[发明专利]一种基于孪生神经网络的目标检测算法

说明书

本发明公开了一种基于孪生神经网络的目标检测算法，包括以下步骤：采集固定视角连续拍摄的图像；利用孪生神经网络来计算的待检测图像与基准图像之间的相似度；利用待检测图像与基准图像之间的相似性分析结果，快速找到场景中变化的目标，并对目标进行分类。本发明针对连续采集图像的特征，考虑多张图像之间的信息关联性，充分发掘连续多幅图片之间的信息，在提高检测精度的同时也提高检测的速度。本发明适用于固定角度、连续拍摄的图像的目标检测。

技术领域

本发明涉及一种图像的目标检测方法，具体涉及一种适用于固定角度、连续拍摄的图像的基于孪生神经网络的目标检测算法。

背景技术

目标检测是指在一张图像中，识别出目标物体，然后在图像中标记出该物体的位置，目前是使用矩形框将目标物体标注出来。

传统的目标检测算法在当前的应用因为精度和速度等均赶不上基于深度学习的目标检测算法，所以，目前主流使用的目标检测算法基本上都是基于深度学习来实现的，绝大多数的算法都使用到了卷积神经网络。这些算法都是用卷积神经网络来对图像中的物体进行特征的提取，但是在这过程中，有一个很大的弊端就是在对图像进行多次卷积和池化等特征采样的操作后，图像中的小目标信息可能就会丢失，这样就造成了当前的基于深度学习的目标检测算法在小目标识别上的精度并不是很理想，特别是在实际的自然场景下，在周围的干扰因素增加的情况下，对于小目标的精度很难达到实际的需要。

同时，目前的所有目标检测算法都是针对于通用场景下的目标识别，每张图像之间基本没有什么特定的联系。对于一些固定视角、连续拍摄的图像并没有充分应用的图像之间的关联性，而这些信息对于图像中的目标识别是很有帮助的。因此，对于在一些固定视角且连续拍摄的场景中，可以通过结合多张图像之间信息提高对小目标的检测精度。

但是，仅仅是将多张连续拍摄的图像进行像素级别的对比，以此来找到各张图像中的差异区域并对差异区域进行目标检测，那么，图像中噪音的干扰将会对结果的产生巨大的影响。同时，这种像素级别的计算对于计算资源的消耗也是非常巨大的。

发明内容

针对连续拍摄的实际应用场景中，当前的目标检测算法对于所拍摄图像的信息利用不足，且识别精度不够等问题，本发明的目的是提供一种基于孪生神经网络的目标检测算法，针对连续采集图像的特征，考虑多张图像之间的信息关联性，充分发掘连续多幅图片之间的信息，在提高检测精度的同时也提高检测的速度。

本发明的目的通过以下技术方案实现：

一种基于孪生神经网络的目标检测算法，其特征在于：该算法包括基础网络和目标分类及定位网络，其中，基础网络用来提取图像特征；目标分类及定位网络负责将找到两幅图像中，目标出现的位置，以及对目标进行分类；基础网络使用卷积神经网络来提取图像的特征，同时，结合孪生神经网络的思想来计算待检测图片和基准图片之间的相似度；分类网络是一个全连接网络，将从两张图片中提取得到的特征值作为该网络的输入，输出就是目标物体的类别和位置；具体如下：

1）以固定角度连续拍摄的图像作为算法的训练集和测试集，同时，从图像中找出一组不包含待检测物体的图像；

2）使用孪生神经网络来计算图像之间的相似度；

3）使用深度神经网络来分析图像中的变化目标，并进行分类，输出检测结果。

在一些诸如监控这类的拍摄场景下，摄像头的拍摄角度基本不会改变，场景中的背景基本不会发生改变和位移，每一次采集的图像都包含了很多相同的信息。因此，综合多张图像的信息，用相邻的几张图像进行对比和相似性分析，就可以快速识别出场景是否出现了其他物体。

由于本算法的适用场景是固定场景下的目标识别，对图像有特定的需求，因此在训练的时候，直接使用目前目标识别领域的通用数据集是不行的，因为这些数据集，各张图像之间没有联系。因此，训练的数据得自己采集、标注、分析。