarknet-tiny、加强特征提取网络ASPP+Bi-PANet以及分类回归层YOLO Head；

使用划分好的VisDrone数据集训练该模型。

本发明与现有技术相比，其显著优点是：