[发明专利]基于超分辨重建的目标检测系统及方法

权利要求书

1.一种基于超分辨重建的目标检测系统，其特征在于，所述系统包括：

数据采集模块，被配置为采集待检测的图像数据；

超分辨率重建模块，被配置为接收所述数据采集模块所采集的图像数据，并对所述图像数据进行超分辨率重建处理；

目标检测模块，被配置为对经过超分辨率重建处理的所述图像数据进行目标检测；以及

划分和融合模块，被配置为将经过目标检测的所述图像数据裁剪为多个子图像数据，并将各个所述子图像数据的检测结果映射至组合后的图像数据中以进行坐标融合，从而得到目标检测结果。

2.根据权利要求1所述的基于超分辨重建的目标检测系统，其特征在于，在所述目标检测模块中，使用单点多框检测(SSD)算法。

3.根据权利要求1所述的基于超分辨重建的目标检测系统，其特征在于，在所述划分和融合模块中，对经过目标检测的所述图像数据进行裁剪的步长是基于边缘检测得到的数值。

4.根据权利要求1所述的基于超分辨重建的目标检测系统，其特征在于，所述超分辨率重建模块是经训练的时空亚像素卷积网络，所述时空亚像素卷积网络包括运动估计部分和超分辨率部分，其中，通过以下处理对所述时空亚像素卷积网络进行训练：

所述超分辨率部分的Loss公式如下：

所述运动估计部分的Loss公式如下：

其中，近似为

ε＝0.01

所述时空亚像素卷积网络在进行端到端训练时的总Loss公式如下：

其中θ_Δ为所述运动估计部分的参数，θ为所述超分辨率部分的参数，表示图像帧，表示经过扭曲处理的图像帧。

5.根据权利要求1所述的基于超分辨重建的目标检测系统，其特征在于，在所述目标检测模块中采用目标损失函数L_Det，目标损失函数L_Det通过以下等式得到：

其中：N是与真实框相匹配的默认框的个数，L_loc是Fast R-CNN中平滑1-范数损失函数，L_conf为Softmax Loss，c为每一类的置信度，α为权重项且设置为1。

6.一种基于超分辨重建的目标检测方法，其特征在于，所述方法包括以下步骤：

数据采集步骤，采集待检测的图像数据；

超分辨率重建步骤，接收所采集的图像数据，并对所述图像数据进行超分辨率重建处理；

目标检测步骤，对经过超分辨率重建处理的所述图像数据进行目标检测；以及

划分和融合步骤，将经过目标检测的所述图像数据裁剪为多个子图像数据，并将各个所述子图像数据的检测结果映射至组合后的图像数据中以进行坐标融合，从而得到目标检测结果。

7.根据权利要求6所述的基于超分辨重建的目标检测方法，其特征在于，在所述目标检测步骤中，使用单点多框检测(SSD)算法。

8.根据权利要求6所述的基于超分辨重建的目标检测方法，其特征在于，在所述划分和融合步骤中，对经过目标检测的所述图像数据进行裁剪的步长是基于边缘检测得到的数值。

9.根据权利要求8所述的基于超分辨重建的目标检测方法，其特征在于，在所述超分辨率重建步骤中，使用经训练的时空亚像素卷积网络，所述时空亚像素卷积网络包括运动估计部分和超分辨率部分，

其中，通过以下处理对所述时空亚像素卷积网络进行训练：

所述超分辨率部分的Loss公式如下：

所述运动估计部分的Loss公式如下：

其中，近似为

ε＝0.01

所述时空亚像素卷积网络在进行端到端训练时的总Loss公式如下：

其中θ_Δ为所述运动估计部分的参数，θ为所述超分辨率部分的参数，表示图像帧，表示经过扭曲处理的图像帧。

10.根据权利要求6所述的基于超分辨重建的目标检测方法，其特征在于，在所述目标检测步骤中采用目标损失函数L_Det，目标损失函数通过以下等式得到：

其中：N是与真实框相匹配的默认框的个数，L_loc是Fast R-CNN中平滑1-范数损失函数，L_conf为Softmax Loss，c为每一类的置信度，α为权重项且设置为1。