[發明專利]紅外圖像目標檢測模型構建方法、檢測方法、裝置及系統

在審

• 申請號: 202011560701.2
• 申請日: 2020-12-25
• 公開（公告）號: CN112580558A
• 公開（公告）日: 2021-03-30
• 發明（設計）人: 劉晴;徐召飛;王水根
• 申請（專利權）人: 煙臺艾睿光電科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/42;G06K9/62;G06N3/04;G06T3/40;G06T7/60
• 代理公司: 北京市萬慧達律師事務所 11111
• 代理人: 陳怡

本發明提供一種紅外圖像目標檢測模型構建方法、檢測方法、裝置及系統，構建方法包括：對初始紅外圖片集進行標注及預處理以獲得訓練樣本集；利用訓練樣本集進行訓練獲得紅外圖像目標檢測模型，紅外目標檢測模型包括特征提取主干網絡以及與特征提取主干網絡連接的檢測網絡；特征提取主干網絡包括q個卷積模塊，卷積模塊包括依次連接的深度可分卷積及第一卷積核；檢測網絡為采用SSD網絡的n個特征層進行檢測，SSD網絡包括m個特征層，且nm；該紅外圖像目標檢測模型構建方法通過增大卷積核及簡化SSD檢測器，在保證特征提取精度的同時減少數據傳輸和計算時間，實現輕量化檢測以更易于部署移動端設備。

技術領域

本發明涉及計算機信息處理技術領域，特別涉及一種紅外圖像目標檢測模型構建方法、檢測方法、裝置及系統。

背景技術

在智能交通和安防領域中，通過紅外鏡頭對周邊環境進行監測，是實現24小時全面監控的重要手段。由于紅外圖像對比度低、細節少等特點，使得其相對于普通的RGB圖像缺少更多的信息，增加了在紅外圖像上進行目標檢測的難度。在算力有限的平臺上，對紅外圖像中的人和車輛進行較為精準的檢測識別是目前要解決的重點技術難題。

近年來，深度神經網絡在目標檢測和識別領域取得了很深的進展，在各類場景中都取得了極好的識別效果。然而現有的基于深度學習的目標檢測算法大多應用于RGB彩色圖像，通常可以較為容易的提取其顏色、紋理等特征用于網絡訓練，得到較為精確的識別和定位。而對于紅外圖像，主要是通過提取其輪廓特征進行識別，所以一般的深度目標檢測網絡不能很好的直接遷移應用于紅外圖像。同時大部分的深度目標檢測網絡結構復雜，內部參數多，會消耗大量的計算和存儲資源，很難部署在常見的終端監控設備上運行。

傳統的運動目標檢測算法相對參數少，運算簡單，容易部署，但是只能檢測出圖像中的運動目標，很難滿足實際應用場景的業務需求。在實際應用中，無論是安防還是交通，都需要對靜止的目標進行檢測和識別。

因此使用輕量級的深度神經網絡進行目標檢測是實現算法在實際應用中滿足實時性、精確性的重要手段，如何設計適用于紅外圖像的輕量級深度目標檢測網絡也是實現智能交通和安防應用的重要需求。

發明內容

為解決上述技術問題，本發明提供了一種紅外圖像目標檢測模型構建方法、檢測方法、裝置及系統，其能有效實現紅外圖像目標檢測的輕量化。

本發明提供的技術方案如下：

第一方面，提供一種紅外圖像目標檢測模型構建方法，所述構建方法包括如下步驟：

對獲取的初始紅外圖片集進行標注及預處理以獲得訓練樣本集；

利用所述訓練樣本集進行訓練獲得紅外圖像目標檢測模型；

其中，所述紅外目標檢測模型包括特征提取主干網絡以及與所述特征提取主干網絡連接的檢測網絡；

所述特征提取主干網絡包括q個卷積模塊，所述卷積模塊包括依次連接的深度可分卷積及第一卷積核，q為正整數；

所述檢測網絡為采用SSD網絡的n個特征層對所述特征提取主干網絡輸出的n個特征輸出層進行檢測以獲得檢測結果的網絡，所述SSD網絡包括m個特征層，且nm，n、m均為正整數。

在一種較佳的實施方式中，所述構建方法還包括：預先構建用于訓練獲得所述紅外圖像目標檢測模型的紅外目標檢測網絡，其包括如下步驟：

搭建所述特征提取主干網絡，包括如下子步驟：將所述深度可分卷積及第一卷積核依次連接以構建第二卷積核，且將所述第二卷積核的輸入與輸出連接以構建卷積模塊；將p個卷積層和q個所述卷積模塊依次連接以搭建所述特征提取主干網絡；設置輸出通道遞增規則及降采樣規則，p、q均為正整數；

將所述檢測網絡的輸入端與所述特征提取主干網絡的輸出端建立連接；