[发明专利]一种基于红外及可见光下的多尺度目标检测方法

权利要求书

1.一种基于红外及可见光下的多尺度目标检测方法，其特征在于，所述基于红外及可见光下的多尺度目标检测方法，包括：

采集红外图像和可见光图像样本，进行标定及数据增强处理，形成训练样本；

构建并采用训练样本训练目标检测网络模型，所述目标检测网络模型在YOLOV3的基础上，在YOLOV3基础特征网络Darknet-53中的8倍降采样和16倍降采样层中顶层的卷积层前，分别加入1组RFB结构；对于YOLOV3的三个尺度的输出分支y1、y2和y3，去除原YOLOV3网络y1和y2分支预测层中采用的上采样操作；在4倍下采样的特征图中通过加入步长为2的Gbneck模块进行降采样后与8倍下采样进行Concat叠加，然后再通过步长为1的Gbneck模块进行通道数的缩放，作为y3分支的最终输出；同时采用步长为2的Gbneck模块分别对y3和y2分支输出前的特征图进行降采样，后依次与原有的16倍降采样和32倍降采样进行Concat连接，之后采用步长为1的Gbneck模块进行通道的缩放，分别作为y2与y1分支的最终输出；

将待检测的红外图像或可见光图像，利用训练好的目标检测网络模型进行检测，输出检测结果。

2.根据权利要求1所述的基于红外及可见光下的多尺度目标检测方法，其特征在于，所述数据增强处理，包括：

对单样本训练数据采用同类增强方式进行处理；

对多样本训练数据采用混类增强方式进行处理，通过基于邻域风险最小化原则来线性插值得到新样本数据。

3.根据权利要求1所述的基于红外及可见光下的多尺度目标检测方法，其特征在于，所述RFB结构，执行如下操作：

RFB结构首先通过1×1卷积、1×3卷积和3×3卷积对上层输入进行特征提取和通道压缩，并通过3×3的膨胀卷积扩大特征图尺寸，然后将不同分支输出进行叠加，经过1×1卷积层后与输入特征图相加，最后经过Relu激活层后作为RFB的输出。

4.根据权利要求1所述的基于红外及可见光下的多尺度目标检测方法，其特征在于，所述利用训练好的目标检测网络模型进行检测，输出检测结果之后，还包括：

利用非极大值抑制方法来去除检测框的重叠冗余现象。