[发明专利]一种单机运行的特征建筑目标检测方法和系统

说明书

本申请提供了一种单机运行的特征建筑目标检测方法和系统，其中，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；基于边界框，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。本申请所述技术方案在原有的yolo模型基础上，重新构建网络结构、训练方法、图片预处理方法，以及损失函数类型后，得到最终的目标检测模型，利用该模型在目标建筑数据集以及视频数据集中，能够保持平均正确率和召回率在99％以上。

技术领域

本申请涉及目标检测领域，特别涉及一种单机运行的特征建筑目标检测方法和系统。

背景技术

人类生活中存在着大量的图像和视频数据，随着互联网，人工智能技术，智能硬件的迅猛发展，这使得计算机视觉技术在人类生活中起到的作用越来越大，对计算机视觉的研究也越来越火热。本发明中的特征建筑目标检测系统是基于计算机视觉技术对特定建筑进行特征提取，识别，对于识别背景、军事识别、无人机探测等具有重要意义。

目标检测是计算机视觉领域中一个非常重要的研究方向。目标检测是指从一幅场景(图片)中找出目标，包括检测和识别两个过程。而目标基于深度学习的目标检测方法取得了巨大的成功。算法主要分为两类：一类是两阶段算法，生成一系列作为样本的候选框，再通过卷积神经网络进行样本分类；第二类不用产生候选框，直接将目标边框定位的问题转化为回归问题处理。第一类算法中包括R-CNN(Regions with convolution neuralnetwork，区域卷积神经网络)系列算法，其中最新的Faster-RCNN在检测准确率和定位精度很高，但达不到实时的目标检测，对每个候选区域分类计算量比较大，无法处理视频流数据。而第二类算法包括yolo系列(youonlylookonce，“你只看一眼”实时目标检测算法)和SSD(singleshotmultiboxdetector，单发多框检测器)等算法。yolo算法是基于图像的全局信息进行预测的，整体结构简单，速度能达到每秒45帧，但是存在定位不准以及召回率不如基于区域提名方法的问题，且对距离很近的物体和很小的物体检测效果不好，泛化能力相对较弱。SSD算法采用在整幅图像上各个位置用多尺度区域的局部特征图边框回归，保持yolo算法快速特性的同时，也保证了边框定位效果和Faster R-CNN类似。但因其利用多层次特征分类，导致其对于小目标检测困难。yolov2(youonlylookonceversion 2，第二代“你只看一眼”实时目标检测算法)重点解决了yolo中召回率和定位精度方面的误差，取得了很好的效果。现有的算法方案都是在通用目标检测图像库的基础上建立的，对特殊建筑的识别有偏差，不能直接应用在特征建筑目标检测当中。

发明内容

在军事领域中对于实时性和准确性要求较高，针对面向复杂场景的目标检测问题，需要在保证能够处理低速图像和高速的视频流数据的前提下，保障较高的准确性，但是现有的目标检测算法没有针对军事建筑等数据集实现的检测系统。现有的目标检测算法存在的问题：(1)对于建筑检测中，大量的相似建筑，清晰度、光照等问题造成的图片质量问题，以及不同的视角下建筑差异性等，是本项目要解决的第一个重要问题。(2)另外，考虑到此任务数据量较小，使用与yolov2模型不同的网络结构，减少模型参数以降低训练难度，同时保证实时性和准确性。

为解决上述问题之一，本申请提供了一种单机运行的特征建筑目标检测方法和系统。

根据本申请实施例的第一个方面，提供了一种单机运行的特征建筑目标检测方法，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。

根据本申请实施例的第二个方面，提供了一种单机运行的特征建筑目标检测系统，该系统包括