[发明专利]基于预分割和回归的深度学习目标检测方法

权利要求书

1.基于预分割和回归的深度学习目标检测方法，包括：

(1)根据四叉树算法和卷积神经网络VGG-16建立基于预分割和回归的深度学习网络模型；

(2)在图像训练集上训练构建好的网络模型；

(2a)使用图像集PASCAL VOC2007和PASCAL VOC2012的训练数据集作为训练集，用图像集PASCAL VOC2007的测试数据集作为测试集；

(2b)对训练集中标注图像的标注边框和网络模型中生成的特征图上的默认边框进行匹配；

(2c)构造网络模型的目标损失函数L(x,l,c,g)；

L(x,l,c,g)=1N(Lconf(x,c))+αLloc(x,l,g)]]>

其中，x为特征图上的默认边框，l为预测框，g为标注边框，c为特征图上的默认边框在每个类别上的类别得分集合，L_conf(x,c)表示特征图上的默认边框在类别得分集合c上的softmax分类损失函数，L_loc(x,l,g)表示定位损失函数，N表示与标注边框匹配的默认边框数，参数α通过交叉验证设置为1；

(2d)采用梯度下降法最小化损失函数同时对网络中的权重参数逐层反向调节，得到训练好的网络模型；

(3)将待检测的原始图像输入到训练好的网络模型中,得到待检测图像中的目标类别和位置坐标。

2.根据权利要求1所述的方法，其中步骤(1)根据四叉树算法和卷积神经网络VGG-16建立基于预分割和回归的深度学习网络模型，按照如下步骤进行：

(1a)利用四叉树算法构建感兴趣区域预分割网络层：

(1a1)设定四叉树算法中的分割阈值为M，最大分割次数为Q，将待检测图像按照水平方向和垂直方向分成四个子区域；

(1a2)计算分割后的每个子区域的平均灰度值，把平均灰度值大于M的子区域继续分割为四个子区域，直到子区域的平均灰度值小于M或者分割次数达到Q时停止分割，并记录其位置信息；

(1a3)根据子区域的位置信息，找到位于待检测图像左上角和右下角的最小子区域的坐标，即为待检测图像中的感兴趣区域的位置；

(1b)根据卷积神经网络VGG-16建立目标检测网络层：

(1b1)使用卷积神经网络VGG-16中的阶段stage1-stage5作为目标检测网络层的基础卷积层，并将其中的全连接层fc6、fc7替换为两个卷积层，同时添加四个新卷积层作为目标检测网络层的辅助卷积层；

(1b2)使用一系列的卷积滤波器构成目标检测网络的检测层；

(1b3)使用基于候选区域和卷积神经网络的目标检测网络R-CNN中的非极大值抑制层构成目标检测网络层的输出层。