[发明专利]一种基于DC-SPP-YOLO的图像目标检测方法

摘要

本发明公开了一种基于DC‑SPP‑YOLO的图像目标检测方法，首先利用数据增强方法对训练图像样本进行预处理并构建训练样本集，采用k‑means聚类算法选取用于目标边界框预测的先验候选框；然后将YOLOv2模型的卷积层连接方式由逐层连接改进为密集连接，同时在卷积模块与目标检测层之间引入空间金字塔池化，建立DC‑SPP‑YOLO目标检测模型；最后以预测值与真实值之间的误差平方和构建损失函数，迭代更新模型权重参数使得损失函数收敛，获得DC‑SPP‑YOLO模型并用于目标检测。本发明考虑了加深卷积网络引起的“梯度消失”和YOLOv2模型未充分使用多尺度局部区域特征，构建了基于卷积层密集连接和空间金字塔池化改进的DC‑SPP‑YOLO目标检测模型，提高了目标检测精度。

主权项

1.一种基于DC‑SPP‑YOLO的图像目标检测方法，其特征在于：该方法具体包括以下步骤：步骤一：采用图像几何变换等数据增强方法对训练样本进行预处理并构建训练数据集，以训练图像目标边界框与聚类中心目标边界框的重合度作为聚类距离指标，采用k‑means聚类算法选取训练样本中主要的若干类边界框尺寸作为预测目标边界框的先验信息；步骤二：构建YOLOv2目标检测网络模型，将卷积层连接方式由逐层连接改进为密集连接，对卷积层输入数据进行批归一化并采用Leaky ReLU激活函数进行非线性化，在卷积模块与目标检测层之间引入空间金字塔池化模块汇聚多尺度图像局部区域特征；步骤三：以目标位置和类别预测的最小平方和误差为训练目标构建损失函数，根据步骤一获得的训练数据集和目标边界框先验信息，训练步骤二所构建的DC‑SPP‑YOLO目标检测模型直至损失函数收敛；步骤四：输入被测目标图像，利用所训练的DC‑SPP‑YOLO模型检测图像中的目标，输出图像中每个目标的边界框位置、尺寸以及目标类别。