1.一种基于激活函数改进的YOLOv3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PASCAL VOC数据集，保证与该领域通用数据集保持一致，以达到比对效果，检测本发明方法性能；

步骤二：以改进的激活函数为基础，重建YOLOv3网络结构；

首先，对网络的初始权重进行随机化，使其服从高斯正态分布，然后输入一张RGB图片，这张图片可以表示为a×a×3的矩阵形式，其中a为图片的宽度和高度；

随后，输入矩阵会经由下面构建的网络结构，由52个卷积层组成，分为三个阶段，即三个不同尺度的输出；具体如下，其中“×”代表乘积：通过第1层卷积层，卷积核尺寸为3×3，步长为2，个数为32，得到208×208×32的特征图输出；进入第2层卷积层，卷积核尺寸为3×3，步长为1，个数为32，得到208×208×32的特征图输出，以此类推；依据网络图中的各层不同的卷积核，分别进入三个不同阶段依次得到

52×52×256的特征图、26×26×512的特征图和13×13×1024的特征图，然后进入特征融合层1，2，3继续进行特征融合操作，分别如下：特征融合层1是一个卷积模块，包含5步卷积操作，卷积核尺寸及个数依次为1×1×

128、3×3×256、1×1×128、3×3×256和1×1×128，步长均为1，得到52×52×128的特征图，然后进行3×3×75和1×1×75的卷积操作，最终得到52×52×75的特征图1；

特征融合层2是一个卷积模块，包含5步卷积操作，卷积核尺寸及个数依次为1×1×

128、3×3×256、1×1×128、3×3×256和1×1×128，步长均为1，得到26×26×128的特征图，然后进行3×3×75和1×1×75的卷积操作，最终得到26×26×75的特征图2；

特征融合层3是一个卷积模块，包含5步卷积操作，卷积核尺寸及个数依次为1×1×

128、3×3×256、1×1×128、3×3×256和1×1×128，步长均为1，得到13×13×128的特征图，然后进行3×3×75和1×1×75的卷积操作，最终得到13×13×75的特征图3；

其中，每个卷积层分别包含3个操作：

第一步：对输入该层的特征图矩阵做卷积运算；

第二步：将上一步得到的卷积结果进行批量归一化处理，将数据全部归一化为[0,1]之间，得到归一化之后的二维矩阵，有利于加快训练速度；

第三步：将上一步得到的归一化之后的二维矩阵作为激活函数的输入，得到该层的最终输出；

激活函数的公式如下：

x

y＝x×tanh(ln(1+e))

其中x是上一步得到的归一化之后的二维矩阵，tanh()是双曲正切函数，得到的y是每个神经元经过激活函数后的计算值；将非线性特性的激活函数引入到本发明的网络中，这样会保证输入输出之间是非线性映射关系，而不是简单的线性组合的关系，从而能够保证网络的学习能力；

特征提取模块的输出为三个特征矩阵，这三个特征矩阵的维度分别为52×52×75、26×26×75和13×13×75，其中52×52×75的特征矩阵中每一个神经元的感受野是最小的，可以负责检测原始输入图像中的小目标，同理，13×13×75的特征矩阵中每一个神经元的感受野是最大的，可以负责检测原始输入图像中的大目标；这样进行多尺度预测，可以避免小目标漏检的情况；

其中以13×13×75特征图为例，第一个维度13代表图片中横向像素点的个数，第二个维度13代表图片中纵向像素点的个数，第三个维度75代表感兴趣目标特征数，包含3个尺度的信息，每个尺度的信息又包含25个信息点，25个信息点分别为预测框的4个坐标信息txi，tyi，twi，thi、预测置信度 和类别概率 其中类别信息 其中(txi、tyi)表示第i个预测框中心点的坐标参数值，(twi、thi)表示第i个预测框宽和高的参数值，预测置信度 表示第i个预测框包含目标的概率，类别概率 为多维向量，表示了第i个预测框的目标是某一类别的概率；需要注意的一点是，txi，tyi，twi，thi这四个参数是相对位置坐标，需要转化为最终在原始图片中的实际坐标；转换的公式如下：其中，txi，tyi，twi，thi是预测的相对坐标值，pw、ph表示预测框对应锚框的宽度以及高度，cx、cy表示预测框相对图片左上角位置坐标的偏移量， 表示预测框中心点实际坐标，表示预测框的实际宽度以及实际高度；

步骤三：在PASCAL VOC数据集对上述模型进行训练；

(1)网络随机初始化权值，使初始化的值服从高斯正态分布；

(2)输入数据经过本发明步骤二中的网络结构向前传播得到输出值为特征图1、特征图

2、特征图3，并利用特征图信息得到预测边框的信息；

(3)将数据集中标注出的真实框与聚类得到的锚框进行匹配：计算出真实框所在的中心点，筛选出此中心点对应的锚框，选取与真实框有最大IoU值的锚框作为目标框，并将该真实框的坐标值信息赋给目标框，即得到目标框的坐标值，并将目标框的类别值设置为1，置信度值设置为1，其余未标记的锚框的参数值均设置为0；

(4)利用损失函数求网络预测边框的输出值与目标框的目标值之间的误差损失；

总损失函数为：

loss＝center_loss+size_loss+confidence_loss+cls_losscenter_loss＝x_loss+y_loss

confidence_loss＝obj_loss+noobj_lossobj obj

其中，N表示网络预测框的总数，li 表示第i个预测框中是否存在目标，若存在，li ＝

1，否则为0；(xi,yi)表示目标所在第i个标注框真实中心位置， 表示第i个预测框的中心位置，(wi,hi)目标所在第i个标注框真实宽度和高度， 表示第i个预测框的宽度和高度，α用于调整尺度损失在所有损失中所占据的比例；Ci表示目标所在第i个标注框真实置信度， 表示第i个预测框的置信度；pi表示目标所在第i个标注框中物体的类别的概率， 表示第i个预测框物体的类别概率；

(5)利用Adam优化算法进行权值更新，直到迭代次数>epoch时，结束训练；本发明方法的主要测试指标为mAP(mean Average Precision)，代表平均的平均精确度，首先是一个类别内，求平均精确度AP(Average Precision)，然后对所有类别的平均精确度再求平均mAP(mean Average Precision)；

步骤四：对比经典的YOLOv3算法，分析测试结果。

2.根据权利要求书1所述的一种基于激活函数改进的YOLOv3算法，步骤一：下载当前目标检测领域通用数据集VOC数据集，PASCAL VOC数据集提供了20个对象类别；本发明用到的数据集中图片为标注了目标的类别信息pi及该目标所在的中心位置坐标(x,y)及目标的宽度w和高度h，用矩形框可视化。

3.根据权利要求书1所述的一种基于激活函数改进的YOLOv3算法，步骤四：对比经典的YOLOv3算法，分析测试结果。