[发明专利]一种基于YOLOv5改进的行人检测算法

权利要求书

1.一种基于YOLOv5改进的行人检测算法，其特征在于：将复杂的网络模块化，具体包括特征提取网络、特征融合网络和网络的检测头；利用特征提取网络提取图像的不同深度特征；利用特征融合网络先从顶层特征向底层特征融合，再从底层特征向顶层特征融合；利用网络的检测头检测小、中、大目标，并输出3个特征向量进行通道上的堆叠，再通过非极大值抑制操作得到检测结果。

2.根据权利要求1所述的一种基于YOLOv5改进的行人检测算法，其特征在于：特征提取网络和特征融合网络均包括多个卷积模块和C3模块，特征提取网络还包括一个特征金字塔模块。

3.根据权利要求2所述的一种基于YOLOv5改进的行人检测算法，其特征在于：卷积模块均包括卷积层、BatchNormalization层和SILU激活函数。

4.根据权利要求3所述的一种基于YOLOv5改进的行人检测算法，其特征在于：C3模块是一个残差网络结构，其BottleNeck的个数为3。

5.根据权利要求4所述的一种基于YOLOv5改进的行人检测算法，其特征在于：C3模块的BottleNeck包括BottleNeck1和BottleNeck2两种形式，BottleNeck1为两个卷积模块构成的残差网络结构，BottleNeck2为两个卷积模块直接相连，没有残差连接。

6.根据权利要求5所述的一种基于YOLOv5改进的行人检测算法，其特征在于：特征提取网络里的C3模块使用的是BottleNeck1，特征融合网络里的C3模块使用的是BottleNeck2。

7.根据权利要求6所述的一种基于YOLOv5改进的行人检测算法，其特征在于：特征融合网络还包括CBAM模块。

8.根据权利要求7所述的一种基于YOLOv5改进的行人检测算法，其特征在于：优化训练过程中的定位损失函数的定位损失度量标准为L_Loc＝η₁L_GIOU+η₂L_DIOU；

η₁，η₂满足如下条件，

9.根据权利要求8所述的一种基于YOLOv5改进的行人检测算法，其特征在于：具体操作步骤如下，

步骤一，先进行数据增强，再将图像输入网络；

步骤二，将输入的图像调整到640×640×3，再输入到特征提取网络Backbone中，经过前两个卷积模块后，输出320×320×64的特征向量；

步骤三，使用一个C3模块，输出160×160×128的特征向量；

步骤四，使用一个卷积模块，输出80×80×256的特征向量；

步骤五，使用一个C3模块，输出80×80×256的特征向量；

步骤六，使用一个卷积模块，输出40×40×512的特征向量；

步骤七，使用一个C3模块，输出40×40×512的特征向量；

步骤八，使用一个卷积模块，输出20×20×1024的特征向量；

步骤九，使用一个C3模块，输出20×20×1024的特征向量；

步骤十，使用一个特征金字塔模块，输出20×20×1024的特征向量；

步骤十一，步骤十输出的特征向量经过一个卷积模块和CBAM模块后，维度变为20×20×512，通过上采样，输出为40×40×512，再与步骤7中的输出进行融合，输出40×40×1024的特征向量；

步骤十二，使用一个C3模块，输出40×40×512的特征向量；

步骤十三，步骤十二输出的特征向量经过一个卷积模块和CBAM模块后，维度变为40×40×256，通过上采样，输出为80×80×256，再与步骤五中的输出进行融合，输出80×80×512的特征向量，完成自顶向底的特征融合；

步骤十四，使用一个C3模块，输出80×80×256的特征向量；

步骤十五，步骤十四输出的特征向量经过一个卷积模块后，维度变为40×40×256，再与步骤十三中的40×40×256的特征向量进行融合，输出40×40×512的特征向量；

步骤十六，使用一个C3模块，输出40×40×512的特征向量；

步骤十七，步骤十六输出的特征向量经过一个卷积模块后，维度变为20×20×512，再与步骤十一中的20×20×512的特征进行融合，输出20×20×2024的特征向量，完成自底向顶的特征融合；

步骤十八，使用一个C3模块，输出20×20×2024的特征向量；

步骤十九，步骤十四、步骤十六、步骤十八的输出为特征融合网络的输出，即3种尺度的特征，将这3个特征向量进行通道上的拼接便得到最终的目标检测结果。