买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安电子科技大学;陕西理工大学申请的专利一种基于激活函数的改进YOLOv4车辆行人检测算法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114694104B 。

龙图腾网通过国家知识产权局官网在2025-07-22发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210007093.5，技术领域涉及：G06V20/54；该发明授权一种基于激活函数的改进YOLOv4车辆行人检测算法是由王兰美;魏兵;王桂宝;廖桂生;贾建科;孙长征设计研发完成，并于2022-01-05向国家知识产权局提交的专利申请。

本一种基于激活函数的改进YOLOv4车辆行人检测算法在说明书摘要公布了：本发明提出了一种基于激活函数的改进YOLOv4车辆行人检测算法；构造了零点处梯度并不突变的FMish激活函数，保证信息流动，不会出现“梯度消失”；本发明在Dense‑YOLOv4与Dense‑YOLOv4‑Small网络结构的基础上，将全部的激活函数替换为FMish激活函数；本发明将KITTI道路目标数据集中的“Misc”和“Dontcare”剔除得到KITTI‑7classes道路目标数据集，在KITTI‑7classes数据集上对三个模型进行训练，并比较了检测速度和检测性能；基于FMish激活函数的网络模型不仅避免饱和问题，而且避免了“梯度爆炸”问题，保证训练过程的稳定性，提升检测效果。

本发明授权一种基于激活函数的改进YOLOv4车辆行人检测算法在权利要求书中公布了：1.一种基于激活函数的改进YOLOv4车辆行人检测方法，基于Kitti-7classes通用数据集的道路目标数据集的检测定位，其特征在于： 利用KITTI道路目标数据集进行车辆行人检测，KITTI包含各种道路场景采集的真实图像数据，KITTI数据集共包含九类，分别为Car，Van，Truck，Pedestrian，Personsitting，Cyclist，Tram，Misc和Dontcare，由于KITTI中有两类为“Misc”和“Dontcare”，分别为“杂乱无章”类和“不关心的”类，这两种类别是无意义的，并且由于这两类没有特定的目标特征，在不同的图片中其“Misc”类包含的物体是不同的，对原始KITTI数据集中的“Misc”和“Dontcare”剔除，形成KITTI-7Classes数据集，将在KITTI-7Classes上进行训练和测试； 所述车辆行人检测算法包含以下步骤： 步骤一、下载当前目标检测领域通用数据集KITTI道路目标数据集，创建KITTI-7Classes道路目标数据集，使用该数据集可保证算法检测效果与该领域公开的通用数据集保持一致，构建了使用的道路目标数据集；将测试集、验证集与训练集按照6:2:2的比例划分； 步骤二、使用标准YOLOv4网络训练并识别和定位车辆行人；使用标准YOLOv4网络对基于步骤一道路目标数据集进行训练，下载标准YOLOv4网络并进行编译；为道路目标数据kitti-7classes更改cfg文件夹中kitti7.data文件中的训练集、验证集、测试集目录为下载数据集的地址，指定类别数量与类别名称，在训练执行的命令行中根据精度要求设定迭代次数为100，根据本次实验数据集加载kitti7.data，同时加载yolov4.cfg，程序即可开始训练；保存训练过程中各层的权重文件Q1，作为训练结束后检测的权值输入文件；利用权重文件Q1进行测试，得到均值平均精度mAP、召回率Recall与检测时的帧率FPS； 1构建YOLOv4网络模型，使用Initialization函数进行神经网络各层权值参数的初始化； YOLOv4由四个部分组成，分别是：1Input输入端：指输入网络原始样本数据；2BackBone网络：指进行特征提取操作的卷积神经网络结构；3Neck颈部：对主干网络提取的图像特征进行融合，并将融合后的特征传递到预测层；4Head头部：对图像中的感兴趣目标物体进行预测，并生成可视化的预测框与目标类别； 下载标准YOLOv4网络后，对YOLOv4网络使用make命令进行编译，形成可执行文件darknet；为道路目标数据集KITTI-7classes编辑cfg文件夹中kitti7.data文件，将class、train、valid、names字符串改为对应数据集的目录与参数，这样就编辑好了标准YOLOv4网络Input部分需要的参数，在训练执行的命令行中设定epoch后，根据本次实验数据集加载kitti7.data，同时加载yolov4.cfg，程序即可开始训练；程序在运行时会使用Initialization函数进行神经网络各层权值参数的初始化； 2从Input部分输入图片数据，经过Backbone部分，最终输出两个尺度的特征图，并使用分类器输出预测框Pb1与分类概率CPx； 从Input部分输入图片数据，经过Backbone部分，最终输出两个尺度的特征图，将两种不同尺度的特征图送入特征金字塔网络组成的Neck部分，并将融合后的特征传递到预测层中，与此同时Head部分完成目标的分类并输出预测框Pb1与分类概率CPx，其中x为每个分类的索引； 3对这些数据进行IoU与NMS后处理，将预测框Pb2与真实框Gtb对比，并使用Adam算法进行神经网络各层权值更新； 经过Backbone网络生成的预测框Pb1数量太大，对图片中同一物体有大量检测框存在，造成检测结果冗余；YOLOv4的Head部分会同时完成预测框与其对应的分类概率；对这些数据进行IoU与NMS后处理，得到处理好的数据；这里使用的IoU与NMS为标准TOLOv4的CIoU_loss与NMS；经过这些后处理后就可以得到感兴趣目标的预测框Pb2与其对应的分类概率CPx；同时，使用Adam算法使用后处理过程中得到的loss进行神经网络各层权值更新； 4循环执行步骤2和3继续迭代至命令中设定的epoch值，停止训练，输出记录每一层权重与偏移的文件Q1；利用Q1得到的权重与偏移对测试集进行检测，计算得到mAP、Recall与检测时的帧率FPS； 按照精度要求设置迭代阈值epoch＝100，迭代次数小于阈值时，使用Adam算法进行网络各层权值更新，直到阈值epoch＝100停止训练，计算mAP与Recall，输出记录每一层权重与偏移的文件Q1； YOLOv4拥有良好的实时性，模型检测速度与模型权重文件大小也是非常重要的评价指标；检测速度因硬件配置不同而不同，中所有实验使用同一硬件平台，检测速度的标准为每秒检测的图片数量，基于YOLOv4的车辆行人目标的检测表明模型检测速度不高，内存占用大，为了进一步提升检测速度和检测精度设计了基于FMish激活函数dense-FMish-YOLOv4与Dense-FMish-YOLOv4-Small模型； 步骤三、设计FMish激活函数，使得函数在零点处梯度并不突变，可以保证训练过程的稳定性； 设计了FMish激活函数，Mish激活函数与设计的FMish公式如下： 其中x为批标准化层传递的矩阵； 在Dense-YOLOv4与Dense-YOLOv4-Small网络结构的基础上，引入了FMish激活函数，将全部的激活函数替换为FMish激活函数，称为Dense-FMish-YOLOv4与Dense-FMish-YOLOv4-Small算法； 步骤四、将步骤二与步骤三模型性能的检测结果进行对比，包括模型检测精度、模型检测速度、模型检测召回率、模型权重文件大小，并查看步骤二与步骤三实际检测的数据集中的图像，分析检测结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安电子科技大学;陕西理工大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。