[發(fā)明專利]一種基于CNN的檢測器、圖像檢測方法及終端

有效

• 申請?zhí)枺?/td>: 201811628821.4
• 申請日: 2018-12-28
• 公開（公告）號: CN111382761B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設(shè)計）人: 劉陽;羅小偉;林福輝
• 申請（專利權(quán)）人: 展訊通信（天津）有限公司
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/82;G06N3/045;G06N3/0464
• 代理公司: 北京集佳知識產(chǎn)權(quán)代理有限公司 11227
• 代理人: 武振華;吳敏

一種基于CNN的檢測器、圖像檢測方法及終端，所述檢測器包括：基礎(chǔ)網(wǎng)絡(luò)；特征提取模塊；其中，所述基礎(chǔ)網(wǎng)絡(luò)包括第一子網(wǎng)絡(luò)以及第二子網(wǎng)絡(luò)；所述第一子網(wǎng)絡(luò)包括多組第一重復(fù)模塊，且前一組第一重復(fù)模塊的數(shù)據(jù)輸出至后一組第一重復(fù)模塊，每組第一重復(fù)子模塊均包括用于串聯(lián)運算的分離串聯(lián)模塊以及用于傳遞運算的第一傳遞模塊，所述第一子網(wǎng)絡(luò)輸出第一路特征層數(shù)據(jù)至所述第二子網(wǎng)絡(luò)；所述第二子網(wǎng)絡(luò)包括多組第二重復(fù)模塊，且前一組第二重復(fù)模塊的數(shù)據(jù)輸出至后一組第二重復(fù)模塊，每組第二重復(fù)子模塊均包括所述分離串聯(lián)模塊以及用于傳遞運算的第二傳遞模塊。本發(fā)明方案可以提高特征提取精度，且更有機會適用于移動端或嵌入式設(shè)備。

技術(shù)領(lǐng)域

本發(fā)明涉及檢測技術(shù)領(lǐng)域，尤其涉及一種基于CNN的檢測器、圖像檢測方法及終端。

背景技術(shù)

物體檢測是對圖像或視頻數(shù)據(jù)進行分析，判斷是否存在某些物體(如行人，汽車或各種商品等)并給出這些物體的具體位置。物體檢測是計算機視覺領(lǐng)域的關(guān)鍵技術(shù)，廣泛應(yīng)用于安防監(jiān)控、自動駕駛和智能硬件等領(lǐng)域，是后續(xù)的行為分析、語義解析等高階任務(wù)的前提。

傳統(tǒng)的物體檢測方法里，影響力最大的是自提升級聯(lián)模型(Ada-Boost?CascadedModel)和基于部件的變形模型(Deformable?Part-based?Model,DPM)。前者主要適用于人臉檢測，后者則成功應(yīng)用于行人檢測，但其檢測精度和魯棒性已被基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional?Neural?Network，CNN)的深度學(xué)習(xí)方法超越。

目前，基于CNN的深度學(xué)習(xí)方法被廣泛應(yīng)用在物體檢測領(lǐng)域，可以分為兩類：第一類是基于物體候選窗口的方法，典型代表是更快速基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)(FasterRegions?with?CNN,Faster?R-CNN)檢測器，第二類則是候選窗口無關(guān)(Proposal?Free)的方法，典型代表是實時目標(You?Only?Look?Once，YOLO)檢測器和單次多窗口檢測器(Single?Shot?Multi-Box?Detector，SSD)。

然而，物體檢測精度很大程度上依賴于圖像數(shù)據(jù)的特征提取。圖像數(shù)據(jù)的特征提取方法依靠圖像卷積提取顯著特征。現(xiàn)有的圖像卷積方法提取圖像特征計算復(fù)雜度較高，耗時較長，難以適用于移動端或嵌入式設(shè)備。

發(fā)明內(nèi)容

本發(fā)明解決的技術(shù)問題是提供一種基于CNN的檢測器、圖像檢測方法及終端，可以提高特征提取精度,能夠一次性訓(xùn)練，同時可以降低訓(xùn)練難度，并且在保證檢測精度的基礎(chǔ)上，設(shè)計出模型參數(shù)量更小的網(wǎng)絡(luò)結(jié)構(gòu)，更有機會適用于移動端或嵌入式設(shè)備。

為解決上述技術(shù)問題，本發(fā)明實施例提供一種基于CNN的檢測器，包括：基礎(chǔ)網(wǎng)絡(luò)，用于對輸入的圖像進行特征提取，并輸出至少一路特征層數(shù)據(jù)；特征提取模塊，所述特征提取模塊的輸入端與所述基礎(chǔ)網(wǎng)絡(luò)的輸出端耦接，包括至少一路卷積子模塊，所述至少一路卷積子模塊用于對所述至少一路特征層數(shù)據(jù)進行卷積運算后分別輸出至預(yù)測層；其中，所述基礎(chǔ)網(wǎng)絡(luò)包括第一子網(wǎng)絡(luò)以及第二子網(wǎng)絡(luò)；所述第一子網(wǎng)絡(luò)包括多組第一重復(fù)模塊，且前一組第一重復(fù)模塊的數(shù)據(jù)輸出至后一組第一重復(fù)模塊，每組第一重復(fù)子模塊均包括用于串聯(lián)運算的分離串聯(lián)模塊以及用于傳遞運算的第一傳遞模塊，所述第一子網(wǎng)絡(luò)輸出第一路特征層數(shù)據(jù)至所述第二子網(wǎng)絡(luò)；所述第二子網(wǎng)絡(luò)包括多組第二重復(fù)模塊，且前一組第二重復(fù)模塊的數(shù)據(jù)輸出至后一組第二重復(fù)模塊，每組第二重復(fù)子模塊均包括所述分離串聯(lián)模塊以及用于傳遞運算的第二傳遞模塊，所述第二子網(wǎng)絡(luò)輸出第二路特征層數(shù)據(jù)。

可選的，所述分離串聯(lián)模塊包括多個分離串聯(lián)子模塊，且前一個分離串聯(lián)子模塊的數(shù)據(jù)輸出至后一個分離串聯(lián)子模塊；其中，每個分離串聯(lián)子模塊包括：串聯(lián)模塊；連接的卷積模塊以及分離卷積模塊，所述卷積模塊用于接收輸入至所述分離串聯(lián)子模塊的數(shù)據(jù)，并進行卷積處理后輸出至所述分離卷積模塊，以使所述分離卷積模塊進行分離卷積處理后輸出待串聯(lián)數(shù)據(jù)至所述串聯(lián)模塊；其中，所述串聯(lián)模塊對所述輸入至所述分離串聯(lián)子模塊的數(shù)據(jù)和所述待串聯(lián)數(shù)據(jù)進行串聯(lián)處理后的輸出數(shù)據(jù)作為所述分離串聯(lián)子模塊的輸出數(shù)據(jù)，且最后一個分離串聯(lián)子模塊的輸出數(shù)據(jù)作為所述分離串聯(lián)模塊的輸出數(shù)據(jù)。