[发明专利]改进的图像融合目标检测方法

说明书

一种改进的图像融合目标检测方法，把YOLOv5目标检测网络作为基础网络进行改进，在YOLOv5目标检测网络中加入了特征融合模块和解耦头预测模块，为网络增加了特征融合能力；采用改进后的YOLOv5目标检测网络对不同类型图像进行融合和检测。本目标检测方法与传统的卷积网络相比，特征提取网络与卷积层、融合层和密集块相结合。本方法在特征提取过程中从源图像中获取更多有用的特征，并采用了两个融合策略来融合特征。最后通过特征重建融合图像。检测头耦合会影响模型性能。本发明采用轻量解耦头替换YOLO的检测头显著改善了模型收敛速度。本发明适用于多种类型图像输入的检测，并具有更高效精准的目标检测性能。

技术领域

本发明涉及目标检测领域，具体涉及一种改进的图像融合目标检测方法。

技术背景

现有技术中，目标检测的任务是找出图像中所有感兴趣的目标(物体)，确定它们的类别和位置。基于深度学习的目标检测算法主要分为两类Two stage和 One stage。OneStage类的任务流程主要是特征提取–分类/定位回归。常见的one stage目标检测算法有：OverFeat、YOLOx、SSD和RetinaNet等。

以典型的YOLOv5来说，分类与定位头的解耦已被广泛应用到单阶段、两阶段检测中。然而，随着YOLO系列的骨干、特征金字塔的进化，单检测头仍处于耦合状态。

发明内容

为了解决上述技术问题，本发明采用如下技术方案：

一种改进的图像融合目标检测方法，把YOLOv5目标检测网络作为基础网络进行改进，在YOLOv5目标检测网络中加入了特征融合模块和解耦头预测模块，为网络增加了特征融合能力；采用改进后的YOLOv5目标检测网络对不同类型图像进行融合和检测；本方法的步骤包括：

1)搭建PyTorch深度学习框架，其中目标检测网络的配置利用YOLOv5算法；

2)网络结构设计

2.1)采用特征融合模块对不同类型图像进行特征融合：

特征融合模块是基于DenseFuse的特征融合模块，DenseFuse网络架构包括特征提取部分、融合层和特征重建部分：

特征提取部分包括C1层和DenseBlock层，用于提取深度特征；C1层使用3 ×3卷积层提取粗糙特征；DenseBlock层使用3×3卷积层提取深度特征，每个层的输出级联为随后的层的输入；

将不同类型图像分别输入特征提取部分，由特征提取部分分别提取它们的特征图；不同类型图形的特征图再由融合层融合；在融合层中，对特征图执行加法策略或者L1-范数策略；

特征重建部分使用4个3×3卷积层来重构最终融合的图像，每个层的输出级联为随后的层的输入；

2.2)在YOLOv5目标检测网络中对最终融合的图像进行处理，并采用三个Decoupled Head解耦头预测模块分别对目标框的类别及预测分数、正负样本和目标框的坐标信息进行预测；最后通过Concat模块把预测结果堆叠到一起输出；

在每个Decoupled Head解耦头预测模块中，将特征平行分成两路卷积特征，同时提前进行降维处理；

3)训练网络；

4)将不同类型图像分别输入训练后的网络模型，经处理后得到目标的检测框。

本目标检测方法与传统的卷积网络相比，特征提取网络与卷积层、融合层和密集块相结合。本方法在特征提取过程中从源图像中获取更多有用的特征，并采用了两个融合策略来融合特征。最后通过特征重建融合图像。检测头耦合会影响模型性能。本发明采用轻量解耦头替换YOLO的检测头显著改善了模型收敛速度。

本发明的适用于多种类型图像输入的检测，并具有更高效精准的目标检测性能。