CN113688723B 一种基于改进YOLOv5的红外图像行人目标检测方法 （河南大学）

WO2020077525A1,2020.04.23Detection.IEEEACCESS.2一种基于改进YOLOv5的红外图像行人目标本发明提供了一种基于改进YOLOv5的红外取网络浅层CSP模块、在残差块中加入改进的注并处理KAIST数据集，构建用于模型训练的训练据集送入构建好的基于改进YOLOv5的红外行人型构建阶段，拓展的CSP和引入的注意力机制更的数据集中不包含行人目标的红外图像进行删2步骤1.2：拓展YOLOv5目标检测模型骨干网络CSPDarknet中浅层跨阶段局部网络模块means自适应算法获取符合红外图像行人小目标尺度特点的锚点框；步骤2.2：对建立的红外图像行人检测训练集、验证集和测试集进行预处理，采用步骤3：训练步骤1中构建的基于改进YOLOv5的红外图像行人目标检测深度学习模型，步骤3.1：设置训练参数，利用随机优化算法Adam进行训练，训练批次的大小设置为步骤3.2：将步骤2.2预处理后的红外图像行人检测训练集和验证集送入步骤1中构建步骤4：将步骤2.2预处理后的红外图像行人检测测试集送入步骤3.5中训练好的基于3根据步骤4的测试结果，从平均检测精度和检测速度上对步骤3训练的基于步骤6：判断基于改进YOLOv5的红外图像行人目标检测深度学习模型评估结果的检测步骤7：修正步骤1构建的基于改进YOLOv5的红外图像步骤8：将步骤6中满足实际应用需求的基于改进YOLOv52.根据权利要求1所述的一种基于改进YOLOv5的红外图像行人目标检测方法，其特征将输入的特征图利用3×3和5×5两个卷积核进行卷积，分别得到输出特征向量U1和3.根据权利要求2所述的一种基于改进YOLOv5的红外图像行人目标检测方法，其特征4.根据权利要求3所述的一种基于改进YOLOv5的红外图像行人目标检测方法，其特征45习的出现，使得红外行人目标检测有了突破性进展，特别是基于回归的单阶段目标检测测方法”(专利申请号：2020109263845，公开号：CN112101434A)中公开了一种基于改进键信息提取出来；用边界框的重叠程度和两个边界框的中心距离即CIoU(CompleteIntersectionoverUnion)作为边界框的损失函数，使预测框与真实框之间更加地切合；用GIoU(GeneralizedIntersectionoverUnion)和两边界框中心点距离作为非极大值抑制NMS(Non-MaximumSuppression)算法中筛选候选框的阈值并使用高斯模型抑制周围边6决背景技术中现有的红外图像检测方法存在[0010]步骤1.2：拓展YOLOv5目标检测模型骨K-means自适应算法获取符合红外图像行人小目标尺度特点构建的基于改进YOLOv5的红外图像行7[0027]根据步骤4的测试结果，从平均检测精度和检测速度上对步骤3训练的基于改进YOLOv5的红外图像行人目标检测深度[0028]步骤6：判断基于改进YOLOv5的红外图像行人目标检测深度学习模型评估结果的深度学习模型用于红外图像或红外视频中行人fc表示标类别设置people和person两个行人类别。8外行人图像目标检测相比都有一个质的提高，平均精度提高了约30.6mAP50达到了[0057]首先，YOLOv5目标检测模型使用CSPDarknet作为提取特征的骨干网络，CSPDarknet解决了其他大型卷积神经网络框架Backbone中网络优化的梯度信息重复问题，9意力机制；特征融合网络的设计中增加一个上采样特征层和Concatenate融合层；检测层Head部分采用4个尺度的特征图作为目标预测层，基于改进YOLOv5的红外行人检测深度网[0059]步骤1.2：拓展YOLOv5目标检测模型骨模块(CSP)的厚度，最大限度地提取浅层跨阶段局部网络模块中有利于红外图像弱小目标网络特征提取层如表1所示，对于512×512×1的输入图像，在经过Focus切片操作后，将fc)加权计算如公式(3)所示：寸的特征图通过增加的Concatenate融合层进行特征融合，并采用4级空间金字塔池化(SpatialPyramidPooling)增大感受野，将4级不同尺寸的特征图利用SPP实现多尺度特16×16尺度特征层，用于实现Head部分的多尺度检测，具体的Head结构如图2检测结果所[0078]步骤1.7：根据步骤1.6增加的小目标检测层，增加一组小目标尺寸的锚点框(anchors)尺寸，采用K-means自适应算法获取符合红外图像行人小目标尺度特点的锚点据作为测试集；并根据行人检测目标需求将目标类别设置people和person两个行人类别，候一次会计算四张图片的数据，使得mini-batch大小不需要很大就可以达到比较好的效[0090]根据步骤4的测试结果，从平均检测精度和检测速度上对步骤3训练的基于改进YOLOv5的红外图像行人目标检测深度学习模型进行评估，根据实际应用还可从计算复杂[0091]步骤6：判断基于改进YOLOv5的红外图像行人目标检测深度学习模型评估结果的检测时间上减少约62网络参数减少约89权重文件减少94％以上，计算量减少84％以外行人图像目标检测相比都有一个质的