[发明专利]复杂背景下多目标多尺寸图像检测方法、系统、电子设备以及存储介质

说明书

本发明实施例公开了复杂背景下多目标多尺寸图像检测方法、系统、电子设备以及存储介质，在数据集库选取图像，对图像进行预处理，对图像进行标注，得到数据训练集；采用Darknet‑53特征提取网络结构提取图像后进行特征提取；采用通道自适应FPN递归层特征强化提取网络对特征提取强化，增强特征检测的强度和精度；通过判断预测框与真实框之间的位置关系来自适应替换边界框回归损失函数，模型参数能继续优化，提升预测框的准确度；对于数据训练集进行训练，训练结束后使用自采集待测图片进行效果检验。提高了现有的目标检测算法多尺寸多尺度检测精度，增强了目标检测效果，提升了目标检测模型的整个性能，提升了目标检测模型的实用性。

技术领域

本公开涉及领域，尤其涉及一种复杂背景下多目标多尺寸图像检测方法、系统、电子设备以及存储介质。

背景技术

目标检测作为图像理解和计算机视觉的基石，它是解决分割、场景的理解、目标的追踪、图像描述、事件检测和活动识别等更具有复杂性和更高层次的视觉任务的基础。目标检测的背景是不断地变化，对于检测工作来说造成困扰。

针对复杂背景下多目标多尺寸图像检测，现有多目标多尺寸检测算模型，如Dense-YOLOv3模型，集成了密集卷积神经网络DenseNet和YOLOv3网络的特点，加强了卷积层之间的目标集特征传播和重复利用，提高了网络的抗过拟合性能；同时，对目标进行了不同尺度的检测，构建了交叉损失函数，实现了多目标检测。但是现有的目标检测算法多尺寸多尺度检测精度较低，导致目标检测效果差，降低了目标检测模型的整个性能，难以运用到复杂背景下的多尺寸多目标检测场景中，降低了目标检测模型的实用性。

发明内容

提供该公开内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开实施例提供了一种复杂背景下多目标多尺寸图像检测方法、系统、电子设备以及存储介质，提高了现有的目标检测算法多尺寸多尺度检测精度，增强了目标检测效果，提升了目标检测模型的整个性能，促进了复杂背景下的多尺寸多目标检测场景的运用，提升了目标检测模型的实用性。

第一方面，本公开实施例提供了复杂背景下多目标多尺寸图像检测方法，包括：在数据集库选取背景复杂、目标数量多的图像，并对图像进行预处理，对图像进行标注，得到复杂背景下多目标多尺寸数据训练集；基于YOLOv3模型，采用Darknet-53特征提取网络结构提取图像后进行特征提取；采用通道自适应FPN递归层特征强化提取网络对特征提取强化，增强特征检测的强度和精度；通过判断预测框与真实框之间的位置关系来自适应替换边界框回归损失函数，模型参数能继续优化，加快模型的收敛速度，提升预测框的准确度；对于数据训练集进行训练，训练结束后使用自采集待测图片进行效果检验。

结合第一方面的实施例，在一些实施例中，所述对图像进行预处理，包括：

在空白图像中随机初始化一个点，使用初始化的横纵坐标将空白图像分为四个区域，随机读取四张图像；

对图像进行镜像翻转、尺度缩放后形成一张新的图像，并将读取的图像所对应的标签进行相应的旋转、缩放、平移。

结合第一方面的实施例，在一些实施例中，所述采用通道自适应FPN递归层特征强化提取网络对特征提取强化，增强特征检测的强度和精度，包括：基于FPN可以提供一种自顶向下的路径来融合多尺度特征图中的特征原理，建立FPN金字塔网络结构，其中，FPN的网络输出公式为

f_i＝F_i(f_i+1,X_i)

X_i＝B_i(X_i-1)