[发明专利]基于DenseNet和多尺度特征融合的目标检测方法

说明书

本发明提供基于DenseNet和多尺度特征融合的目标检测方法，其包括：S1构建特征提取网络模型；S2训练特征提取网络模型，通过多次迭代训练得到最优目标检测模型；S3将待检测图像数据输入到最优目标检测模型进行检测，在待检测图像上用矩形框标注每个物体的位置和类别；特征提取网络模型以DenseNet网络为基础网络，加深了网络层次，提高了特征质量，同时使用特征融合模块，引入上下文信息，得到六个用于最终预测的特征图，具有丰富的语义信息和较高的分辨率。本发明方法可在保证检测速度的基础上，降低模型规模，提升对小目标的检测精度。

技术领域

本发明涉及计算机视觉技术领域，具体为基于DenseNet和多尺度特征融合的目标检测方法。

背景技术

目标检测是计算机视觉领域中的一个非常重要的研究方向。目标检测是对图像和视频中物体进行精准识别和定位，使计算机理解周围环境，实现良好的人机交互。 近年来，目标检测在自动驾驶、环境监测、交通安防等领域都得到了广泛的应用。

实际应用中，有很多场景需要对待检测图像中的小目标进行识别。但是，因为待检测图像中小目标物体的分辨率和信息有限，所以，在现有技术中，针对小目标的检测目前为止仍然是一个难点。目前基于深度学习的目标检测方法主要分为两类：基于区域建议的方法、基于回归的方法。基于区域建议的目标检测方法由于使用区域建议，大大减少了目标检测搜索空间，目标检测精度得到了极大地提升，但是网络模型复杂、占用计算资源，所以检测速度较为缓慢，无法满足实时应用。基于回归的目标检测方法不用产生候选框，直接将目标边框定位的问题转化为回归问题处理，直接在原始图像的多个位置上回归，标记出目标位置边框以及目标类别。基于回归的目标检测方法取消区域建议阶段，大幅提升了目标检测的速度，达到了实时的要求，但检测精度有所下降，特别是对小目标物体检测时，检测精度不高。

发明内容

为了解决现有技术中针对小目标检测无法同时保证检测精度和检测速度的问题，本发明提供基于DenseNet和多尺度特征融合的目标检测方法，其可在保证检测速度的基础上，降低模型规模，提升对小目标检测的准确率。

本发明的技术方案是这样的：基于DenseNet和多尺度特征融合的目标检测方法，其包括以下步骤：

S1：构建特征提取网络模型；

S2：训练所述特征提取网络模型，利用融合后的特征图对模型进行分类和回归，得到目标检测模型，通过多次迭代训练得到最优目标检测模型；

S3：将待检测图像数据输入到S2中得到的所述最优目标检测模型，利用所述最优目标检测模型进行检测，在所述待检测图像上用矩形框标注每个物体的位置和类别；

其特征在于：

步骤S1中所述特征提取网络模型以DenseNet网络为基础网络，由4个Dense block与3个过渡层交替拼接而成；而后依次连接三组卷积层Conv1～Conv3；

其还包括特征融合模块，将低层细节特征图与高层语义特征图进行融合，引入上下文信息，提高特征的表征能力；

经过所述特征提取网络模型共提取出六个不同尺度的卷积特征图，分别为Denseblock2、Denseblock3、Denseblock4、Conv1、Conv2、Conv3，所述特征融合模块将特征图Denseblock2与Denseblock4相融合，特征图Denseblock3与Conv1相融合，得到六个用于最终预测的特征图。

其进一步特征在于：

步骤S1中，所述基础网络为121层的DenseNet网络；