[发明专利]一种单机运行的特征建筑目标检测方法和系统

权利要求书

1.一种单机运行的特征建筑目标检测方法，其特征在于，该方法的步骤包括：

对获取的图像数据进行预处理，获得数据集；

利用基于yolov2模型和快速区域卷积神经网络Faster RCNN算法确定的预测边界框，预测目标的种类和位置；

根据利用目标的种类和位置确定的损失函数，经训练获得检测结果。

2.根据权利要求1所述的特征建筑目标检测方法，其特征在于，所述获取的图像数据包括：含目标建筑的图片与标注数据和背景数据集。

3.根据权利要求1或2所述的特征建筑目标检测方法，其特征在于，所述对获取的图像数据进行预处理，获得数据集的步骤包括：

将每个图像对应标注一个标签文件，标签文件的内容包括：图片长、宽、通道数以及待检测目标在图像中的坐标位置；

对图像进行补全、平移、旋转变换、放射变化和增加通道噪声，获得扩充后的数据集。

4.根据权利要求1所述的特征建筑目标检测方法，其特征在于，所述利用基于yolov2模型和Faster RCNN算法确定的预测边界框，预测目标的种类和位置的步骤包括：

在含有6层卷积层的yolov2模型中的每层加入批标准化Batch normalization，并对中间层进行归一化处理，再通过带泄漏整流函数Leaky relu增加数据的非线性，获得公式：

其中，表示泄漏线性整流函数，x表示输入数据；

在最后一层卷积层之后加入9层残差网络resnet；

利用Faster RCNN算法中的锚定框，预测目标的种类和位置。

5.根据权利要求4所述的特征建筑目标检测方法，其特征在于，所述利用Faster RCNN算法中的锚定框，预测目标的种类和位置的步骤包括：

去掉卷积层中最后的池化层；

将预测类别的机制从空间位置中解耦，有锚定框同时预测类别和坐标。

6.根据权利要求1所述的特征建筑目标检测方法，其特征在于，所述损失函数为：

其中，λ_coord为坐标预测的损失权重，S²为yolo算法中网格数量，B为每个网格中的boundingbox(标识物体的边框)数量，和表示第i个网格的第j个boundingbox是否负责预测某个物体(预测某个物体时，为1，为0；不预测时取值相反)，(x_i,y_i)和分别表示预测的和真实的目标位置，(w_i,h_i)和分别表示预测的和真实的目标框大小，C_i和分别表示预测的和真实的目标置信度，λ_noobj为物体类别预测的损失权重，表示第i个单元中是否有物体，c表示物体类别，p_i(c)和分别表示物体类别为c的概率的预测值和真实值。

7.一种单机运行的特征建筑目标检测系统，其特征在于，该系统包括：

预处理模块，对获取的图像数据进行预处理，获得数据集；

预测模块，利用基于yolov2模型和快速区域卷积神经网络Faster RCNN算法确定的预测边界框，预测目标的种类和位置；

训练模块，根据利用目标的种类和位置确定的损失函数，经训练获得检测结果。

8.根据权利要求7所述的特征建筑目标检测系统，其特征在于，所述预处理模块具体执行如下步骤：

将每个图像对应标注一个标签文件，标签文件的内容包括：图片长、宽、通道数以及待检测目标在图像中的坐标位置；

对图像进行补全、平移、旋转变换、放射变化和增加通道噪声，获得扩充后的数据集。