一种基于YOLOv4改进的军事目标检测方法

郭昊昌，于 力，刘镇涛

(西安现代控制技术研究所，西安 710065)

0 引言

目标检测算法是精确制导弹药中一项重要的技术，传统的目标检测算法包括图像分割、模板匹配等方法。但是在武器系统应用中，传统目标检测算法遇到的问题依旧没有得到彻底解决，比如战场环境复杂多变问题；弹体旋转及目标运动造成的目标旋转和尺度变化过大问题；在弹飞行过程中碰到的目标遮挡或者运动模糊问题以及在保证精度的同时如何提高算法实时性的问题[1]。

为此使用基于卷积神经网络的算法对复杂多变的目标提取丰富的深层特征来取代传统算法的手工特征，从而提高准确性与鲁棒性。目前主流的基于卷积神经网络算法包括两阶段检测算法如Fatser-RCNN算法和单阶段检测算法如SSD算法、YOLO算法等。

为了满足在目标尺寸为12像素×12像素时识别目标同时速度在每秒30帧以上的要求，使用YOLOv4算法，并且针对自建的军事目标数据集对算法做出了改动。

文中先介绍了YOLOv4网络的网络架构，然后提出了3种YOLOv4网络的改进方案：一是将网络中的空间金字塔池化模块替换成密集模块；二是使用k-means聚类对网络先验框进行优化；三是优化了空间注意力机制。最后介绍了军事目标数据集的创建以及实验结果。实验发现改进后的YOLOv4算法可以达到最佳检测精度。

1 YOLO系列算法概述

YOLO系列算法是典型的单阶段目标检测算法，与两阶段目标检测算法相比，模型检测速度大幅提高。两阶段目标检测算法由不同网络组成，先生成目标候选区域，然后再将所有目标候选区域送入分类器中分类。……