[发明专利]一种基于卷积区域重配准的单阶段目标检测方法

说明书

本发明公开了一种基于卷积区域重配准的单阶段目标检测方法，包括获取检测图片的训练集；对训练集的训练图片和测试图片进行像素的标准化并将图片缩放至相同大小；建立深度卷积神经网络结构，利用损失函数及所述训练集进行训练得到网络模型；根据网络模型对测试图片测试，基于第一阶段的坐标回归结果，对卷积核采样区域进行重新定位，在特征金字塔的基础上判断前景目标区域的具体类别并进行第二阶段的坐标回归；对获得的检测结果通过非极大值抑制的方法进行后处理，获得最终的检测结果。本发明能够根据图片中目标的不同大小，自适应地调整第二阶段检测时卷积核的感受野，获取更加完整的特征信息，从而达到更好的目标检测效果。

技术领域

本发明涉及深度神经网络目标检测技术领域，特别涉及一种基于卷积区域重配准的单阶段目标检测方法。

背景技术

随着深度学习技术的发展，基于深度学习的目标检测技术越来越受到人们的重视，应用范围也逐渐扩大，小到智能手机的摄像头，大到工业生产的流水线，都有目标检测技术的用武之地。传统的目标检测技术需要专业人员针对特定的应用场景，设计相应的特征提取器和分类器，如HOG特征(Histogram of Oriented Gradient简写，代表方向梯度直方图)和SVM分类器(Support Vector Machine简写，代表支持向量机)等。但是传统目标检测检测技术应用场景单一，可移植性与鲁棒性较差，每次重新部署或者改变检测对象都需要重新设计特征提取器与分类器，局限性较大。

自深度学习技术出现后，目标检测技术也得到了突飞猛进的发展，许多检测框架被提出并且很快就被应用于工业生产和实际生活中。现有的检测框架主要分为单阶段检测框架和双阶段检测框架。其中，单阶段检测框架包括SSD、YOLO等，双阶段检测框架包括Faster-RCNN、Mask-RCNN等。双阶段检测框架具有更复杂的特征提取结构，在特征提取网络的基础上，使用区域特征池化等方法，更好地提取待检测区域的卷积特征，并且在分类层中使用全连接层的方式进行分类。更复杂的特征提取手段和更多的参数量使得双阶段检测框架的检测准确率更高。

现有技术的不足之处在于，在很多实际应用场景中，其对检测精度的要求并不十分苛刻，但是要求足够快的检测速度，尤其是在一些实时检测项目中。双阶段检测框架由于其耗费的算力资源和检测时间都较高，所以难以满足实际要求。相反，单阶段检测框架依赖其统一的全卷积特性，可以实现更快的检测速度，且在简单场景下的同样能够达到较高的检测精度。但是当场景变化较大以及待检测的目标在图像中的尺寸变化较为剧烈，尤其是待检测目标具有不同的旋转角度的情况下，普通的单阶段检测方法不能很好地解决这些问题，容易导致目标的漏检与误检，从而影响最终的检测效果。

发明内容

本发明的目的克服现有技术存在的不足，为实现以上目的，采用一种基于卷积区域重配准的单阶段目标检测方法，以解决上述背景技术中提出的问题。

一种基于卷积区域重配准的单阶段目标检测方法，包括：

获取检测图片的训练集；

对训练集的训练图片和测试图片进行图片标准化；

建立深度卷积神经网络结构，利用损失函数及所述训练集进行训练得到网络模型；

根据网络模型对测试图片测试，进行计算面积交并比以及非极大值抑制，得到最终的检测结果。

作为本发明的进一步的方案：所述获取检测图片的训练集的具体步骤包括：

获取检测图片的训练集，所述训练集包括M张训练图片为X＝{X₁,X₂,…,X_m,…,X_M}，其中X_m表示第m张训练图片；