[发明专利]一种基于多尺度匹配策略深度特征学习的目标检测方法

权利要求书

1.一种基于多尺度匹配策略深度特征学习的目标检测方法，其特征在于：包括以下步骤，

步骤一：聚类目标宽高比，划分单元格

首先对数据集中所有具有真实框的被检测目标按照类别对宽高比进行聚类，得到所有类别默认框的宽高比信息，随后将数据集中每一张整幅图像按S*S个单元格进行划分，13≤S≤26；

步骤二：多尺度匹配默认框，学习偏移量，得到预测框

计算被检测目标的中心坐标，提取其所在单元格的直实框信息，将所有默认框依次与被检测目标的真实框进行比对，选择具有最大IoU值的默认框，并按照以下公式计算偏移量，得到预测框；

b_x＝c_x+p_x

b_y＝c_y+p_y

b_f＝p(b,obj)*p_f

其中，b_x，b_y，b_w，b_h，b_f分别表示预测框的横坐标、纵坐标、宽、高以及包含目标的自信度，p_x，p_y，p_w，p_h，p_f分别表示残差神经网络输出的横坐标、纵坐标、宽、高的偏移量和自信度，c_x，c_y，c_w，c_h分别表示默认框的横坐标、纵坐标、宽和高，p(b,obj)为示性函数，当输出的p_f高于阈值t时，0.5≤t≤0.7，p(b,obj)为1，否则为0；

步骤三：多深度特征融合，检测多尺度目标

对整个残差神经网络的多个深度提取特征并进行融合后，并对整个残差神经网络的进行优化，对步骤二得到的预测框与真实框使用均方误差进行误差计算；

步骤四：进行训练

利用步骤三优化后的残差神经网络进行训练，在整个训练过程中，使用的批次大小为z,2≤z≤32，动量为m,0.5≤m≤0.9，衰减速率为v，0.0001≤v≤0.0008，在训练过程中使用随机丢弃和数据增强功能，整个训练过程的初始学习率为10^-2，随后按照10^-1的速度衰减并训练e个周期，120≤e≤150；

步骤五：绘制预测框

训练完成后，提取经过训练之后的残差神经网络的输出来绘制预测框，完成目标检测。

2.如权利要求1所述的一种基于多尺度匹配策略深度特征学习的目标检测方法，其特征在于：数据集采用为PASCAL VOC数据集。

3.如权利要求1所述的一种基于多尺度匹配策略深度特征学习的目标检测方法，其特征在于：预测框与真实框使用均方误差进行误差计算的公式为，

其中，S表示划分的单元格数量，N表示默认框的数量，x_ij，y_ij，w_ij，h_ij，f_ij分别表示第i个单元格第j个默认框中真实框的横坐标、纵坐标、宽、高以及类别概率，分别表示第i个单元格第j个默认框中预测框的横坐标、纵坐标、宽、高以及类别概率，i＝1,2,…,S，j＝1,2,…,N，设置α等于0.1来平衡正负样本，和均为示性函数，表示第i个单元格第j个默认框是否包含目标，如果高于阈值t，为1，为0，否则相反。