[發(fā)明專(zhuān)利]一種目標(biāo)檢測(cè)模型的訓(xùn)練方法、目標(biāo)快速檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010243802.0
• 申請(qǐng)日: 2020-03-31
• 公開(kāi)（公告）號(hào): CN111461213B
• 公開(kāi)（公告）日: 2023-06-02
• 發(fā)明（設(shè)計(jì)）人: 王岳環(huán);杜雅麗;張津浦;戴開(kāi)恒;耿銘良
• 申請(qǐng)（專(zhuān)利權(quán)）人: 華中科技大學(xué)
• 主分類(lèi)號(hào): G06V10/774
• 分類(lèi)號(hào): G06V10/774;G06V10/80;G06V10/762;G06V10/766
• 代理公司: 武漢華之喻知識(shí)產(chǎn)權(quán)代理有限公司 42267
• 代理人: 廖盈春;曹葆青

本發(fā)明公開(kāi)了一種目標(biāo)檢測(cè)模型的訓(xùn)練方法、目標(biāo)快速檢測(cè)方法，該訓(xùn)練方法包括：在訓(xùn)練時(shí)添加目標(biāo)區(qū)域特征增強(qiáng)層；利用特征提取單元對(duì)訓(xùn)練樣本進(jìn)行特征提取，對(duì)上一級(jí)特征提取單元輸出的特征圖取通道平均，得到通道數(shù)歸一的第一特征值矩陣；遍歷所述訓(xùn)練樣本中的每一個(gè)像素點(diǎn)，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(yù)置的調(diào)節(jié)函數(shù)相乘，然后與特征圖的每一個(gè)通道特征矩陣做元素值加法，得到目標(biāo)增強(qiáng)特征圖并輸入下一特征提取單元中；本發(fā)明使網(wǎng)絡(luò)充分訓(xùn)練，平衡了網(wǎng)絡(luò)深度和檢測(cè)精度間的關(guān)系，增強(qiáng)了特征圖的背景感知能力，檢測(cè)精度高且計(jì)算較簡(jiǎn)單，易于硬件平臺(tái)移植。

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域，更具體地，涉及一種目標(biāo)檢測(cè)模型的訓(xùn)練方法、目標(biāo)快速檢測(cè)方法。

背景技術(shù)

陸戰(zhàn)場(chǎng)中，坦克是主要的作戰(zhàn)工具，為了防止敵方襲擊、伏擊及保護(hù)我方重要人員設(shè)備等，對(duì)坦克等車(chē)輛進(jìn)行檢測(cè)警戒是非常有必要的。動(dòng)平臺(tái)檢測(cè)識(shí)別設(shè)備的戰(zhàn)場(chǎng)警戒可以實(shí)現(xiàn)全方位的偵察，更加智能化。目前，現(xiàn)有的傳統(tǒng)檢測(cè)算法計(jì)算復(fù)雜且難以適應(yīng)復(fù)雜的戰(zhàn)場(chǎng)環(huán)境，而一般的深度學(xué)習(xí)檢測(cè)算法計(jì)算復(fù)雜，難以在移動(dòng)平臺(tái)上實(shí)現(xiàn)實(shí)時(shí)檢測(cè)。

在復(fù)雜戰(zhàn)場(chǎng)背景下動(dòng)平臺(tái)坦克檢測(cè)識(shí)別存在以下難點(diǎn)：(1)關(guān)于坦克車(chē)輛的數(shù)據(jù)和圖像比較少，深度學(xué)習(xí)算法難以訓(xùn)練數(shù)據(jù)；(2)傳統(tǒng)的檢測(cè)算法復(fù)雜度高且很難準(zhǔn)確地檢測(cè)出目標(biāo)；(3)檢測(cè)背景復(fù)雜，目標(biāo)物體與周?chē)尘邦伾嗨疲话愕膯坞A段預(yù)測(cè)網(wǎng)絡(luò)易受干擾。(4)存在小目標(biāo)或不同角度的目標(biāo)，無(wú)法準(zhǔn)確檢測(cè)和分類(lèi)；(5)深度學(xué)習(xí)預(yù)測(cè)網(wǎng)絡(luò)計(jì)算過(guò)程復(fù)雜，難以在硬件平臺(tái)上達(dá)到實(shí)時(shí)或近實(shí)時(shí)。

因此，需要一種更加適合復(fù)雜戰(zhàn)場(chǎng)環(huán)境下的目標(biāo)檢測(cè)方法來(lái)實(shí)現(xiàn)坦克車(chē)輛的快速檢出，以解決上述難題。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)的至少一個(gè)缺陷或改進(jìn)需求，本發(fā)明提供了一種目標(biāo)檢測(cè)模型的訓(xùn)練方法、目標(biāo)快速檢測(cè)方法，使用目標(biāo)區(qū)域特征增強(qiáng)的方法使網(wǎng)絡(luò)充分訓(xùn)練；設(shè)計(jì)半通道特征信息整合結(jié)構(gòu)來(lái)增強(qiáng)特征值對(duì)目標(biāo)和背景的區(qū)分性；并將低維特征圖與高維特征圖融合，進(jìn)行不同尺度的檢測(cè)，提高各個(gè)尺度的目標(biāo)檢測(cè)精度；平衡了網(wǎng)絡(luò)深度和檢測(cè)精度間的關(guān)系，將該方法應(yīng)用于坦克車(chē)輛的檢測(cè)，由此解決現(xiàn)有技術(shù)中坦克車(chē)輛檢測(cè)算法應(yīng)用到復(fù)雜戰(zhàn)場(chǎng)背景下的動(dòng)平臺(tái)上存在一定局限性的問(wèn)題。

為實(shí)現(xiàn)上述目的，按照本發(fā)明的第一個(gè)方面，提供了一種目標(biāo)檢測(cè)模型的訓(xùn)練方法，該目標(biāo)檢測(cè)模型包括特征提取網(wǎng)絡(luò)和預(yù)測(cè)網(wǎng)絡(luò)，所述特征提取網(wǎng)絡(luò)中包括多級(jí)特征提取單元和目標(biāo)區(qū)域特征增強(qiáng)層，且至少一組相鄰的特征提取單元之間設(shè)有目標(biāo)區(qū)域特征增強(qiáng)層，該訓(xùn)練方法包括：

輸入標(biāo)記的訓(xùn)練圖像，經(jīng)過(guò)特征提取單元得到輸出特征圖；

在目標(biāo)區(qū)域特征增強(qiáng)層中，對(duì)上一級(jí)特征提取單元輸出的特征圖進(jìn)行通道平均，得到通道數(shù)歸一的第一特征值矩陣；

遍歷所述訓(xùn)練樣本中的每一個(gè)像素點(diǎn)，若像素點(diǎn)不在目標(biāo)區(qū)域內(nèi)，則為該像素點(diǎn)賦予第一特征值；若像素點(diǎn)在目標(biāo)區(qū)域內(nèi)且該目標(biāo)大于預(yù)設(shè)的像素塊大小，則為該像素點(diǎn)賦予第二特征值；若像素點(diǎn)在目標(biāo)區(qū)域內(nèi)且該目標(biāo)小于等于預(yù)設(shè)的像素塊大小，則為該像素點(diǎn)賦予第三特征值；生成訓(xùn)練樣本對(duì)應(yīng)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(yù)置的調(diào)節(jié)函數(shù)相乘后與特征圖的每一個(gè)通道特征矩陣的進(jìn)行元素值加法，得到目標(biāo)增強(qiáng)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(jìn)行特征融合后輸入所述預(yù)測(cè)網(wǎng)絡(luò)中預(yù)測(cè)出目標(biāo)的類(lèi)別和位置；將預(yù)測(cè)結(jié)果與真實(shí)數(shù)據(jù)進(jìn)行對(duì)比并計(jì)算預(yù)測(cè)損失，基于所述預(yù)測(cè)損失調(diào)整目標(biāo)檢測(cè)模型的參數(shù)直至達(dá)到設(shè)定的訓(xùn)練次數(shù)或預(yù)測(cè)損失達(dá)到閾值。

優(yōu)先的，上述訓(xùn)練方法，所述目標(biāo)增強(qiáng)特征圖計(jì)算方式為：