[发明专利]基于聚类算法改进特征金字塔网络的目标检测方法

权利要求书

1.基于聚类算法改进特征金字塔网络的目标检测方法，其特征在于：包括如下步骤：

1)分析待检测领域目标几何特征模块采用K-means聚类算法分析该领域目标的像素点大小和外形长宽比两个几何特征；

2)在构建基础检测网络主体架构模块中完成目标检测基础网络的主干网络构建；

3)在动态调整特征金字塔网络模块中利用步骤1中的聚类分析目标像素点大小的聚类结果动态调整特征金字塔网络；

4)在动态设置检测候选框模块中利用步骤1中的目标像素点大小的聚类结果和目标在图像中的长宽比的聚类结果动态设置候选框，完成目标检测。

2.根据权利要求1所述的基于聚类算法改进特征金字塔网络的目标检测方法，其特征在于：所述步骤1中像素点大小和外形长宽比的分析具体如下：

A)聚类分析目标像素点大小

A1)用二维向量(w,h)记录一个目标的像素点大小，其中w表示目标长边的像素点个数，h表示目标短边的像素点个数，遍历训练集中所有图片，读取每张图像所有的对应的标注框信息，计算每个目标的长度和宽度，形成原始的像素点集合S＝{(w_i,h_i)|i＝1,2,3,…,N}，其中i表示训练集中目标序号，N表示训练集的目标的总数；

A2)采用K-means聚类算法对原始点的像素点集合S＝{(w_i,h_i)|i＝1,2,3,…,N}进行聚类分析，聚类算法中的距离度量采用欧几里得距离，设置像素点类别个数为K，聚类结果为S'＝{(w_j,h_j)|j＝1,2,3,…,K}，其中j表示类别序号，K表示像素点类别总数，(w_j,h_j)表示第j个类别中所有像素点大小的中心；

A3)比较S'＝{(w_j,h_j)|j＝1,2,3,…,K}中每类之间的差别，判别相邻两个类的中心对应的面积比是否在3.5:1到5.5:1之间，即3.5≤(w_i+1×h_i+1)/(w_i×h_i)≤5.5；如果满足上述条件，完成目标像素点大小的聚类，形成聚类结果：

S'＝{(w_j,h_j)|j＝1,2,3,…,K}

否则调整K的取值，重新聚类计算；

B)聚类分析目标在图像中的长宽比

B1)原始点的像素点集合S＝{(w_i,h_i)|i＝1,2,3,…,N}计算每个目标的长宽比，形成长宽比的集合R＝{r_i|i＝1,2,3,…,N}，其中r_i＝w_i/h_i，i表示训练集中目标序号，N表示训练集的目标的总数；

B2)采用K-means聚类算法对长宽比集合R＝{r_i|i＝1,2,3,…,N}进行聚类分析，聚类算法中的距离度量采用欧几里得距离，设置长宽比类别个数为M，聚类结果为R'＝{r_j|i＝1,2,3,…,M}，其中j表示类别序号，M表示像素点类别总数，r_j表示第j个类别中所有目标长宽比的均值。

3.根据权利要求1所述的基于聚类算法改进特征金字塔网络的目标检测方法，其特征在于：所述步骤2中主干网络构建的具体步骤如下：

2.1)选取网络架构：采用FasterR-CNN的主体架构，该架构包括特征提取网络、候选框生成网络和回归输出层；

2.2)搭建特征提取网络：采用残差网络ResNet101的改进型结构ResNetXt，该架构支持多通道分组计算，实现并行计算，提高特征提取速率；

2.3)构建基础的特征金字塔网络，该网络的每一层对应特征提取网络的每个卷积阶段，特征金字塔的每一层都与候选框网络相连。