[發明專利]基于輕量級卷積神經網絡的目標檢測方法

有效

• 申請號: 201911027640.0
• 申請日: 2019-10-28
• 公開（公告）號: CN110781962B
• 公開（公告）日: 2023-03-28
• 發明（設計）人: 謝雪梅;金星;石光明
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 田文英;王品華

本發明公開了一種基于輕量級卷積神經網絡的目標檢測方法，主要解決現有目標檢測方法網絡復雜、速度不快和對小目標檢測效果差的問題。本發明的具體步驟如下：(1)構建輕量級卷積神經網絡；(2)生成目標訓練集；(3)訓練輕量級卷積神經網絡；(4)對待檢測目標進行檢測。本發明構建了一個由特征提取模塊、特征增強模塊、識別和定位模塊組成的輕量級卷積神經網絡，克服了現有目標檢測方法中大目標檢測效果好、小目標檢測效果差并且速度慢的問題，使得本發明不僅能夠實時識別大目標，也能實時識別小目標。

技術領域

本發明屬于圖像處理技術領域，更進一步涉及圖像識別技術領域中的一種基于輕量級卷積神經網絡的目標檢測方法。本發明可用于檢測自然圖像中的靜止目標。

背景技術

現有的大量目標檢測方法在公共數據集中獲得了非常高的分數，但在現實任務中目標檢測仍然存在很多挑戰，像對小目標的檢測效果較差等。例如，在智能體育教學中，檢測球將有助于教練掌握打球的學生的準確性。然而，當將相機放置在運動室中時，球僅占據幾個像素，并且由于運動中的小球會因為運動員的一些特定動作產生形變或者遮擋，而且還有不同的光照、運動模糊等影響因素，所以現有的目標檢測網絡并不適用于類似于此小球識別的目標識別場景。

廈門大學在其申請的專利文獻“基于卷積神經網絡的快速目標檢測方法”(專利申請號CN201510061852.6，公開號CN104573731A)中公開了一種基于卷積神經網絡的快速目標檢測方法。該方法首先利用訓練集訓練出卷積神經網絡參數，然后利用擴展圖的方式解決最大池化丟失特征的問題并生成判別完備特征圖；把卷積神經網絡的全連接權重看成線性分類器，采用可能近似學習框架來估計線性分類器在判別完備特征上的泛華誤差；根據泛華誤差和所期望泛化誤差閾值來估算所需線性分類器個數，最后在判別完備特征圖上用線性分類器基于平滑窗的方式完成目標檢測。此方法雖然可以顯著提高檢測效率和目標檢測精度，但是，該方法仍然存在的不足之處是：沒有針對小目標的特征增強模塊，對于圖像中所含像素較少或含有遮擋的小目標檢測，由于其提取特征的不明顯，此方法效果并不是很好。

Shifeng Zhang在其發表的論文Single-Shot Refinement Neural Network forObject Detection(The IEEE Conference on Computer Vision and PatternRecognition(CVPR),2018,pp.4203-4212)中公開了一種基于Single-Shot的圖像目標檢測方法RefineDet，該方法基于SSD算法和RPN網絡、FPN算法的結合，可以在保持SSD高效的前提下大大提高檢測效果。引入Two Stage類型目標檢測算法中對Box由粗到細進行回歸思想，即先通過RPN網絡得到粗粒度的Box信息，然后再通過常規的回歸支路進行進一步回歸從而得到更加精確的框信息；引入類似FPN網絡的特征融合操作，有效的提高了小目標的檢測效果。盡管此網絡的方法可以提高圖像中小目標的檢測精度，但是該方法仍然存在的不足之處是：網絡復雜并且速度慢，所以無法在需要同時對大小目標都進行快速檢測的的場景中使用。

發明內容

本發明的目的在于針對上述現有技術存在的不足，提出一種基于輕量級卷積神經網絡的目標檢測方法，解決現有目標檢測方法網絡復雜、速度不快和對小目標檢測效果差的問題。

本發明的技術思路是，利用構建一個輕量級卷積神經網絡提取并增強目標特征，并將網絡輸出的向量與類別和位置相對應，對圖像數據集中的目標進行識別與定位，使得網絡能夠精確檢測出圖中的每一個目標。

本發明的實現的具體步驟如下：

步驟1，構建輕量級卷積神經網絡：