【基于Yolov3的车辆目标检测算法设计案例2200字】

基于Yolov3的车辆目标检测算法设计案例目录TOC\o"1-3"\h\u28146基于Yolov3的车辆目标检测算法设计案例 152651.1单级目标检测算法原理 1173411.2yolov3检测原理 1165891.2.1候选区域产生 237931.2.2特征提取网络 4262071.2.3损失函数建立 5100751.3小结 61.1单级目标检测算法原理基于单级目标检测的车辆检测方法是基于锚框直接进行分类以及调整边界框。其优点是检测速度快，缺点是检测精度低，特别是在小目标检测中检测效果差。1.2yolov3检测原理JosephRedmon等人在2015年提出YOLO算法，通常也被称为YOLOv1；2016年，他们又提出YOLOv2版本；2018年发展出YOLOv3版本ADDINEN.CITE<EndNote><Cite><Author>Redmon</Author><Year>2018</Year><RecNum>7</RecNum><DisplayText><styleface="superscript">[14]</style></DisplayText><record><rec-number>7</rec-number><foreign-keys><keyapp="EN"db-id="5t9pfd9xkppsfyep0zsx9etkdzzrtvvx2vtt"timestamp="1615392690">7</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>Redmon,Joseph</author><author>Farhadi,Ali</author></authors></contributors><titles><title>YOLOv3:AnIncrementalImprovement</title><secondary-title>arXive-prints</secondary-title></titles><periodical><full-title>arXive-prints</full-title></periodical><dates><year>2018</year></dates><urls></urls></record></Cite></EndNote>[14]。YOLOv3算法思想可分为两个部分：（1）按一定规则在图片上产生一系列的候选区域，然后根据这些候选区域与图片上物体真实框之间的位置关系对候选区域进行标注。跟真实框足够接近的那些候选区域会被标注为正样本，同时将真实框的位置作为正样本的位置目标。偏离真实框较大的那些候选区域则会被标注为负样本，负样本不需要预测位置或者类别。（2）使用卷积神经网络提取图片特征并对候选区域的位置和类别进行预测。这样每个预测框就可以看成一个样本，根据真实框相对它的位置和类别进行了标注而获得标签值，通过网络模型预测其位置和类别，将网络预测值和标签值进行比较，就可以建立起损失函数。而预测时直接通过特征提取网络与预测框比较，通过NMS输出分类以及回归结果。YOLOv3训练以及检测模型见4-1。图4-1YOLOv3训练以及检测1.2.1候选区域产生对输入图片（H*W）进行下采样（采样数为k,一般为大中小三个采样），将图片分割成H/k,W/k形式。在每个区域中心（这里的区域中心是一个点，下面以C表示），生成一系列对应于大中小感受野不同的锚框。见图4-2所示。图4-2划分网络不同的锚框基本上不可能刚好与物体边界框重合，所以需要在锚框的基础上进行位置的微调以生成预测框。通过中心点偏移：宽高拉伸：实现从锚框到预测框的过程。其中由将点按真实框位置带入求解所得。见图4-3所示。图4-3锚框到预测框调整在完成上述后，需要对候选区域进行标注。首先是标注锚框是否含有物体。每个区域可以产生3种不同形状的锚框，每个锚框都是一个可能的候选区域，对这些候选区域首先计算锚框与真实框的IOU，从一组9个锚框中选出IoU最大的锚框，将它所对应的预测框的Pobj标签设置为1，其所包括的物体类别就是真实框里面的物体所属类别。由于每个真实框只对应一个Pobj标签为正的预测框，如果有些预测框跟真实框之间的IoU很大，但并不是最大的那个，那么直接将其Pobj标签设置为0当作负样本，可能并不妥当。为了避免这种情况，YOLOv3算法设置了一个IoU阈值iou_threshold，当预测框的Pobj不为1，但是其与某个真实框的IoU大于iou_threshold时，就将其Pobj标签设置为-1，不参与损失函数的计算。所有其他的预测框，其Pobj标签均设置为0，表示负类。对于Pobj=1的预测框，需要进一步确定其位置和包含物体的具体分类标签，但是对于Pobj=0或者-1的预测框，则不用管他们的位置和类别。其次是标注预测框的位置坐标标签，当锚框objectness=1时，需要确定预测框位置相对于它微调的幅度，也就是锚框的位置标签。同时还需要判断出锚框所属物体类别，YOLOv3使用one-hot向量来表示类别标签label。比如一共有10个分类，而真实框里面包含的物体类别是第2类，则label为（0,1,0,0,0,0,0,0,0,0）。由此，真实框信息得以标注。所以，每个区域中心C含有多个信息：具体见图4-4所示。图4-4特征图中的信息数1.2.2特征提取网络整个特征提取网络见图4-5。其中YOLOv3采用了Darknet53网络作为其主要特征提取部分。该网络有两个特点。一是参考了残差网络的理念，使用了许多尺寸为3*3和1*1的卷积层，去掉了池化层和全连接层，因此在网络前向传播的过程中，特征的尺寸变化是通过改变卷积核的卷积步长实现的。ADDINEN.CITE<EndNote><Cite><Author>郑佳卉</Author><Year>2019</Year><RecNum>6</RecNum><DisplayText><styleface="superscript">[15]</style></DisplayText><record><rec-number>6</rec-number><foreign-keys><keyapp="EN"db-id="5t9pfd9xkppsfyep0zsx9etkdzzrtvvx2vtt"timestamp="1615392271">6</key></foreign-keys><ref-typename="Thesis">32</ref-type><contributors><authors><author><styleface="normal"font="default"charset="134"size="100%">郑佳卉</style></author></authors><tertiary-authors><author><styleface="normal"font="default"charset="134"size="100%">郭杰</style><styleface="normal"font="default"size="100%">,</style></author><author><styleface="normal"font="default"charset="134"size="100%">李郜伟</style><styleface="normal"font="default"size="100%">,</style></author></tertiary-authors></contributors><titles><title><styleface="normal"font="default"charset="134"size="100%">基于</style><styleface="normal"font="default"size="100%">YOLOv3</style><styleface="normal"font="default"charset="134"size="100%">的行人视频目标检测方法</style></title></titles><keywords><keyword>行人检测</keyword><keyword>YOLOv3</keyword><keyword>k-means</keyword><keyword>多尺度检测</keyword><keyword>视频标注</keyword></keywords><dates><year>2019</year></dates><publisher><styleface="normal"font="default"charset="134"size="100%">西安电子科技大学</style></publisher><work-type><styleface="normal"font="default"charset="134"size="100%">硕士</style></work-type><urls></urls><remote-database-provider>Cnki</remote-database-provider></record></Cite></EndNote>[15]二是网络不再使用softmax进行分类，而是使用逻辑分类，这使得每个候选框中可以用多标记分类来预测其中含有的物体类别。如果仅仅使用softmax来分类，只会预测加强一种物体的推论，这显然是有缺陷的。同时，在Darknet53之外的其他网络，还采用了多尺度预测，也就是几个上采样后产生的特征图。如果只产生一个32采样特征图，这个特征图的尺寸比较小，像素点数目比较少，每个像素点的感受野很大，具有非常丰富的高层级语义信息，可能比较容易检测到较大的目标。但为了检测尺寸较小的目标，就需要在尺寸较大的特征图上面建立预测输出。通过将高层级的特征图尺寸放大之后（上采样）跟低层级的特征图进行融合，得到的新特征图既能包含丰富的语义信息，又具有较多的像素点，能够描述更加精细的结构。图4-5YOLOv3网络结构示意图1.2.3损失函数建立以32采样图为例，其他16采样、8采样过程与之一样。经过多次卷积核池化之后，特征图变为大小（H/k,W/k），这恰好与通过32采样分割成的小方块数目（H/k）*（W/k）一一对应，也就是说特征图上每个像素点分别跟原图上一个小方块区域对应。见图4-6所示。图4-6特征图与小方块区域形状对比为了将像素点（i,j）与第i行第j列的小方块区域所需要的预测值关联起来，每个小方块区域产生K个预测框，每个预测框需要（5+C）个实数预测值，则每个像素点相对应的要有K（5+C）个实数。为了解决这一问题，对特征图进行多次卷积，并将最终地输出通道数设置为K（5+C），即可将生成的特征