[发明专利]一种基于YOLOv5改进的行人检测算法

说明书

本发明属于深度学习中的目标检测技术领域，公开了一种基于YOLOv5改进的行人检测算法，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。本发明解决了现有的YOLOv5模块不能表现出很好的泛化性能的问题。

技术领域

本发明属于深度学习中的目标检测技术领域，具体涉及一种基于YOLOv5改进的行人检测算法。

背景技术

随着人工智能领域的快速发展，特别是卷积神经网络(一种高效识别方法)的崛起，使得目标检测技术得到较为突出的发展，也受到了更多的关注。目前，目标检测领域已经有相对成熟的算法，例如Faster-RCNN(Ren S,HeK,Girshick R,et al.Faster R-CNN:Towards Real-Time Object Detectionwith Region Proposal Networks[J].IEEETransactions on Pattern AnalysisMachine Intelligence,2017,39(6):1137-1149.)算法、YOLOv5。

目标检测技术中的行人检测，因其在许多领域(例如无人驾驶、人机交互、行人跟踪、智能交通智能监控识别等领域)的发展上均具有较为突出的作用，而受到了广泛的关注。但是目前较为热门的算法，均具有一定的缺陷，例如Faster-RCNN算法在目标检测中精度高，但是检测速度很慢；而YOLOv5在行人检测上，并不能表现出很好的泛化性能。

YOLOv5作为目前最主流的目标算法，发明人基于此研发了一种行人检测算法，能够克服现有技术存在的问题。

发明内容

本发明意在提供一种基于YOLOv5改进的行人检测算法，本发明旨在解决现有技术中存在的技术问题。

为实现上述目的，本发明提供如下技术方案，一种基于YOLOv5改进的行人检测算法，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。

在本发明的另一种优选实施方式中，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。

在本发明的另一种优选实施方式中，卷积模块均包括卷积层、BatchNormalization层和SILU激活函数。

在本发明的另一种优选实施方式中，C3模块是一个残差网络结构，其BottleNeck的个数为3。

在本发明的另一种优选实施方式中，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。

在本发明的另一种优选实施方式中，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。

在本发明的另一种优选实施方式中，特征融合网络还包括CBAM模块。

在本发明的另一种优选实施方式中，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＝η_lL_GIOU+η₂L_DIOU；

η₁，η₂满足如下条件，