[发明专利]一种基于BSSD的目标检测方法与装置

权利要求书

1.一种基于BSSD的目标检测方法，其特征在于：包括如下步骤：

(1)将训练集的图像进行去均值处理并归一化到指定的大小；

(2)利用训练集对构建的BSSD网络模型进行训练；所述BSSD网络模型基于SSD网络模型构建，通过线性插值将相对较低的高层特征层与其之前的SSD用于检测最小目标的特征层进行融合，并通过passthrough的方法将相对较高的低层特征层与融合后的特征层进行拼接得到用于小目标检测的特征层；

(3)利用训练好的BSSD网络模型对测试图像中的目标进行检测，根据设置的阈值剔除检测置信度较低的检测框，并通过非极大值抑制的方法进一步减少检测框数目，对检测出的目标进行标注。

2.根据权利要求1所述的基于BSSD的目标检测方法，其特征在于：所述BSSD网络模型首先利用双线性插值算法将SSD中的第七个特征层上采样到与第四个卷积模块的第三个特征层同样的大小，并通过按位相加的方式与第四个卷积模块的第三个特征层进行融合；然后通过passthrough的方法对第三个卷积模块的第三个特征层的进行修改，拼接到上一步融合的特征层，得到用于小目标检测的特征层。

3.根据权利要求2所述的基于BSSD的目标检测方法，其特征在于：融合SSD的第七个特征层和第四个卷积模块的第三个特征层时，通过1×1卷积减少上采样第七个特征层得到的特征图的通道数，并以按位和的方式与第四个卷积模块的第三个特征层进行融合，然后使用3×3的卷积核对融合后的特征进行卷积，以消除上采样的混叠效应。

4.根据权利要求1所述的基于BSSD的目标检测方法，其特征在于：所述步骤(2)中训练BSSD网络模型时，使用K-means聚类算法对数据集中的真实框进行聚类，并根据聚类结果及交叉验证的方式确定BSSD中默认框的尺度及长宽比。

5.根据权利要求1所述的基于BSSD的目标检测方法，其特征在于：所述步骤(2)中训练BSSD网络模型时，改进SSD训练方案中的数据扩增策略，增加小采样比例。

6.根据权利要求1所述的基于BSSD的目标检测方法，其特征在于：所述步骤(2)中训练BSSD网络模型时，使用VGGNet预训练模型初始化BSSD中基础神经网络的参数。

7.根据权利要求1所述的基于BSSD的目标检测方法，其特征在于：训练BSSD网络模型的总目标损失函数定位损失L_loc和置信度损失L_conf加权求和获得；所述置信度损失L_conf的计算公式如下：

其中：表示第i个默认边界框与类别p的第j个真实边界框是否匹配，N是与真实边界框相匹配的默认边界框的个数，是第i个默认边界框类别为p的置信度，β_p是类别为p的权重因子，β₀是类别为背景的权重因子，γ是聚焦参数，是第i个默认边界框类别为背景的置信度，Pos表示所有的正样本，Neg表示所有的负样本。

8.一种基于BSSD的目标检测装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1-7任一项所述的基于BSSD的目标检测方法。

9.一种存储装置，存储有可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1-7任一项所述的基于BSSD的目标检测方法。