[发明专利]一种基于深度学习的复杂背景下典型目标检测方法及系统

说明书

本发明公开一种基于深度学习的复杂背景下典型目标检测方法及系统，所述方法包括：收集包含典型目标的图像数据并进行预处理，制作数据集；通过backbone网络、双向多尺度特征融合网络、基于注意力机制的多特征选择模块、分类子网络和回归子网络构建目标检测网络模型；基于分类任务和回归任务设计损失函数，通过所述数据集训练和测试目标检测网络模型；通过测试后的目标检测网络模型对待测图像进行典型目标检测。本发明能够精确检测多尺度典型目标，并进行角度预测。

技术领域

本发明属于目标检测技术领域，尤其涉及一种基于深度学习的复杂背景下典型目标检测方法、系统、设备及存储介质。

背景技术

目标检测技术是计算机视觉的一个重要研究方向，被广泛应用于环境管理、区域规划、以及军事上。对飞机，船舶，存储罐，桥梁，小型车辆，大型车辆等典型目标进行高精度预测具有重要意义。

目标检测技术一般可以分为两种，传统图像处理与机器学习结合的检测算法和基于深度卷积神经网络(CNN)的算法。前者主要是手动设计特征，在检测复杂图像目标时效果欠佳。近今年来深度学习迅猛发展，基于深度学习的目标检测算法取得巨大成功。基于深度学习的目标检测算法主要可以分为两类，One-stage和Two-stage，两者最大的区别是Two-stage会首选生成建议目标候选区域(Region Proposal)，然后再把这些目标候选区域送到分类和回归网络中进行分类和回归。最典型的Two-stage算法是Faster R-CNN。One-stage则省略了生成建议候选区域这一步骤，因此其检测速度更快，但是精度更低。典型的One-stage算法有YOLO系列、RetinaNet等。

但是这些主流的目标检测算法没有考虑图像复杂背景对目标检测精度的影响，对整个图像上都给予相同的注意力，不符合人类视觉系统的特点。比如飞机，船舶，存储罐，港口，桥梁，小型车辆，大型车辆这些典型目标尺度范围变化大，单尺度特征图也不能很好的对其进行特征表达。此外，有些影像如无人机航空影像，因为其拍摄视角的特殊性，目标具有任意方向性，因此需要对其的角度进行预测。

发明内容

有鉴于此，本发明提出了基于深度学习的复杂背景下典型目标检测方法、系统、设备及存储介质，用于解决现有图像目标检测中复杂的图像背景严重影响目标检测效果的问题。

本发明第一方面，公开一种基于深度学习的复杂背景下典型目标检测方法，所述方法包括：

收集包含典型目标的图像数据并进行预处理，制作数据集；

通过backbone网络、双向多尺度特征融合网络、基于注意力机制的多特征选择模块、分类子网络和回归子网络构建目标检测网络模型；

基于分类任务和回归任务设计损失函数，通过所述数据集训练和测试目标检测网络模型；

通过测试后的目标检测网络模型对待测图像进行典型目标检测。

优选的，所述典型目标包括但不限于飞机、船舶、存储罐、桥梁、小型车辆、大型车辆。

优选的，所述目标检测网络模型中，将backbone网络与双向多尺度融合特征网络进行融合，组成特征融合网络，用于进行多尺度融合特征图提取，多尺度融合特征图提取的具体步骤包括：

利用backbone网络提取图像的特征图；

对特征图进行自上而下路径的特征融合，得到同时包含低层细节信息和高层语义信息的融合特征图；

对融合特征图进行自下而上路径的特征融合，以控制浅层特征传递到高层过程中的特征损失，得到多尺度融合特征图。