[發明專利]基于特征金字塔網絡的小目標船只檢測方法及系統

在審

• 申請號: 201911416198.0
• 申請日: 2019-12-31
• 公開（公告）號: CN111160293A
• 公開（公告）日: 2020-05-15
• 發明（設計）人: 鄧練兵
• 申請（專利權）人: 珠海大橫琴科技發展有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 嚴彥

本發明提供一種基于特征金字塔網絡的小目標船只檢測方法及系統，包括進行樣本數據預處理,得到預處理后的圖片；構建自底向上的卷積神經網絡，在前向過程中，抽取不同大小的特征圖構成初始特征金字塔；以上采樣的方式構建自頂向下的卷積神經網絡，通過橫向連接將兩部分網絡融合，將上采樣的結果和初始特征金字塔的相同大小的特征圖融合成新的特征金字塔；利用特征金字塔內的特征圖經過RPN網絡處理后生成船只目標的候選區域；利用樣本數據訓練特征金字塔網絡，采用訓練好的特征金字塔網絡實現小目標船只的檢測。應用本發明可優化小型目標船只的檢測結果。

技術領域

本發明屬于基于計算機視覺的船只檢測技術領域，特別涉及基于特征金字塔網絡的小目標船只檢測方法及系統。

背景技術

因為復雜的背景以及船只種類大小的多樣性，近海船只的實時檢測一直是軍事民用領域的難題，實時性導致無法使用遙感和雷達影像，只能用視覺影像能夠實時檢測。

在目標檢測中，對弱小目標的檢測又極為重要。“弱小目標”這個概念最初來源于軍事領域，在進行空間導彈攔截時，目標與攔截器距離較遠(一般幾千公里)，而在成像平面呈現為一個或者幾個像素的大小，稱為“小目標”。由于目標太小，很容易被噪聲和各種雜波(云雜波、海雜波)淹沒，所以又稱為“弱目標”。小物體在許多現實世界的應用中非常普遍，例如交通標志檢測，用于高級自動駕駛的行人檢測以及海上的船只檢測。一般小目標的定義是由相對尺寸大小決定的，如果目標尺寸的長寬是原圖像尺寸的0.1，即認為它是小目標。

一般的深度學習模型通常無法檢測到非常小的物體，因為豐富的表現很難從它們質量差的外觀和結構中學習。一種情況是目標太遠難以檢測，如下圖中的最左邊的小型船只總是無法正確檢測。對于海上預警，當船只較遠位置就能夠成功檢測并鎖定位置的話，面對緊急情況時就有充分的反應時間來進行預防。另一種情況是目標自身太小難以檢測，如下圖所示，右邊的小漁船很難檢測出來。對于海上預警，也會存在小漁船的違規行為，如果無法準確識別，將導致相關部門無法做出及時的處理

為了研究如何從環島監控視頻系統中快速準確地檢測出小目標船只。縱觀國內外的船只檢測方法現狀，逐漸從基于手工提取船只特征建模傳統方法轉向基于深度學習的卷積神經網絡。卷積神經網絡從感興趣區域(RoI)學習深層次的代表，并根據學習的表現進行分類，如Faster R-CNN和YOLOv2。這些網絡對于具有高分辨率，清晰外觀和結構的大型物體可以很好地工作，從中可以了解辨別特征。但是，他們通常無法檢測到非常小的對象，因為豐富的表示形式很難從其質量差的外觀和結構中學習。

在目標檢測里面，有限計算量情況下，網絡的深度(對應到感受野)與步長通常是一對矛盾的東西，常用的網絡結構對應的步長一般會比較大(如32)，而圖像中的小物體甚至會小于步長的大小，造成的結果就是小物體的檢測性能急劇下降。傳統解決這個問題的思路包括：(1)多尺度訓練和測試。即將圖像做成不同的尺度，然后不同尺度的圖像生成對應的不同尺度的特征。然而這樣的方法由于很高的時間及計算量消耗，難以在實際中應用。(2)特征分層。網絡沒有上采樣過程，即從網絡不同層抽取不同尺度的特征進行預測。這樣的方法問題在于直接強行讓不同層學習同樣的語義信息。而對于卷積神經網絡而言，不同深度對應著不同層次的語義特征，淺層網絡分辨率高，學的更多是細節特征，深層網絡分辨率低，學的更多是語義特征。因此本領域亟待提出更具有實用價值的技術方案。

發明內容

本發明的目的就在于克服現有技術存在的缺點和不足，結合環島監控系統的數據特性，提供一種基于特征金字塔網絡的小目標船只的檢測技術方案。

本發明提供一種基于特征金字塔網絡的小目標船只檢測方法，包括以下步驟：

步驟①，進行樣本數據預處理，得到預處理后的圖片；所述樣本數據相應標注船只類型和位置數據；

步驟②，構建自底向上的卷積神經網絡，在前向過程中，抽取不同大小的特征圖構成初始特征金字塔；將步驟①經過預處理后的圖片作為輸入，經過網絡處理后，生成不同尺度的特征圖；