[发明专利]基于卷积神经网络的多目标检测模型构建方法

说明书

本发明公开了一种基于卷积神经网络的多目标检测模型构建方法，旨在解决现有检测模型不能区分多种目标，并且难以识别小目标的技术问题。本发明包括以下步骤：步骤1：搭建Caffe深度学习框架，其中检测模型的配置利用Faster R‑CNN算法完成，并引入ZF网络进行特征提取；步骤2、设计用于实时准确地生成多目标区域的ADPN网络；步骤3、设计ADPN的损失函数对其进行优化；步骤4、训练ADPN；步骤5、设计用于检测多目标类别和位置的DALN子网络；步骤6、设计DALN的损失函数对其进行优化；步骤7、训练DALN；步骤8、对ADPN和DALN进行联合训练，得到检测模型。本发明的有益技术效果在于：能够识别出多种类别的目标，提高了对小目标的识别能力，并且运算速度快，精度高。

技术领域

本发明涉及目标检测技术领域，具体涉及一种基于卷积神经网络的多目标检测模型构建方法。

背景技术

目标检测是计算机视觉领域中的一个重要课题，主要任务是从图像中定位感兴趣的目标，需要准确地判断每个目标的具体类别，并给出每个目标的边界框。近年来，目标检测在智能视频监控、车辆自动驾驶、机器人环境感知、盲人图像识别等领域都有广泛的应用。然而，由于视角、遮挡、姿态等因素引起目标发生形变，使目标检测成为一个具有挑战性的任务。传统目标检测方法的研究重点在于特征提取和特征分类。由此，研究者们提出了多种形式的特征和分类器。但是，由于传统目标检测方法使用设计的特征，即使运用最好的非线性分类器进行特征分类，目标检测的准确度也达不到实际需求。设计的特征存在三个缺点：1)设计的特征为低层特征，对目标的表达能力不足；2）设计的特征可分性较差，导致分类的错误率较高；3）设计的特征具有针对性，很难选择单一特征应用于多目标检测。

近年来，卷积神经网络(Convolutional Neural Network, CNN)在图像识别方面以惊人速度发展的同时，Girshick等人把检测问题转化为分类问题，提出R-CNN框架结构，首先使用选择搜索（Selective Search，SS）技术提取候选区域，然后利用CNN模型对候选区域提取特征，将这些区域特征使用支持向量机（Support Vector Machine, SVM）分类器做分类识别，并且对候选区域做边框回归来得到更好的检测结果。针对R-CNN中存在的冗余计算、模型训练需要多步操作的问题，Girshick进一步提出了Fast R-CNN框架结构，整合了整个检测流程，并且对每个图片进行一次特征提取，大大减少了冗余计算，从而提高了检测速度。接着Ren等人又进一步提出了Faster R-CNN框架结构，把得到候选区域的工作也借助CNN来完成，并且使得候选区域提取网络和目标检测网络共享特征提取层，取得了更好的检测性能。但是，Faster R-CNN网络模型很难将容易混淆的物体区分开，并且识别不出小目标。

发明内容

本发明要解决的技术问题是提供一种基于卷积神经网络的多目标检测模型构建方法，以解决现有检测模型应用于识别复杂图像或小目标时效果较差的问题。

为解决上述技术问题，本发明采用如下技术方案：

设计一种基于卷积神经网络的多目标检测模型构建方法，包括以下步骤：

步骤1：搭建Caffe深度学习框架，其中检测模型的配置利用Faster R-CNN算法完成，并用基础网络ZF进行特征提取， ZF网络中包含5个卷积层和2个最大池化层。