[發明專利]一種基于多尺度小樣本的航拍車輛檢測方法及檢測系統

有效

• 申請號: 202110259033.8
• 申請日: 2021-03-10
• 公開（公告）號: CN112949520B
• 公開（公告）日: 2022-07-26
• 發明（設計）人: 王祥豐;向王濤;金博;吳倩;張致愷
• 申請（專利權）人: 華東師范大學
• 主分類號: G06V20/17
• 分類號: G06V20/17;G06V10/25;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 上海德禾翰通律師事務所 31319
• 代理人: 夏思秋

本發明公開了一種基于多尺度小樣本的航拍車輛檢測方法，包括：首先使用數據增強方法擴大采集到的數據集，然后采用多尺度適應算法讓深度學習模型為不同尺寸的目標提取通用特征；同時使用小樣本學習提取淺層特征生成帶有小樣本信息的加權特征參數；最后把兩部分特征合并輸入到后續深度學習模型得到檢測框，綜合使用高斯混合模型方法、分類置信度和軟交并比(Soft?IoU)算法提取最終結果。本發明通過以上技術方案有效的解決了航拍車輛圖像檢測中所遇到的多尺度、小樣本、高密度的技術問題。

技術領域

本發明涉及計算機視覺技術領域，更具體地，涉及一種基于多尺度小樣本的航拍車輛檢測方法。

背景技術

近年來，基于深度學習的目標檢測算法是計算機視覺領域一個非常熱門的研究方向，目前，基于深度學習的目標檢測算法主要分為一階段基于回歸的檢測算法和二階段基于候選框的檢測算法。兩類算法都是基于深度學習網絡技術。通過向網絡模型輸入光學相機圖像，然后檢測出預設分類在光學圖像中的位置。目標檢測是人工智能領域中一項舉足輕重的科學技術，得到了工業界和學術界廣泛的關注。人工智能技術在目標檢測領域中取得了非常不錯的結果。

近年來隨著航拍技術的快速發展。大量航拍數據急需處理。傳統人工識別分析的方式成本高、效率低、出錯率高，無法滿足高質量的數據分析需求。所以在實際運用中把深度學習技術運用到航拍數據中可以提高數據分析的效率，而面對海量的航拍圖像，快速、正確、高效地實現感興趣目標的檢測識別變得非常重要。而現有基于深度學習的通用目標檢測技術在航拍圖像的目標檢測應用中遇到了目標小、環境復雜、目標密度高、目標姿態復雜為主的眾多問題。因此提出一種針對航拍圖像的目標檢測算法非常重要。

發明內容

為解決航拍車輛圖像檢測中遇到的三大技術難點：由航拍高度、角度不一導致的多尺度問題；高密度的單目標檢測損失許多檢測框問題；航拍圖像無法使用常規數據集訓練導致的小樣本問題，本發明提出了一種基于多尺度小樣本的航拍車輛檢測方法。此外，本發明也可以應用于任何有小目標、高密度、小樣本等問題的檢測中。

本發明是通過以下技術方案實現的，首先使用數據增強方法擴大采集到的數據集，然后采用多尺度適應算法讓深度學習模型為不同尺寸的目標提取通用特征；同時使用小樣本學習提取淺層特征生成帶有小樣本信息的加權特征參數，多尺度適應算法和小樣本學習方法適用于所有數據，針對數據中存在不一樣的問題得以解決；最后把兩部分特征合并輸入到后續深度學習模型得到檢測框，綜合使用高斯混合模型方法、分類置信度，分類置信度是一種通用的算法，根據分類輸出的置信度是否滿足預設閾值，剔除不滿足閾值的檢測框和軟交并比(Soft-IoU)算法提取最終結果，具體包括以下幾個步驟：

步驟一：讀取輸入圖片，進行圖像預處理，然后對輸入圖像進行常規數據增廣，生成增強數據集，從而增加訓練集分布多樣性，提高模型泛化性。

所述的數據增廣方式有：隨機角度旋轉，隨機翻轉，隨機調整亮度、對比度和飽和度，和隨機剪裁。

步驟二：將步驟一經擴充的圖像，即增強數據集，按隨機比例采用內插值的上采樣方法，即在原有圖像像素的基礎上在像素之間采用雙線性插值算法插入新的元素。上采樣將經步驟一得到的一副任意大小的P×Q圖像縮放至固定大小M×N。目的在于使得輸入圖像大小固定，固定圖片尺寸，方便輸入到后續的網絡模型中。

所述的基于內插值的上采樣方法采用雙線性插值的方法。假設想得到未知函數f在點p＝(x,y)的值，已知函數f在Q₁₁＝(x₁,y₁),Q₁₂＝(x₁,y₂),Q₂₁＝(x₂,y₁)及Q₂₂＝(x₂,y₂)四個點的值。首先在x方向線性插值，得到：