[发明专利]一种基于高级语义特征无锚框非合作目标检测方法

说明书

本发明涉及一种基于高级语义特征无锚框非合作目标检测方法，主要包括：输入图像、特征提取融合模块、检测头模块、检测结果四个部分。具体检测方法如下：获取目标检测数据集并对输入图像进行预处理获取网络需求的标签信息；设置具有高级语义特征信息的网络模型参数及各种训练参数；对经过特征提取融合模块的多尺度特征层进行阶梯融合，获取具有高级语义信息的检测特征层；将获得的高级语义信息特征层送入检测头，获取目标中心点热图和目标尺度预测图；进行分类和回归操作，计算损失，反向传播，进行网络参数的迭代更新；完成网络训练后，进行实际场景测试。

技术领域

本发明涉及一种基于高级语义特征无锚框非合作目标检测方法，适用于高清图像复杂场景下非合作目标检测领域。

背景技术

目标检测技术是计算机视觉领域最基本的问题之一，它通常被视为是一种低层级的技术，比如说它涵盖典型的边缘检测任务包括Canny,Sobel,感兴趣区域检测包括LoG,MSER等等。图像特征检测对于从图像表示、图像匹配到三维场景重建等各种计算机视觉任务都具有重要意义。通常来讲，特征被定义为图像中“感兴趣”的部分，因此特征检测的目的是计算图像信息的抽象表达，即在每个图像点上做出局部决策，无论该点是否存在给定类型的图像特征。关于图像信息的抽象表达，随着计算机视觉任务的飞速发展，很多研究者开始利用CNN解决目标检测和分割问题。相对于传统的算法，基于卷积神经网络的算法更加高效，不仅不需要建立匹配模型，而且在运算速度上更加快速，同时，卷积神经网络还可以将低层特征抽象成高层特征，获取更深层次的信息，进而通过这些信息转换出分类、检测或分割的结果。

目标检测目前有one-stage和two-stage两种，two-stage指的是检测算法需要分两步完成，首先需要获取候选区域，然后进行分类，比如R-CNN系列；与之相对的是one-stage检测，可以理解为一步到位，不需要单独寻找候选区域，典型的有SSD等。比如说，Faster R-CNN算法先生成候选框，然后再对每个候选框进行分类(也会修正位置)。这类算法相对就慢，因为它需要多次运行检测和分类流程。而one-stage检测方法，仅仅需要送入网络一次就可以预测出所有的边界框，因而速度较快，非常适合移动端。进一步讲，以上算法都需要设置精心制定的锚框用于负责不同区域、不同大小的目标检测。研究人员普遍认为预制定的参数是目标检测模型成功与否的关键。在过去的相关实验中研究人员也证明了锚点的超参数对于模型的预测能力有着相当重要的影响。

但是，上述基于锚框的目标检测方法存在的缺点主要体现在：

(1)检测模型的表现对于一些超参数，诸如锚点框的尺寸，比例，个数非常敏感，AP值波动有些模型能达到4％之多，因此，为了获得更优的模型，这些超参数需要仔细地调整，测试，同时这种精心制定的参数降低了基于锚点模型的鲁棒性，每次遇到一个全新的数据集都需要重新设计锚点框的超参数，增加了模型参数调试的复杂度。

(2)即使经过了仔细的设计，由于锚点框的比例与尺寸在模型建立时必须固定，会产生一个严重的问题，即检测模型对形状变化较大的目标集尤其是小目标的时候，对于模型的检测难度显著提升。

(3)为了进一步获得更好的召回率，通常模型会在每一层特征层上铺设密集的锚点框，但是绝大多数的锚点框在训练的过程中会被标注为负样本，过多的负样本加剧了模型正负样本数量的不均衡，导致模型无法对背景敏感。

发明内容

本发明解决的技术问题是：克服现有技术的不足，针对被探测目标的真实位置信息除了传感器可以直接量测之外，再无任何其他技术手段能够获取目标的准确位置的非合作目标，提供一种基于高级语义特征无锚框非合作目标检测方法，提升了小目标在复杂场景下多种变尺度情况下的目标检测精度，舍弃了传统了基于锚点框设定的方式，提升了模型检测的精度。

本发明的技术解决方案为：基于高级语义特征无锚框非合作目标检测方法，步骤如下：

(1)根据目标特征，收集拍摄数据图像，确定训练及测试数据集。