[发明专利]一种基于卷积神经网络的目标检测方法

说明书

本发明涉及一种基于卷积神经网络的目标检测方法，包括：基于残差卷神经网络进行特征提取，得到逐层的基础特征图；将所述基础特征图由浅至深依次融合，得到融合特征图；基于区域生成网络对所述融合特征图进行候选框提取，得到候选目标区域特征图；根据所述融合特征图和所述候选目标区域特征图得到感兴趣区域特征图；根据所述感兴趣区域特征图基于全卷积层得到分类得分和边框回归。本发明针对小目标及遮挡目标具有较高检测精度。

技术领域

本发明涉及图像信息处理技术领域，特别是涉及一种基于卷积神经网络的目标检测方法。

背景技术

随着道路交通压力的日益增大，通过计算机技术对道路车辆的智能化管控已成为研究热门；利用道路监控设备对车辆目标进行检测，掌握路网的车辆数据及行车轨迹是优化交通、缓解交通压力的前提，同时车辆目标检测是无人驾驶、车辆跟踪、车辆特征识别领域的研究基础。

目前，卷积神经网络被广泛应用于车辆目标检测领域，常用的一般分为单阶段检测算法和双阶段检测算法，单阶段检测算法是一种基于回归的目标检测算法，双阶段检测算法首先生成候选区域，然后进行分类和细化。由于算法结构的差异，双阶段检测算法有更高的检测精度，但检测速度低于单阶段检测算法，适用于对检测精度要求较高的场景。

现有的双阶段目标检测算法存在以下问题：由于遮挡目标及小目标的特征较少，现有的算法对于浅层位置信息及上下文信息利用的不充分，使得小目标及遮挡目标的检测精度较低。

发明内容

本发明的目的是提供一种针对小目标及遮挡目标具有较高检测精度的基于卷积神经网络的目标检测方法。

为实现上述目的，本发明提供了如下方案：

一种基于卷积神经网络的目标检测方法，包括：

基于残差卷神经网络进行特征提取，得到逐层的基础特征图；

将所述基础特征图由浅至深依次融合，得到融合特征图；

基于区域生成网络对所述融合特征图进行候选框提取，得到候选目标区域特征图；

根据所述融合特征图和所述候选目标区域特征图得到感兴趣区域特征图；

根据所述感兴趣区域特征图基于全卷积层得到分类得分和边框回归。

优选地，所述基础特征图包括第一特征图、第二特征图、第三特征图和第四特征图。

优选地，所述将所述基础特征图由浅至深依次融合，得到融合特征图，包括：

对所述第一特征图进行下采样处理，得到下采样特征图；

对所述第二特征图进行卷积降维处理，得到降维特征图，所述降维特征图的通道数与所述下采样特征图的通道数相同；

将所述下采样特征图与所述降维特征图进行融合得到初始融合特征图；同理最终得到所述融合特征图。

优选地，所述对所述第一特征图进行下采样处理，得到下采样特征图，包括：

基于n个支路空洞卷积分别对所述第一特征图进行下采样处理；n为大于1的正整数；

将经过各支路空洞卷积进行下采样处理的所述第一特征图进行融合得到所述下采样特征图。

优选地，所述n为3，3个支路的空洞率分别为1、2和3。

优选地，所述基于区域生成网络对所述融合特征图进行候选框提取，得到候选目标区域特征图，包括：

基于第一设定卷积核对所述融合特征图进行卷积处理，得到第一卷积特征图；

基于第二设定卷积核对所述第一卷积特征图进行卷积处理，得到第二卷积特征图；