基于改进YOLOv3的机坪工作人员反光背心检测研究

摘要

文中提出了一种基于先验知识和改进YOLOv3算法的机坪工作人员反光背心检测算法。该方法针对现有目标检测方法速度偏低的问题,基于先验知识生成反光背心检测候选区域来替换初始候选区域,以减少检测区域面积,使用Darknet-37替代Darknet-53作为骨干网络进行特征提取,提高了算法的检测速度。针对反光背心在画面中所占面积偏小,且辨识难度较大的问题,在检测模型中加入空间金字塔池化结构(SPP),从而实现特征增强,并将检测尺度提升至4个,以进行多尺度特征融合。使用K-means++算法对标注边界框尺寸重新进行聚类分析,并用聚类结果替换YOLOv3初始Anchor值。选取GIoU作为损失函数以提高定位精准度。实验结果表明,所提出的新型目标检测算法在自建的反光背心数据集上取得了优于YOLOv3的检测结果,精准率和召回率分别达到了97.6%和96.1%,检测速度达到了28.4帧/s,有效解决了原模型中存在的定位不准、漏检、检测速度偏低等问题,在保证检测精度较高的情况下满足了机坪目标检测在实际运用中的实时性要求。