[发明专利]一种提高空间不变性的快速目标检测方法

说明书

技术领域

本发明涉及神经网络在物体监测识别领域的应用，具体涉及一种提高空间不变性的快速目标检测方法。

背景技术

深度卷积神经网络在物体监测识别领域取得了目前最好的成绩，设计用来处理多维数组数据，使用4个关键的想法来利用自然信号的属性：局部连接、权值共享、池化以及多网络层的使用。

在目标检测上，主要使用selective search等方法对可能存在目标区域，提取出候选，然后输入卷积神经网络，由于每张图片要产生数千个候选，然后将每个候选输入卷积神经网络，这样速度上大大变慢。

也有将图片固定的划分一些格子，然后依次运行神经网络，这样速度变快，但是准确率受到影响。

发明内容

本发明旨在提出一种提高空间不变性的快速目标检测方法，克服先提取候选，然后输入到卷积神经网络，所造成速度缺陷，同时克服只划分格子所造成的准确率损失。

本发明的技术方案如下：

一种提高空间不变性的快速目标检测方法，其特征在于包括以下步骤：

(1)构建定位网络，所述定位网络采用回归网络，或卷积网络加回归网络，输入是原始图像，输出是下一步所需要的参数；

(2)参数采样格子，对于每个目标点，依据如下公式得到图像的原始点；

(3)对上步的每个点做如下操作，得到输出图像；

(4)对上步的图像划分为7x7的格子，然后输入到附图所示的卷积神经网络，根据输出计算误差值；

(5)将误差反向传播回每一层，进行参数修正；

(6)重复上面的步骤直到误差在允许的范围内。

本发明通过空间不变性网络对输入的预处理，可以去掉不相关部分，降低了系统复杂度，同时可以过滤噪声，以及自动旋转扭转图像使得，图像更容易被后续神经所识别。

后续输入到7x7的卷积神经网络，将整幅图片划分成49个子图来处理，降低了计算复杂度，比起selective search候选方法所产生的数千个子图，大大提高了处理速度，与空间不变性网络接合，提高了识别精度。

附图说明

图1是空间不变性识别网络结构示意图；

图2是卷积神经网络拓扑结构图。

具体实施方式

本发明结合了图像空间不变性识别网络和格子化卷积网络分而治之的思路。

空间不变性识别网络：

如图1所示，首先把图像或特征图U输入到定位网络，θ＝f(U)，产生参数θ，然后使用这个参数矩阵做如下放射变换，得到U中对应的点。

对如上得到的每个点，通过核函数，如下面公式所示得到对应的输出V中的点。

分而治之卷积网络：

如图2所示，把上一步得到的图像，进行比例缩放到网络输入大小448x448x3，然后分成7x7的格子，每个格子负责预测目标中心点落在格子内部的物体位置。整个训练过程是端到端的，输出是每个7x7格子的预测，识别结果为数据的分类标签，以及每类4个坐标(目标中心点坐标，物体宽高)。

本发明具体实施过程如下：

1、构建定位网络，可以是回归网络，也可以是卷积网络加回归网络，输入是原始图像，输出是下一步所需要的参数，θ＝f(U)。

2、参数采样格子。对于每个目标点，依据如下公式得到图像的原始点。

3、对上步的每个点做如下操作，得到输出图像。

4、对上步的图像划分为7x7的格子，然后输入到附图2所示的卷积神经网络，根据输出计算误差值。

5、将误差反向传播回每一层，进行参数修正。

6、重复上面的步骤直到误差在允许的范围内。