[发明专利]一种基于小尺度目标的实时目标检测方法

说明书

本发明公开了一种基于小尺度目标的实时目标检测方法，包括：S1、网络检测层调整，S2、网络默认框重构，S3、网络深层信息提取增强，S4、网络浅层信息融合增强。本发明在深层网络构建多路径联合特征提取增强模块，对浅层网络构建二次递归特征金字塔生成语义与定位信息互补融合路径，并加入注意力机制增强融合效果，对定位损失函数设计添加排斥损失函数以减轻相互交叠的目标对检测的相互干扰等创新性方法。通过以上改进，可以使检测模型相比原始检测网络的体量变轻，对小尺度目标的检测性能得到较大提升。

技术领域

本发明涉及无人机目标检测领域，具体涉及一种基于小尺度目标的实时目标检测方法。

背景技术

近年，随着无人机技术的迅猛发展，越来越多国家将无人机作为军事研究的重点，伴随着目标检测技术、计算机视觉技术的快速发展，无人机在战场情报分析领域也得到快速发展，是未来察打一体的基础，也是在未来智能化作战中无人作战的重要组成。

当前，基于深度学习的无人机目标识别技术快速发展，并广泛应用于安防监控、车牌识别等民事领域。常用的算法有RCNN、SSD、YOLO、RetinaNet算法等。在蜂群无人机领域受限于无人机硬件条件，目标识别算法的实时性、对小尺度目标检测准确度不高，而且易受天气的影响等。但搭载深度学习算法的小型无人机已逐渐成为未来无人蜂群战术的趋势，急需开展此领域的研究。

而基于SSD目标检测速度一直是影响其快速应用的关键，为提升目标检测的实时性，适应无人机目标检测领域应用要求，需要对基于SSD网络的目标检测中计算量较大的基础网络进行轻量化的优化。当前MobileNet系列网络是一种比较理想的轻量化基础网络，其中MobileNetv1都采用深度可分离卷积生成特征层，缩减卷积参数量，从而大幅降低模型计算时间，快速提升检测速率。本发明基于MobileNetv1基础网络的MobileNetv1-SSD进行调整，并设置新的检测层和特征层，并通过剪枝和优化卷积核达到提速，并针对小尺度目标检测进行了针对性设计，提升检测效果。

发明内容

针对以MobileNetv1-SSD作为原始SSD的检测精度不够高，特别是对于小尺度目标检测的设计不足问题，本发明提供了一种基于小尺度目标的实时目标检测方法，综合考虑模型体量规模、对小尺度目标的检测精度及速率等方面，构建了对嵌入式小目标实时目标检测模型；以原始SSD框架为基础，基于无人机AI处理平台部署要求，对其网络框架进行轻量化处理，同时提高了对小尺度目标的检测精度。

本发明的内容包括：

一种基于小尺度目标的实时目标检测方法，包括以下步骤：

S1、网络检测层调整：调整MobileNetv1-SSD用于检测的特征层，构建更适用于小尺度目标检测的网络结构MobileNetv1-SSDimpr；即新增Conv5层用于分类检测，设置默认框尺度数量为4；Conv11默认框尺度数量设置为4；将Conv17层删除；构建Conv5、Conv11等新的检测特征层；

S2、网络默认框重构：根据具体任务数据分布特点，采用K-means算法对数据进行聚类，根据聚类尺度对构建的MobileNetv1-SSDimpr的默认框做重构处理；

S3、网络深层信息提取增强：对于重构默认框后的MobileNetv1-SSDimpr，在Conv14、Conv15和Conv16三个深层位置通过分组卷积与点卷积构建多路联合特征提取增强机制，得到三个特征提取增强模块MFEE14、MFEE15和MFEE16，将原标准卷积层Conv14_1和Conv14_2替换为MFEE14，Conv15_1和Conv15_2替换为MFEE15，Conv16_1和Conv16_2替换为MFEE16；