[发明专利]一种基于BSSD的目标检测方法与装置

说明书

本发明公开了一种基于BSSD(Bidirection Single Shot Multibox Detector)的目标检测方法与装置，其中BSSD网络模型基于SSD网络模型构建，先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，再通过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以得到用于小目标检测的特征层；改进后的BSSD能够充分利用各网络层所提取的特征信息，有效改善SSD没有使用高层特征语义信息的问题，并且进一步对SSD默认框的设置方式和模型训练时的数据扩增策略中的采样比例进行修改，以提高模型对小目标的检测能力。所以本发明改进后的BSSD相较于SSD对小目标检测具有更好的检测效果，并具有更优良的鲁棒性。

技术领域

本发明涉及一种基于BSSD(Bidirection Single Shot Multibox Detector)的目标检测方法与装置，通过对SSD(Single Shot Multibox Detector)中的高特征层与低特征层进行融合，对SSD默认框的设置方式进行修改，并对SSD训练方案中的数据扩增策略进行修改，能够有效提高模型对小目标的检测能力，属于计算机视觉处理技术领域。

背景技术

目标检测是计算机视觉领域最热门且最具挑战性的研究任务之一，在现实场景中有非常重要的应用，如人脸识别、行为识别、自动驾驶、智能视频监控等。随着深度学习的蓬勃发展，基于深度学习的目标检测算法已经成为主流，它具有识别精度高、速度快等优点，应用广泛。

当前主流的基于深度学习的目标检测算法主要分为两种：基于候选区域的目标检测算法、基于回归的目标检测算法。基于候选区域的目标检测算法有R-CNN、SPP-net、FastR-CNN、Faster R-CNN等，基于候选区域的目标检测算法将目标检测分成两步：区域提出、目标分类，该类算法检测精度较高但检测速度普遍达不到实时性要求，为了改正这一不足，基于回归的目标检测算法YOLO(You Only Look Once)和SSD相继产生。YOLO算法具有简单、检测速度快的优点，但是检测精度不高。SSD算法结合了YOLO中的回归思想以及Faster R-CNN中的anchor机制，与Faster R-CNN中只在共享的最后一个特征层上运行anchor机制不同，SSD在多个尺度的特征图上运行anchor机制，从而实现多尺度的目标检测。

SSD在保证具有近乎实时的检测速度的同时兼具了较高的检测精度，但是SSD对于小目标的检测能力依然有限。对于300×300的输入图像，SSD对于图像中小于32×32的小目标的召回率较低。在自动驾驶的环境中，距离无人车较远的目标在图像上的成像较小，对于这些目标，SSD的检出率较低，从而降低了系统的可靠性。

发明内容

发明目的：针对现有技术中存在的问题和不足，本发明提供一种基于BSSD的目标检测方法与装置，充分利用低层特征的位置信息以及高层特征的语义信息，能够有效改善SSD算法对于小目标检测能力不足的问题。

技术方案：为实现上述发明目的，本发明所提出的一种基于BSSD的目标检测方法，该方法能够充分利用各网络层所提取的特征信息，有效改善SSD算法没有使用高层特征语义信息的问题，对SSD默认框的设置方式进行修改，并且对模型训练时的数据扩增策略中的采样比例进行修改，提高模型对小目标的检测能力。该方法主要包括如下步骤：

(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；