[发明专利]一种利用特征图融合的目标检测方法

说明书

本发明公开了一种利用特征图融合的目标检测方法，包括以下步骤：首先利用ZF网络提取图像特征并得到一系列处于不同层次的特征图；其次将ZF网络提取的图像特征图中的最深层特征图和浅层特征图相融合得到新特征图；再次将新特征图输入到RPN网络中得到区域建议；最后将新特征图和区域建议输入到ROIPooling层中得到区域建议的特征并同时对特征进行分类和对区域建议进行边框回归得到目标检测结果。本发明可以检测出图像中多种类别的目标，且所用的图像无需特定的图像采集设备采集。

技术领域

本发明涉及计算机视觉领域，尤其涉及一种利用特征图融合的目标检测方法。

背景技术

目标检测一直是事件识别、智能交通等领域重要且困难的课题之一，它要完成的任务是对待检测图像中数目不定的目标进行定位和分类，定位即确定图像中目标的具体位置并以边界框的形式标出目标位置，分类即确定图像中目标是什么类别。

目前已有的目标检测方法可分为传统的目标检测方法和基于深度学习的目标检测方法两大类。由于传统方法在某些情况下的检测效果与实际需求有一定的差距，而基于深度学习的目标检测方法利用卷积神经网络(CNN)自动提取图像特征且提取的特征鲁棒性更强、检测效果更好，因此近几年的目标检测方法一般都基于深度学习实现。然而，多数已有的基于深度学习的目标检测方法在使用CNN提取图像特征时都仅利用了CNN所提取的特征图中最深层的特征图并未利用浅层的特征图，且目标的检测精度在某些方面不能满足实际需求。Girshick R和Donahue J在文章“Rich feature hierarchies for accurateobject detection and semantic segmentation.Computer Vision and PatternRecognition.IEEE,2014:580-587”中所提方法用CNN提取区域建议特征的过程中存在计算冗余的问题，且所提方法的目标检测精度相对较低。Girshick R在文章“Fast R-CNN.Computer Vision.IEEE,2015:1440-1448”中所提方法是非端到端的，且目标的检测精度相对较低。Redmon J和Divvala S在文章“You only look once:Unified,real-timeobject detection.Computer Vision and Pattern Recognition.IEEE,2016:779-788”中所提方法对小目标的检测精度相对较低。

发明内容

针对上述技术问题，本发明的目的在于提供一种利用特征图融合的目标检测方法，本发明通过将ZF网络提取的不同层次的特征图进行融合，得到了检测精度更高的目标检测结果。

为了解决上述存在的技术问题，本发明所述方法的是通过以下技术方案实现的：

一种利用特征图融合的目标检测方法，其特征在于，包括如下步骤：

步骤S1：利用ZF网络提取图像特征并得到特征图；

步骤S2：对所得特征图进行特征图融合并得到新特征图：

步骤S3：通过RPN网络获取区域建议；

步骤S4：把新特征图和区域建议输入到后续网络层中得到目标检测结果。

上述技术方案中，所述步骤S1包括以下步骤：

步骤S101：对输入图像进行归一化处理，使图像的大小均为224×224像素；

步骤S102：利用ZF网络提取归一化后的图像特征并得到一系列处于不同层次的特征图，其中ZF网络(ZFNet)是一种卷积神经网络。

上述技术方案中，所述步骤S2包括以下步骤：

步骤S201：根据特征图融合思想选取ZF网络提取的第3层和第4层浅层特征图Conv3和Conv4；