[发明专利]基于多尺度和多层特征融合的快速目标检测方法

权利要求书

1.一种基于多尺度和特征融合的快速目标检测方法，其特征在于，包括以下步骤：

1)设计卷积神经网络的主要模块Front module和Tinier module；

2)由基础模块构建完整的卷积神经网络结构；

3)将低层次的特征图进行上采样，得到与上一层同样尺度的特征图；

4)将不同层次的特征图进行融合操作，得到新的特征图；

5)预处理训练集，并初始化卷积神经网络训练参数；

6)训练神经网络，即通过不断迭代前向传播过程、反向传播过程优化网络的参数；包括以下具体步骤：

61)卷积神经网络进行前向传播，方法如下：

其中，表示网络的m层和m-1层之间的权重矩阵，表示偏移参数，p^(m)表示m层的节点数目，表示非线性激励函数，通常使用tanh、sigmoid或者ReLU函数；

62)根据每个图片的真实标签信息和前向传播得到到预测信息，计算网络的损失函数；

63)执行反向传播过程，计算损失函数关于某一节点的偏导数，使用梯度下降法更新网络的权重参数；方法如下：

其中m表示层数，i表示神经元在层中的序号，j表示一个神经元输入的序号，α表示学习率；

64)重复步骤61)～步骤63)直至损失函数小于阈值或者达到最大迭代次数；

65)保存训练好的网络模型；

7)使用训练好的网络模型对测试图像中的目标进行检测。

2.根据权利要求1所述的方法，其特征在于，所述步骤1)包括以下具体步骤：

11)构建前置模块Front module；

12)构建主体模块Tinier module；

步骤11)包括以下具体步骤：

111)使用3层卷积层和1层最大池化层组成Front module；

112)在每个卷积层之后依次添加权重归一化层和激活函数层；

113)3层卷积层位置在前面，1层最大池化层在最后；

114)初始化卷积层和池化层参数，三层卷积层卷积核大小为3×3，卷积核的个数分别为64,64,128，最大池化层大小为2×2，步长为2；

步骤12)包括以下具体步骤：

121)使用4层卷积层组成Tinier module；

122)将第一层和第三层卷积层的卷积核大小设置为1×1；

123)将第二层和第四层的卷积层的卷积核大小设置为3×3，提取图像中的抽象特征。

3.根据权利要求1所述的方法，其特征在于，所述步骤2)包括以下具体步骤：

21)使用1个Front module，5个Tinier module和2个Detector layer组成完整的卷积神经网络结构；

22)调整每个模块的位置，Front module在最前面，Tinier module在中间，Detectorlayer在最后，前三个Tinier module之后加入最大池化层；

23)设定Detector Layer的主要参数。

4.根据权利要求3所述的方法，其特征在于，所述步骤23)包括以下具体步骤：

231)Detector layer使用1×1的卷积层；

232)根据数据集中目标的类别总数确定1×1的卷积层的卷积核个数，方法如下：

N_output＝N_box+(5+N_boxclasses)

其中N_output是最后一层卷积核个数，N_box是特征图中每一个点负责检测物体的个数，默认值为3，N_boxclasses是类别数；使用KITTI数据集作为训练集，包含3个物体类别，分别是汽车，行人，自行车，N_boxclasses设置为3。