[發明專利]一種適于目標檢測的CW-m2det方法及其系統

在審

• 申請號: 202110502219.1
• 申請日: 2021-05-08
• 公開（公告）號: CN113177547A
• 公開（公告）日: 2021-07-27
• 發明（設計）人: 梁興柱;程威;汪立鑫;方賢進
• 申請（專利權）人: 安徽理工大學
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/34;G06K9/62;G06N3/04
• 代理公司: 北京同輝知識產權代理事務所(普通合伙) 11357
• 代理人: 苗苗

一種適于目標檢測的CW?m2det方法，屬于計算機視覺技術領域包括：提取目標圖像，對目標圖像進行裁剪和質量篩選，采用馬賽克數據增強對目標圖像進行增強；構建CW?m2det特征提取網絡，所述CW?m2det特征提取網絡包括主干特征提取網絡、MLFPN特征提取網絡，將增強后數據輸入CW?m2det特征提取網絡，經過MLFPN特征提取網絡取網絡獲得分類和定位結果；再使用非極大抑制篩選掉重合程度較大的檢測框；計算模型損失，優化模型參數，訓練模型。本發明在主干網絡中添加殘差結構，修改激活函數來提高m2det算法的檢測效果，同時使用了圖片自定義預處理過程有效的改善了對小目標的檢測精度。

技術領域

本公開屬于計算機視覺技術領域，具體涉及一種適于目標檢測的CW-m2det方法及其系統。

背景技術

目標檢測是計算機視覺和數字圖像處理的一個熱門方向，廣泛應用于機器人導航、智能視頻監控、工業檢測、航空航天等諸多領域，通過計算機視覺減少對人力資本的消耗，具有重要的現實意義。因此，目標檢測也就成為了近年來理論和應用的研究熱點，它是圖像處理和計算機視覺學科的重要分支，也是智能監控系統的核心部分，同時目標檢測也是泛身份識別領域的一個基礎性的算法，對后續的人臉識別、步態識別、人群計數、實例分割等任務起著至關重要的作用。基于深度學習的目標檢測算法主要分為One-Stage目標檢測算法和Two-Stage目標檢測算法。Two-Stage目標檢測算法將檢測問題劃分為兩個階段，首先通過某種方式產生候選區域，然后對候選區域進行分類包括對候選區域位置的精修，R-CNN系列是其中典型的代表。Two-Stage方法識別錯誤率低，漏識別率也低，但速度較慢，并不能滿足實時的場景預測。而One-Stage方法相反，只有一個邏輯結構，輸入圖像經過模型可直接單次得到最終的檢測結果，故有較高的檢測速度。相對來說，考慮到時間、空間代價，One-Stage的檢測器大多數時候能做到相同準確度的情況下更快，也更具有實用性。

現有的主流One-Stage算法在應對小目標和多尺度對象時，例如成群的飛鳥，雖然使用了多層特征融合技術，使用淺層的特征層去預測小目標，但效果仍是不盡人意。

公開內容

針對現有技術的不足，本公開的目的在于提供一種適于目標檢測的CW-m2det方法及其系統，解決了現有技術中對小目標的檢測精度不足的問題。

本公開的目的可以通過以下技術方案實現：

一種適于目標檢測的CW-m2det方法，所述CW-m2det方法包括以下步驟：

S1：提取多小目標圖像，進行圖像切割，質量篩選，采用馬賽克數據增強對目標圖像進行增強：

S2：使用k均值聚類算法計算出最優候選框尺寸大小；

S3：構建CW-m2det特征提取網絡，將增強后的數據輸入CW-m2det特征提取網絡，再經過MLFPN特征提取網絡獲得模型的分類結果和定位結果；使用非極大抑制篩選掉重合程度較大的檢測框；

S4：將數據輸入CW-m2det特征提取網絡進行，計算模型損失，優化模型參數，完成訓練。

進一步地，所述CW-m2det特征提取網絡包括改進版VGG主干特征提取網絡、MLFPN特征提取網絡。

進一步地，所述特征網絡激活函數為Mish激活函數，分類、定位特征網絡的激活函數為LRelu激活函數。

進一步地，所述步驟S1中目標圖像的預處理過程，包括以下步驟：

S11：提取多小目標圖像，為了最大化小目標物體輸入模型的特征信息，對輸入圖片進行切割。同步更新圖片中的真實框坐標；

S12：計算標注中真實框像素點面積，并與預設面積閾值進行比較，如果大于預設面積閾值保留該標注信息，否則移除該標注；