[发明专利]一种基于多尺度小样本的航拍车辆检测方法及检测系统

权利要求书

1.一种基于多尺度小样本的航拍车辆检测方法，其特征在于，包括以下步骤：

步骤一：读取输入图片，进行图像预处理，然后对图像进行数据增广，生成增强数据集；

步骤二：将步骤一中所述增强数据集采用内插值的上采样方法，把一副任意大小的P×Q图片缩放到同一固定尺寸M×N，以此固定图片尺寸，输入到后续的网络模型中；

步骤三：将步骤二中经数据预处理的数据集作为目标输入，读取图片，针对所有数据，提取浅层特征，同时，将数据进行小样本学习，通过加权提取特征来平衡类间数据比例失衡问题；

步骤四：将步骤二得到的M×N图像输入到卷积层和池化层，得到(M/16)×(N/16)大小的特征图，即图像的特征提取；

步骤五：将步骤四得到的(M/16)×(N/16)大小的特征图输入到区域提取网络执行3×3的卷积操作，然后进行图像感兴趣区域的搜索操作，再进行正负锚点框的采样操作，得到K个1:1的正负锚点框；

步骤六：将步骤五通过跳跃连接技术和引入软交比的方法得到的输出锚点框和检测框位置对应的特征输入到建议层，所述建议层综合正锚点和对应边框回归偏移量获取建议值，同时剔除面积小于超参Q的结果框和超出图片边界的建议值，完成目标定位；

步骤七：通过坐标投影的方法，将步骤六得到的定位区域输入到感兴趣区域池化层进行最大值池化，输出感兴趣区域的特征向量，再将得到的特征向量通过空间金字塔池化；

步骤八：通过多任务损失函数将步骤七得到的感兴趣区域的特征向量与全连接层相连，得到最终检测框的位置和类别；

步骤九：将步骤八筛选得到最终检测框进行非极大值抑制，得到最终的检测结果，至此，测试阶段结束；

步骤十：在训练阶段，通过步骤八得到的位置预测和类别预测与标签真实值做差值运算，并通过权重的正则化防止过拟合，并且通过优化缩小差值来更新模型的权重参数，反复训练固定轮次后得到最优模型。

2.根据权利要求1所述的方法，其特征在于，步骤一中的所述数据增广的具体实施方式包括随机角度旋转、随机翻转、随机调整亮度、对比度和饱和度和随机剪裁。

3.根据权利要求1所述的方法，其特征在于，步骤二中，所述增强数据集指的是步骤一经扩充的图像；

所述采用内插值的上采样方法是指在原有图像像素的基础上在像素之间采用合适的插值算法插入新的元素，所述上采样方法采用双线性插值的方法，未知函数f采用双线性插值的值计算方法如下：

为获得未知函数f在点p＝(x，y)的值，已知函数f在Q₁₁＝(x₁，y₁)，Q₁₂＝(x₁，y₂)，Q₂₁＝(x₂，y₁)及Q₂₂＝(x₂，y₂)四个点的值；首先在x方向线性插值，得到：

然后在y方向进行线性插值，得到：

4.根据权利要求1所述的方法，其特征在于，步骤三中的所述小样本学习是指采用迁移学习技术，将从不同数据集中样本分布进行元学习，再对目标数据集特征进行重加权，生成带有小样本信息的加权特征参数，从而实现小样本目标检测；

所述元学习的具体实现是通过学习不同类别比例的不同数据集，得到不同的样本所对应的权重，将深度学习网络提取的特征根据不同样本所对应的权重进行加权操作得到加权后的特征。