[發明專利]一種基于高級語義特征無錨框非合作目標檢測方法

在審

• 申請號: 202110039412.6
• 申請日: 2021-01-13
• 公開（公告）號: CN112861915A
• 公開（公告）日: 2021-05-28
• 發明（設計）人: 張弘;閆超奇;陳浩;楊一帆;袁丁;李巖
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及一種基于高級語義特征無錨框非合作目標檢測方法，主要包括：輸入圖像、特征提取融合模塊、檢測頭模塊、檢測結果四個部分。具體檢測方法如下：獲取目標檢測數據集并對輸入圖像進行預處理獲取網絡需求的標簽信息；設置具有高級語義特征信息的網絡模型參數及各種訓練參數；對經過特征提取融合模塊的多尺度特征層進行階梯融合，獲取具有高級語義信息的檢測特征層；將獲得的高級語義信息特征層送入檢測頭，獲取目標中心點熱圖和目標尺度預測圖；進行分類和回歸操作，計算損失，反向傳播，進行網絡參數的迭代更新；完成網絡訓練后，進行實際場景測試。

技術領域

本發明涉及一種基于高級語義特征無錨框非合作目標檢測方法，適用于高清圖像復雜場景下非合作目標檢測領域。

背景技術

目標檢測技術是計算機視覺領域最基本的問題之一，它通常被視為是一種低層級的技術，比如說它涵蓋典型的邊緣檢測任務包括Canny,Sobel,感興趣區域檢測包括LoG,MSER等等。圖像特征檢測對于從圖像表示、圖像匹配到三維場景重建等各種計算機視覺任務都具有重要意義。通常來講，特征被定義為圖像中“感興趣”的部分，因此特征檢測的目的是計算圖像信息的抽象表達，即在每個圖像點上做出局部決策，無論該點是否存在給定類型的圖像特征。關于圖像信息的抽象表達，隨著計算機視覺任務的飛速發展，很多研究者開始利用CNN解決目標檢測和分割問題。相對于傳統的算法，基于卷積神經網絡的算法更加高效，不僅不需要建立匹配模型，而且在運算速度上更加快速，同時，卷積神經網絡還可以將低層特征抽象成高層特征，獲取更深層次的信息，進而通過這些信息轉換出分類、檢測或分割的結果。

目標檢測目前有one-stage和two-stage兩種，two-stage指的是檢測算法需要分兩步完成，首先需要獲取候選區域，然后進行分類，比如R-CNN系列；與之相對的是one-stage檢測，可以理解為一步到位，不需要單獨尋找候選區域，典型的有SSD等。比如說，Faster R-CNN算法先生成候選框，然后再對每個候選框進行分類(也會修正位置)。這類算法相對就慢，因為它需要多次運行檢測和分類流程。而one-stage檢測方法，僅僅需要送入網絡一次就可以預測出所有的邊界框，因而速度較快，非常適合移動端。進一步講，以上算法都需要設置精心制定的錨框用于負責不同區域、不同大小的目標檢測。研究人員普遍認為預制定的參數是目標檢測模型成功與否的關鍵。在過去的相關實驗中研究人員也證明了錨點的超參數對于模型的預測能力有著相當重要的影響。

但是，上述基于錨框的目標檢測方法存在的缺點主要體現在：

(1)檢測模型的表現對于一些超參數，諸如錨點框的尺寸，比例，個數非常敏感，AP值波動有些模型能達到4％之多，因此，為了獲得更優的模型，這些超參數需要仔細地調整，測試，同時這種精心制定的參數降低了基于錨點模型的魯棒性，每次遇到一個全新的數據集都需要重新設計錨點框的超參數，增加了模型參數調試的復雜度。

(2)即使經過了仔細的設計，由于錨點框的比例與尺寸在模型建立時必須固定，會產生一個嚴重的問題，即檢測模型對形狀變化較大的目標集尤其是小目標的時候，對于模型的檢測難度顯著提升。

(3)為了進一步獲得更好的召回率，通常模型會在每一層特征層上鋪設密集的錨點框，但是絕大多數的錨點框在訓練的過程中會被標注為負樣本，過多的負樣本加劇了模型正負樣本數量的不均衡，導致模型無法對背景敏感。

發明內容

本發明解決的技術問題是：克服現有技術的不足，針對被探測目標的真實位置信息除了傳感器可以直接量測之外，再無任何其他技術手段能夠獲取目標的準確位置的非合作目標，提供一種基于高級語義特征無錨框非合作目標檢測方法，提升了小目標在復雜場景下多種變尺度情況下的目標檢測精度，舍棄了傳統了基于錨點框設定的方式，提升了模型檢測的精度。

本發明的技術解決方案為：基于高級語義特征無錨框非合作目標檢測方法，步驟如下：

(1)根據目標特征，收集拍攝數據圖像，確定訓練及測試數據集。