[发明专利]基于区域卷积神经网络的目标检测与二级分类算法及装置

说明书

本发明公开了一种基于区域全卷积神经网络的目标检测与二级分类算法及装置，该算法包括对目标图像进行数据增强处理；进行数据增强后的图像做目标检测与分类的R‑FCN算法处理；对基于R‑FCN训练好的图像检测模型进行训练改进三个步骤。针对现存算法的这些特定问题，本发明提出的算法进行了进一步改进，使得算法模型除了原有的准确检测，分类需要特征具有评议不变性之外，还使得算法模型同时实现了检测与二级分类的功能，相比于现有的算法，本算法可靠性高，目标识别度高，鲁棒性好，同时步骤计算简单，大大减少了计算量，能保持高效率，实际应用性能也能满足需求。

技术领域

本发明涉及计算机视觉领域，具体涉及一种基于区域全卷积神经网络的目标检测与二级分类算法及装置。

背景技术

随着现代化交通、安防等行业的迅速发展，目标识别技术越来越多的被应用于各种领域，是近年来计算机视觉与模式识别技术在智能交通领域的重要研究课题之一。

伴随着最近几年深度学习的兴起，基于深度学习的方法在图像分类领域也取得了优异的成绩。很多研究者基于此也尝试将深度学习应用于目标检测领域。从目前的情况来看，现在的大部分CNN在分类上可以做的很好，但用在检测上效果不佳。传统的SPP，FasterR-CNN类的方法在感兴趣的目标区域池化(ROI pooling)前都是卷积，是具备平移不变性的，但一旦插入感兴趣的目标区域池化(ROI pooling)之后，后面的网络结构就不再具备平移不变性了。在目标检测算法中，通常分类需要特征具有平移不变性，检测则要求对目标的平移做出准确响应，基于区域的全卷积神经网络(R-FCN)由输入层、卷积层、激活函数、池化层等组成，即I NPUT-CONV-RELU-POOL-FC，R-FCN可以用于解决复杂的计算机视觉问题，并取得很好的效果。

虽然R-FCN方法在通用的目标检测取得了较好的结果，但是在实际应用过程中，也存在着一些问题，比如不能同时实现复杂监控场景中对检测目标的检测与具体细分类功能，不能直接适用于复杂场景智能系统中的算法应用，无法满足计算简便以及实时性需求。

发明内容

本发明的主要目的是提供一种基于区域全卷积神经网络的目标检测与二级分类算法及装置，旨在提高目标视频检测系统的准确性与可靠性，使其能满足实时性需求，通过对现有算法进一步改进，使得算法模型除了原有的准确检测，分类需要特征具有评议不变性之外，还使得算法模型同时实现了检测与二级分类的功能，相比于现有的算法，本算法可靠性高，目标识别度高，鲁棒性好，同时步骤计算简单，大大减少了计算量，能保持高效率，实际应用性能也能满足需求。

为实现上述目的，本发明提供一种基于区域全卷积神经网络的目标检测与二级分类算法，包括以下步骤：

S1：采集目标图像并进行基于PCA的数据增强处理；

S2：对数据增强后的图像做目标检测的R-FCN算法处理，具体步骤如下:

S2.1：定位并确定目标：利用ResNet网络生成特征映射图，并利用区域建议网络对生成的特征映射图进行全图的前后景目标搜索和筛选，以确定目标框；

S2.2：进行目标具体类别的分类：在确定的目标框的基础上利用R-FCN的分类网络对目标框进行分类识别；

S3：对基于R-FCN训练好的图像检测模型进行训练改进，具体步骤如下:

S3.1：增加多个分支，同时调整算法中对输入图片动态长宽比的实际需求模型；

S3.2：训练出需要的目标模型，对目标模型进行二级细分类。

优选的，所述步骤S1包括：

S1.1：对目标图像进行镜面对称，获得翻倍的数据集；

S1.2：在获得的数据集中对于目标系列的数据集进行背景分割；