一种基于ECA的改进YOLOv7道路非法小摊检测方法

本发明属于计算机视觉，道路非法小摊目标检测，具体涉及一种基于eca的改进yolov7道路非法小摊检测方法。

背景技术：

1、随着现代科学技术不断发展及人民物质生活水平日益提高，流动摊贩的违规占道问题屡见不鲜。为了保障道路中各类车辆行人通行顺利，提高城镇街道整洁度，保证市容市貌，城镇应着重管理非法小摊占道问题。实际生活中，一般城市管理人员对这些现象进行视频监控，或者现场巡逻进行处理，但一方面传统方法处理需要投入大量人力进行巡查和在监控室监察，另一方面在人流量较大的场景一旦存在占道经营，人工不能在第一时间发现并且及时处理。通过实时监控获取的图像自动识别检测图像中是否存在非法小摊，就能在一定程度上缓解上述问题。关于道路非法小摊检测现有技术中存在以下技术缺陷：

2、1、现有的技术手段主要采用人工排查，但此种方法不仅需要大量人力物力，也有可能存在漏查的现象，且人工精力有限，可能存在不能及时处理的情况；

3、2、现有基于深度学习的方法检测精度不够高、检测速度较慢、检测模型大，与小摊结构适配较难；

4、3、道路中小摊形状呈现多样化，部分小摊相互之间相似度较低，且往往由于姿态、光照条件、遮挡、背景等因素呈现显著差异，一定程度上增加了小摊结构检测模型训练的难度。

5、因此，如何提供一种具有高准确性、高效率的道路非法小摊检测方法是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明的目的是提出一种基于eca的改进yolov7道路非法小摊检测方法，包括：收集与非法小摊相关的有效素材，构建初始数据集；利用automix和augmentor技术对初始数据集进行数据增强处理；构建改进的yolov7网络，包括在yolov7网络中添加小目标检测头和注意力机制eca模块；将道路非法小摊数据集输入到模型中，利用mpdiou损失函数进行迭代，获得训练后的改进yolov7目标检测模型；对待检测的道路图像进行非法小摊检测，输出包含道路非法小摊区域检测框的检测图像。本发明采用城镇监控拍摄道路图像，对道路非法小摊能够进行快速且有效的识别，能够准确有效地进行道路非法小摊目标检测。

2、本发明解决其技术问题具体采用的技术方案是：

3、一种基于eca的改进yolov7道路非法小摊检测方法，包括以下步骤：

4、s1：收集与道路非法小摊相关的素材，构建初始数据集，并对原始公共道路图像中的非法小摊区域进行标注，得到标注数据和标注图像集；

5、s2：对原始非法小摊图像和标注图像集进行数据集增强，建立道路非法小摊图像数据集；

6、s3：构建改进的yolov7网络，所述改进的yolov7网络包括：在yolov7网络的anchor检测头中添加小目标检测头和注意力机制eca模块；

7、s4：将所述道路非法小摊数据集输入到改进的yolov7网络中进行模型训练，将预测结果与真实结果进行比对，利用mpdiou损失函数进行迭代，得到训练的模型并更新网络权重，获得训练后的改进yolov7目标检测模型；

8、s5：将待检测的公共道路图像输入至所述训练后的改进yolov7目标检测模型中，进行道路非法小摊检测，输出包含道路非法小摊区域检测框的检测图像。

9、进一步地，步骤s1具体为：

10、通过收集道路非法小摊相关图片素材，并通过分拣，提炼出其中的有效部分，或针对相关视频材料进行抽帧处理的方式收集与道路非法小摊相关的素材；之后，利用labelimg的yolo格式对所有图片进行标注，形成初始数据集。

11、进一步地，步骤s2具体包括以下步骤：

12、s21：采用automix自反馈学习训练框架对初始的道路非法小摊图像和包含真实非法小摊信息的标签图片进行数据增强，生成含有混合型图像的道路非法小摊图像数据集；

13、s22：通过augmentor的数据增强方法，对混合型图像的非法小摊数据集进行再一次数据增强，包括多种图形变换，以进一步丰富数据集。

14、进一步地，步骤s3具体包括以下步骤：

15、s31：在yolov7检测模型中修改anchor检测头，在其中增加小目标检测头，同时增加小目标检测头的锚框，用于检测相匹配的小目标，并在head检测头中添加小目标检测层；

16、s32：在yolov7检测模型的backbone骨干网络中添加eca注意力机制模块，以对输入特征图input_f进行全局平均池化操作；

17、s33：进行卷积核大小为conv_k的1维卷积操作，并经过sigmoid激活函数得到各通道的权重weight，具体公式如下：

18、weight＝sigmoid(c1dconv_k(input_f))

19、其中：c1d表示一维卷积操作、conv_k表示卷积核大小、input_f表示输入特征图、weight表示得到通道的权重；

20、s34：将权重与初始输入特征图对应元素相乘，得到最终输出特征图。

21、进一步地，步骤s4具体包括以下步骤：

22、s41：将数据增强处理后的道路非法小摊图像数据集输入到改进的yolov7网络中，开始模型训练；

23、s42：对模型训练后的预测结果与真实结果进行比对，利用mpdiou损失函数进行迭代，通过不断更新权重，获得改进后的yolov7检测模型，mpdiou损失函数具体计算公式如下：

24、

25、其中：prd表示预测框、gt表示真实框、iou表示预测框和真实框之间的交集和并集之比；

26、

27、其中：表示预测框左上角点坐标、表示真实框左上角点坐标、表示预测框与真实框左上角点坐标距离的平方值；

28、

29、其中：表示预测框右下角点坐标、表示真实框右下角点坐标、表示预测框与真实框右下角点坐标距离的平方值；

30、

31、其中：w表示输入图像的宽度、h表示输入图像的高度、lmpdiou为mpdiou损失函数。

32、进一步地，步骤s5具体包括以下步骤：

33、s51：将待检测的含有非法小摊的公共道路图像或视频数据输入至步骤s4训练后的改进yolov7目标检测模型中；

34、s52：使用训练后的改进yolov7目标检测模型对道路非法小摊进行目标检测并输出包含道路非法小摊区域检测框的检测图像或视频。

35、相比于现有技术，本发明及其优选方案至少具有以下有益效果：

36、1、采用automix自反馈学习和augmentor的数据增强技术，对初始数据集进行混合图像处理后再进行多种图形变换，能够提高对相似度较低的小摊的识别检测能力；

37、2、提出了改进的yolov7目标检测模型，在yolov7模型的anchor检测头中添加小目标检测头，用于检测相匹配的小目标，并在head检测头中添加小目标检测层，能够提高对小目标物体的检测识别准确率；

38、3、在yolov7中添加注意力机制eca模块，提升yolov7网络对图像中小摊部分的注意程度，在检测中对此区域进行加强处理，排除干扰信息，提高检测效率；

39、4、将yolov7的损失函数替换为mpdiou函数，进一步提高检测准确率；

40、5、针对不同场景下道路中的非法小摊均有良好的检测识别能力，并验证了结果的准确性。