CN110443208A 一种基于YOLOv2的车辆目标检测方法、系统及设备 （南京工业大学）

本发明提供了一种用于基于YOLOv2的车辆络的训练过程分为分类网络训练和检测网络训对小尺度车辆目标的识别率。在各种复杂状况2步骤4，基于损失函数，对YOLOv2模型进行训练，获得训练后YOLOv2网络结构模型；YOLOv2网络结构模型训练包括分类网基于区域候选网络的先验框策略对卷积神经网络特征提取预测每个位置的边界框以及置信度；利用k-means聚类算法对样本数据集中的真实目标边3iiiobj为目标落入格子i中，在分类的训练过程中，采用小批量梯度下降法更新YO6.一种基于YOLOv2网络的车辆目标检测系统，数据采集单元采集图样数据并经处理获得样本数据模型搭建单元基于YOLOv2模型搭建改进后的YOLOv2模型的网络结构，实现多尺度输模型训练单元基于损失函数和驯良数据集，对YOLOv2模型进行训练，获得训练后模型搭建单元基于YOLOV2模型搭建改进后的YOLOv2模型的网络结构具体包括以下步4基于区域候选网络的先验框策略对卷积神经网络特征提取来预测每个位置的边界框以及置信度；利用k-means聚类算法对样本数据集中的真实目标模型搭建单元基于改进后的YOLOv2模型实现多尺度输入ii5模型训练单元对YOLOv2模型进行训练具体包在分类的训练过程中，采用小批量梯度下降法更新YO一个或多个处理器、存储器以及一个或多个程6成候选区域、三是结果分类及边框回归。传统的基于CNN的方法进行车辆检测以及用FasterR-CNN模型进一步完成车辆检测等方法，在检测精度和检测速度方面依然不能达到了检测时间，标准YOLO模型的检测速度可以达到45f/s，但是其检测精度略低于FasterR-7[0012]步骤2，基于YOLOV2模型搭建改进后的YOLOv2模型的网络结构具体包括以下步[0016]基于RPN网络(区域候选网络)的先验框(anchorboxes)策略对卷积神经网络信度(是否含有物体)；利用k-means聚类算法对样本数据集中的真实目标边框进行聚类分8i[0036]在分类的训练过程中，采用小批量梯度下降法MSGD(Mini-batchGradient[0041]损失函数建立单元基于对比归一化方法，建立YOLOv2模型的网络结构的损失函[0043]验证单元基于测试数据集对训练后YOLOv2网络结构模型进行验证，测试识别能[0044]模型搭建单元基于YOLOV2模型搭建改进后的YOLOv2模型的网络结构具体包括以9[0048]基于RPN网络(区域候选网络)的先验框(anchorboxes)策略对CNN特征提取器得到的特征图(featuremap)，进行卷积来预测每个位置的边界框以及置信度(是否含有物i[0068]在分类的训练过程中，采用小批量梯度下降法MSGD(Mini-batchGradient[0071]一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指[0073]本发明对YOLOv2基础模型网络结构的改进包括:(1)将最后一层池改为金字塔池标图像可以保存原始信息；最后是优化损失函数等操作可以提高小目标检测精度和速度。[0083]如图1所示，本发明公开一种基于YOLOv2网络的车辆目标检测方法，包括如下步证本发明方法的有效性，选择在LVSH(LargeScaleVarianceHighway)数据集上进行实次利用k-means聚类算法对数据集中的真实目标边框进行聚类分析，自动地选择适合该方[0093]如图3和4所示对YOLOv2基础模型网络结构的改进包括以下两个方面:(1)将最后一层池改为金字塔池化层(SPP)。(2)改变网络中多个图层的输出尺寸。本实施例使用[0096]YOLOv2模型基于FasterR-CNN中RPN网络(区域候选网络)的先验框个位置的边界框以及置信度(是否含有物体)，并且各个位置设置不同尺度和比例的先验之前Yolov1的固定图片输入大小为448x448，而Yolov2因为Anchorbox的引入从而将输[0099]YOLOV2模型引[0100]步骤2，基于YOLOV2模型搭建改进后的YOLOv2模型的网络结构具体包括以下步是固定的，实现真正意义上的多尺度输入。(2)改变网络中多个图层的输出尺寸。因为[0107]基于RPN网络(区域候选网络)的先验框(anchorboxes)策略对CNN特征提取器得到的特征图(featuremap)，进行卷积来预测每个位置的边界框以及置信度(是否含有物[0113]coordError、iouError和classError分别表示坐标定位误差、IOU误差和分类误ii)是指第i格子的边界框的宽度和高度，表示每个网格中boudingbox的数量，C表示object的种类)每个boundingbox(边界框)要[0129]在分类的训练过程中，采用小批量梯度下降法MSGD(Mini-batchGradient[0138]损失函数建立单元基于对比归一化方法，建立YOLOv2模型的网络结构的损失函[0140]验证单元基于测试数据集对训练后YOLOv2网络结构模型进行验证，测试识别能[0141]模型搭建单元基于YOLOV2模型搭建改进后的YOLOv2模型的网络结构具体包括以[0145]基于RPN网络(区域候选网络)的先验框(anchorboxes)策略对CNN特征提取器得到的特征图(featuremap)，进行卷积来预测每个位置的边界框以及置信度(是否含有物ii)是指第i格子的边界框的宽度和高度，[0161]pi(c)表示置信度c时，第i格子中与groundtruth重[0165]在分类的训练过程中，采用小批量梯度下降法MSGD(Mini-batchGradient[0168]一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施[0171]本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单