[发明专利]一种适用于树莓派的轻量化深度网络图像目标检测方法

说明书

一种适用于树莓派的轻量化深度网络图像目标检测方法，属于深度学习和目标检测领域，首先收集含有待检测目标的图像，将收集到的图像进行预处理，用于网络训练；其次将预处理后得到的图像输入到深度可分离扩张卷积神经网络进行特征提取，得到不同分辨率特征图；接着将不同分辨率特征图输入到特征金字塔网络进行特征融合，生成携带更加丰富信息的融合特征图；然后采用检测网络对融合特征图进行待检测目标的分类与定位，最后进行非极大值抑制，得到最优的目标检测结果。本发明克服了基于深度神经网络的图像目标检测方法在树莓派平台上难以实现以及基于轻量化网络的图像目标检测方法在树莓派平台上检测准确率低的困难。

技术领域

本发明属于深度学习和目标检测领域，具体涉及一种适用于树莓派的轻量化深度网络图像目标检测方法。

背景技术

目标检测是计算机视觉中的一项基本任务。目标检测的主要目的是从输入图像或视频中定位感兴趣的对象，准确地对每个对象的类别进行分类，并为每个对象提供边界框。早期的目标检测技术采用手工提取特征的方法，将手工提取的特征与分类器相结合，实现目标检测任务。手工提取特征的方法不仅复杂，且提取到的特征不具有良好的表达能力和鲁棒性，因此研究者提出基于卷积神经网络的目标检测方法。卷积神经网络可以自主地学习到图像的有用特征，不仅节省了人工设计特征的局限性，还提高了目标检测的准确性。这些优点使得基于卷积神经网络的方法迅速取代传统方法成为目标检测领域的主流研究方向。

目前，基于卷积神经网络的图像目标检测模型通过加深网络层级来优化网络模型，以提升检测准确性。随着网络层级的加深，训练模型所需的硬件资源从普通硬件平台变为大规模高性能服务器，大规模的密集计算使得在资源有限的微型计算平台(如树莓派)中实现深度检测模型变得困难。针对上述问题，目前的技术方案主要是对深度卷积神经网络进行压缩与加速，减少网络参数和计算量，使深度神经网络模型的内存占用和计算力满足低配置的要求，但代价是检测准确性能大幅下降。

发明内容

为了解决上述技术问题，本发明旨在提供一种适用于树莓派的轻量化深度网络图像目标检测方法，克服了基于深度神经网络的图像目标检测方法在树莓派平台上难以实现以及基于轻量化网络的图像目标检测方法在树莓派平台上检测准确率低的困难。

为了实现上述技术目的，本发明的技术方案为：

一种适用于树莓派的轻量化深度网络图像目标检测方法，包括以下步骤：

(1)收集含有待检测目标的图像，将收集到的图像进行预处理，用于网络训练；

(2)将步骤(1)预处理后得到的图像输入深度可分离扩张卷积神经网络进行特征提取，得到不同分辨率特征图；

(3)选取步骤(2)得到的不同分辨率特征图输入特征金字塔网络进行特征融合，生成携带更加丰富信息的融合特征图；

(4)将步骤(3)生成的融合特征图输入检测网络进行待检测目标的分类与定位，最后进行非极大值抑制，得到最优的目标检测结果。

进一步地，步骤(1)的具体过程如下：

(a)选择待检测的目标类别，采集包含这些类别目标的图像，对目标进行标记，即对每张图像中出现的每一个待检测目标标注出其边界框和类别信息；

(b)采集的图像数量较少时，利用已有的图像进行数据增强操作。采用翻转、平移、旋转或加噪声等方法创造出更多的图像，使得训练的神经网络具有更好的效果；

(c)将图像分辨率统一转化为224*224以适应输入尺寸；

(d)将图像进行基于正负样本数目的优化，划分得到训练图像集和测试图像集。

进一步地，步骤(2)的具体过程如下：

(A)输入图像首先通过7*7的标准卷积块进行初步特征提取，得到112*112*64特征图，其中，64表示特征图的通道数；