[發明專利]一種小目標檢測識別方法、裝置、系統和存儲介質

有效

• 申請號: 202011483335.5
• 申請日: 2020-12-15
• 公開（公告）號: CN112508924B
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 李曉歡;盧昌達;趙峰;陳倩;唐欣
• 申請（專利權）人: 桂林電子科技大學;廣西綜合交通大數據研究院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/80;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 深圳市諾正鑫澤知識產權代理有限公司 44689
• 代理人: 羅華

本發明屬于圖像處理技術領域，公開了一種小目標檢測識別方法、裝置、系統和存儲介質。小目標檢測識別方法包括：獲取待檢測識別的目標圖像；將所述目標圖像輸入到預設的卷積神經網絡模型中進行檢測識別并輸出檢測識別結果；其中，預設的所述卷積神經網路模型可對所述目標圖像進行卷積處理、殘差處理、下采樣處理以及特征融合處理，得到目標圖像特征融合結果，并對得到的所述目標圖像特征融合結果進行檢測識別。通過獲取圖像并將圖像通過預設的卷積神經網絡模型進行包括卷積處理、殘差處理、下采樣處理以及特征融合處理等處理之后，進行檢測識別，能夠有效地檢測出圖像中的小目標，提高圖像檢測識別的準確性和精度，提高檢測識別的效率。

技術領域

本發明屬于計算機視覺和圖像處理技術領域，尤其涉及一種小目標檢測識別方法、裝置、系統和存儲介質。

背景技術

目標檢測是計算機視覺領域的研究熱點，受到學術界與工業界的密切關注。近年來，隨著深度學習技術的不斷發展，目標檢測再行人檢測、車輛檢測、障礙物檢測等領域有著不錯的效果。目前基于深度學習的目標檢測方法主要分為兩類：一類是基于RegionProposal(候選區域)的以R-CNN、Fast R-CNN、Faster R-CNN為代表的兩階段的算法；另一類是基于回歸的以YOLO、SSD等為代表的單階段算法。目前這兩類網絡模型各具優勢，基于候選區提取的兩階段算法精度較高，但實時性不足；基于回歸的單階段算法實時性較高，但精度不足。

然而以上兩種模型對圖像中的小目標的檢測識別精度比較低，且不能夠實時檢測。針對上述技術的不足，提出一種能夠實現對圖像中小目標實時檢測識別的方法。

發明內容

本發明實施例的目的在于提供一種小目標檢測識別方法，旨在解決現有技術中的小目標檢測識別方法難以準確檢測識別小目標且不能夠實時檢測的問題。

本發明實施例是這樣實現的，一種小目標檢測識別方法，所述方法包括：

獲取待檢測識別的目標圖像；

將所述目標圖像輸入到預設的卷積神經網絡模型中進行檢測識別并輸出檢測識別結果；其中，預設的所述卷積神經網路模型可對所述目標圖像進行卷積處理、殘差處理、下采樣處理以及特征融合處理，得到目標圖像特征融合結果，并對得到的所述目標圖像特征融合結果進行檢測識別。

優選地，預設的所述卷積神經網絡模型對所述目標圖像進行檢測識別并輸出檢測識別結果，具體包括：

對所述目標圖像進行卷積處理，并做第一次下采樣處理，得到第一特征圖；

對所述第一特征圖進行第一階段殘差處理，并做第二次下采樣處理，得到第二特征圖；

對所述第二特征圖進行第二階段殘差處理，并做第三次下采樣處理，得到第三特征圖；

對所述第三特征圖進行第三階段殘差處理，得到第四特征圖；

對所述第四特征圖進行第四次下采樣處理，得到第五特征圖；

對所述第五特征圖進行第四階段殘差處理，得到第六特征圖；

對所述第六特征圖進行第五次下采樣處理，并做第五階段殘差處理，得到第七特征圖；

將所述第四特征圖、所述第六特征圖和所述第七特征圖進行特征融合，得到融合特征結果；

將所述融合特征結果輸入預設的檢測器進行檢測識別，得到并輸出檢測識別結果，預設的所述檢測器由樣本圖像訓練得來。

優選地，所述第一階段殘差處理中，殘差處理的次數為1次；所述第二階段殘差處理中，殘差處理的次數2次；所述第三階段殘差處理中，殘差處理的次數8次；所述第四階段殘差處理中，殘差處理的次數8次；所述第五階段殘差處理中，殘差處理的次數4次。