[發明專利]一種目標檢測模型的訓練方法、目標快速檢測方法

有效

• 申請號: 202010243802.0
• 申請日: 2020-03-31
• 公開（公告）號: CN111461213B
• 公開（公告）日: 2023-06-02
• 發明（設計）人: 王岳環;杜雅麗;張津浦;戴開恒;耿銘良
• 申請（專利權）人: 華中科技大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/80;G06V10/762;G06V10/766
• 代理公司: 武漢華之喻知識產權代理有限公司 42267
• 代理人: 廖盈春;曹葆青

本發明公開了一種目標檢測模型的訓練方法、目標快速檢測方法，該訓練方法包括：在訓練時添加目標區域特征增強層；利用特征提取單元對訓練樣本進行特征提取，對上一級特征提取單元輸出的特征圖取通道平均，得到通道數歸一的第一特征值矩陣；遍歷所述訓練樣本中的每一個像素點，生成第二特征值矩陣；將所述第一特征值矩陣與第二特征值矩陣元素值相乘得到第三特征值矩陣；將所述第三特征值矩陣與預置的調節函數相乘，然后與特征圖的每一個通道特征矩陣做元素值加法，得到目標增強特征圖并輸入下一特征提取單元中；本發明使網絡充分訓練，平衡了網絡深度和檢測精度間的關系，增強了特征圖的背景感知能力，檢測精度高且計算較簡單，易于硬件平臺移植。

技術領域

本發明屬于計算機視覺技術領域，更具體地，涉及一種目標檢測模型的訓練方法、目標快速檢測方法。

背景技術

陸戰場中，坦克是主要的作戰工具，為了防止敵方襲擊、伏擊及保護我方重要人員設備等，對坦克等車輛進行檢測警戒是非常有必要的。動平臺檢測識別設備的戰場警戒可以實現全方位的偵察，更加智能化。目前，現有的傳統檢測算法計算復雜且難以適應復雜的戰場環境，而一般的深度學習檢測算法計算復雜，難以在移動平臺上實現實時檢測。

在復雜戰場背景下動平臺坦克檢測識別存在以下難點：(1)關于坦克車輛的數據和圖像比較少，深度學習算法難以訓練數據；(2)傳統的檢測算法復雜度高且很難準確地檢測出目標；(3)檢測背景復雜，目標物體與周圍背景顏色相似，一般的單階段預測網絡易受干擾。(4)存在小目標或不同角度的目標，無法準確檢測和分類；(5)深度學習預測網絡計算過程復雜，難以在硬件平臺上達到實時或近實時。

因此，需要一種更加適合復雜戰場環境下的目標檢測方法來實現坦克車輛的快速檢出，以解決上述難題。

發明內容

針對現有技術的至少一個缺陷或改進需求，本發明提供了一種目標檢測模型的訓練方法、目標快速檢測方法，使用目標區域特征增強的方法使網絡充分訓練；設計半通道特征信息整合結構來增強特征值對目標和背景的區分性；并將低維特征圖與高維特征圖融合，進行不同尺度的檢測，提高各個尺度的目標檢測精度；平衡了網絡深度和檢測精度間的關系，將該方法應用于坦克車輛的檢測，由此解決現有技術中坦克車輛檢測算法應用到復雜戰場背景下的動平臺上存在一定局限性的問題。

為實現上述目的，按照本發明的第一個方面，提供了一種目標檢測模型的訓練方法，該目標檢測模型包括特征提取網絡和預測網絡，所述特征提取網絡中包括多級特征提取單元和目標區域特征增強層，且至少一組相鄰的特征提取單元之間設有目標區域特征增強層，該訓練方法包括：

輸入標記的訓練圖像，經過特征提取單元得到輸出特征圖；

在目標區域特征增強層中，對上一級特征提取單元輸出的特征圖進行通道平均，得到通道數歸一的第一特征值矩陣；

遍歷所述訓練樣本中的每一個像素點，若像素點不在目標區域內，則為該像素點賦予第一特征值；若像素點在目標區域內且該目標大于預設的像素塊大小，則為該像素點賦予第二特征值；若像素點在目標區域內且該目標小于等于預設的像素塊大小，則為該像素點賦予第三特征值；生成訓練樣本對應的第二特征值矩陣；

將所述第一特征值矩陣與第二特征值矩陣元素值相乘后得到第三特征值矩陣；

將所述第三特征值矩陣與預置的調節函數相乘后與特征圖的每一個通道特征矩陣的進行元素值加法，得到目標增強特征圖，并將其輸入下一特征提取單元中；

將特征提取單元輸出的特征圖進行特征融合后輸入所述預測網絡中預測出目標的類別和位置；將預測結果與真實數據進行對比并計算預測損失，基于所述預測損失調整目標檢測模型的參數直至達到設定的訓練次數或預測損失達到閾值。

優先的，上述訓練方法，所述目標增強特征圖計算方式為：