[发明专利]检测网络模型和目标检测方法

说明书

本发明实施例提供一种检测网络模型和目标检测方法。本发明的检测网络模型，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；所述N个网络基础模块分别输出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。本发明可以实现对小目标的有效检测和识别。

技术领域

本发明实施例涉及图像处理技术，尤其涉及一种检测网络模型和目标检测方法。

背景技术

在自动驾驶、驾驶辅助预警等领域，其需要利用各种技术手段，例如超声波、雷达、机器视觉、红外线等，获取车辆周围环境信息，即对车辆周围环境中的目标物进行探测。其中，基于机器视觉的目标检测成本低、尺寸小、质量轻、功耗小、视觉范围广。

基于机器视觉的目标检测方法具体可以采用基于神经网络的目标检测方法，该基于神经网络的目标检测方法包括单阶段检测方法和双阶段检测方法，双阶段检测方法主要是R-CNN(Regions with Convolutional Neural Network Features)方法及其改进，单阶段检测方法包括SSD、YOLO及其改进。

其中，YOLO方法由于引入了全连接(Fully Connected)层，所以只能检测固定的图片的大小，并且对小目标(尺寸较小的目标，例如远处的人或物)识别能力较低。

发明内容

本发明实施例提供一种检测网络模型和目标检测方法，以实现对小目标的有效检测和识别。

第一方面，本发明实施例提供一种检测网络模型，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。

结合第一方面，在第一方面的一种可能的实现方式中，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个反卷积模块分别用于将所述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。

结合第一方面或第一方面的一种可能的实现方式，在第一方面的另一种可能的实现方式中，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；将所述第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；所述第(N-1)个中间结果为所述融合后的数据。