[发明专利]一种基于深度学习的边海防目标检测方法

说明书

本发明公开了一种基于深度学习的边海防目标检测方法，提出了一种改进的基于FRCNN的目标检测网络模型，属于目标检测技术以及计算机视觉领域。该方法针对原有的FRCNN算法检测耗时过长的问题，重新设计了检测网络中的特征提取结构，并利用筛选后的图像分类数据集重新训练，得到一个参数量更少、计算量更小的图像分类模型。使用可变形卷积替换原有的特有卷积层，提高检测网络对物体形变的适应能力，从而提高网络结构的平均检出率。

技术领域

本发明属于目标检测领域，尤其涉及一种基于深度学习的边海防目标检测方法。

背景技术

边海防工作是国家领土主权和人民人身财产安全的重要保障，其职责是维护边境沿海地区的稳定，拦截不法人员和非法目标进入我国领地。随着我国对外开放的进一步深入，出入境的人流量不断上升，边境上走私、偷渡等犯罪活动日益猖獗。传统的依靠人力的边防执勤方式已经无法满足当前形式下的边海防安全要求。因此，构建智能化的边海防平台系统，使其满足复杂背景下边海防任务要求便显得尤为迫切。

近年来，视频监控技术已在我国边海防系统中大量应用，为边海防智能化建设提供了数据支持和实现基础。我国边防区域环境复杂，边境线极长，边防监测站，出入境口岸等重点监控地区分布比较零散，造成大量的监控数据无法及时得到处理，使得视频信息资源存在极大浪费。目前，大部分监控的视频需要依靠边防战士人工处理，其存在效率太低、前端和后端都不支持对目标的自动检测的缺点，其中应用的前沿技术也仅仅是视频的关键帧的提取，无法满足及时有效处理大量数据的需求。

在计算机视觉领域，图像分类和检测任务一直是科研工作者研究的重点。近年来，深度学习基于自身强大的学习特征表达的能力，在模式识别和计算机视觉领域快速发展，迅速替代了以往基于先验知识的人工构造特征的方式。其中，卷积神经网络(Convolutional Neural Network，CNN)在目标分类上的成功应用极大地提高了图像分类任务的精确率。该方法在不同场景、不同分辨率等复杂情况下较传统方法仍具有较高的准确率和鲁棒性。

故，针对现有技术存在的技术问题，实有必要提出一种技术方案以克服现有技术的缺陷。

发明内容

有鉴于此，确有必要提供一种基于深度学习的边海防目标检测方法，实现对边界上大量视频数据进行更加高效的处理，对附近行人和车辆进行准确识别和检测，为边防决策人员提供更加直观的数据，保障我国的边境安全。

为了解决现有技术存在的技术问题，本发明的技术方案为：

一种基于深度学习的边海防目标检测方法，包括以下步骤：

步骤(1)：重新设计分类网络模型，并用公开的图像分类数据集重新训练；

步骤(2)：重新构建目标检测网络模型，并利用步骤(1)中得到的分类网络模型作为检测网络特征提取结构的初始化参数进行训练，使用自建的行人车辆数据集进行训练，从而得到目标检测网络模型；

步骤(3)：选择待检测的图像或者视频，用训练好的目标检测模型进行处理；

步骤(4)：利用步骤(3)得到的目标检测模型，构建深度学习目标检测平台，其中包括对检测结果的可视化和存储；

其中，步骤(1)重新设计分类网络结构，并用公开数据集进行重新训练的步骤为：

步骤(1-1)，重新设计分类网络模型，具体包括以下步骤：

步骤(1-1-1)，使用Inception结构扩展标准卷积模块，从输入特征图中提取不同的特征，然后将这些得到的特征进行重新组合生成一个新的特征表示；标准卷积的输出特征图计算公式如下：

1≤i,j≤D_k

1≤m≤M

1≤N