[发明专利]检测网络模型和目标检测方法

权利要求书

1.一种检测网络模型，其特征在于，应用于远距离的目标检测，包括：

多尺度融合模块、超像素分类模块、检测框回归模块以及串联的N个网络基础模块；

其中，每个网络基础模块的输出端与所述多尺度融合模块的输入端连接，所述多尺度融合模块的输出端与所述超像素分类模块和所述检测框回归模块连接；

所述N个网络基础模块用于对待处理图像进行N次非线性变换，并分别输出N个不同尺度特征的图像信息，所述多尺度融合模块用于将所述N个不同尺度特征的图像信息进行融合生成融合后的数据，所述超像素分类模块对所述融合后的数据进行分类处理，输出超像素的分类结果，所述检测框回归模块用于对所述融合后的数据进行检测框回归处理，输出超像素的检测框回归结果；

所述多尺度融合模块包括（N-1）个尺度融合模块；

其中，所述（N-1）个尺度融合模块用于对所述N个不同尺度特征的图像信息中任意两个不同尺度特征的图像信息进行第一尺度融合，生成第1个中间结果；将第j个中间结果与一个图像信息进行第j尺度融合，生成第j个中间结果，其中，j取1至（N-1）中的整数，第1至第N个图像信息的尺度特征不同；第（N-1）个中间结果为所述融合后的数据。

2.根据权利要求1所述的检测网络模型，其特征在于，所述多尺度融合模块包括N个反卷积模块和一个尺度融合模块；

一个网络基础模块的输出端与一个反卷积模块的输入端连接，所述N个反卷积模块的输出端均与所述尺度融合模块的输入端连接，所述尺度融合模块的输出端与所述超像素分类模块和所述检测框回归模块连接；

其中，所述N个反卷积模块用于将所述N个不同尺度特征的图像信息转换为相同尺度特征的图像信息，所述尺度融合模块用于对所述N个反卷积模块输出的相同尺度特征的图像信息进行融合，生成融合后的数据。

3.根据权利要求1或2所述的检测网络模型，其特征在于，所述网络基础模块包括网络层和尺度变化层，所述网络层包括残差网络ResiduelNet层、密集网络DenseNet层和谷歌网络GoogLeNet层中任意一项。

4.根据权利要求3所述的检测网络模型，其特征在于，所述尺度变化层包括卷积层或池化层。

5.一种目标检测方法，其特征在于，应用于远距离的目标检测，所述方法包括：

将待处理图像输入检测网络模型；

对所述待处理图像进行N次非线性变化，分别输出N个不同尺度特征的图像信息；

将所述N个不同尺度特征的图像信息进行融合生成融合后的数据；

对所述融合后的数据进行分类处理，输出超像素的分类结果；

对所述融合后的数据进行检测框回归处理，输出超像素的检测框回归结果；

所述将所述N个不同尺度特征的图像信息进行融合生成融合后的数据，包括：

对所述N个不同尺度特征的图像信息中任意两个不同尺度特征的图像信息进行第一尺度融合，生成第1个中间结果；

将第j个中间结果与一个图像信息进行第j尺度融合，生成第j个中间结果，其中，j取1至（N-1）中的整数，第1至第N个图像信息的尺度特征不同；

第（N-1）个中间结果为所述融合后的数据。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

根据所述超像素的分类结果和待检测目标类别生成类掩码矩阵；

根据所述类掩码矩阵和所述超像素的检测框回归结果，获取所述待检测目标类别的超像素的检测框回归结果；

对所述待检测目标类别的超像素的检测框回归结果进行归并和去重处理，输出目标检测结果。

7.根据权利要求5所述的方法，其特征在于，所述对所述待处理图像进行N次非线性变化，分别输出N个不同尺度特征的图像信息，包括：

对所述待处理图像进行第1次非线性变化，输出第1个图像信息；

对第i个图像信息进行第i+1次非线性变化，输出第i+1个图像信息；

其中，i取1至（N-1）中的整数，第1至第N个图像信息的尺度特征不同。