[发明专利]一种增强特征学习的小目标检测及识别方法

说明书

本发明公开了一种增强特征学习的小目标检测及识别方法，属于图像处理、模式识别及计算机视觉领域，解决现有技术中小目标检测与识别任务检测精度低且网络效率低的问题。本发明依次构建基础网络模块、特征提取模块、候选框产生模块和预测输出模块作为小目标检测与识别网络；基于提取小目标样本图像数据，并对提取的小目标样本图像数据进行预处理；得到预处理的小目标样本图像数据输入初始化了参数的小目标检测与识别网络中进行训练，得到训练好后的小目标检测与识别网络；将待预测的小目标图像输入已经训练好的小目标检测与识别网络，通过前向传播，实现端到端地输出小目标的预测框位置与类别信息。本发明用于小目标检测与识别。

技术领域

一种增强特征学习的小目标检测及识别方法，用于小目标检测与识别，属于图像处理、模式识别及计算机视觉领域。

背景技术

迄今为止，目标检测与识别任务仍然是计算机视觉领域中热门研究方向之一，由于其较为广泛的工程应用，使得该任务在学术研究领域得到了迅速的发展与创新。事实上，目标检测与识别任务在生活中也有着重要的作用，例如基于目标检测与识别任务下的人脸识别在机场、火车站等重要公共交通场所中的安全检查应用；基于目标检测与识别任务下的车牌检测与识别，对于规范交通、检测行车安全也有着重要的现实意义。

目标检测与识别任务与普通的分类任务不同之处在于传统的分类任务只需要输出单个类别结果，即该输入图片属于某个类别的概率。因此，当一张待检测的图片中存在多个感兴趣目标时，简单的分类任务不足以满足该种需求。相反的，目标检测与识别任务能够通过检测网络定位出感兴趣物体的位置，并对其类别做出判断。而对于目标检测与识别的子任务——小目标检测与识别而言，由于神经网络对于小目标特征学习能力不足，从而导致小目标检测与识别任务在近几年都没有得到较大的提升。

传统的目标检测与识别方法，大部分都是基于anchor机制方法，也就是在特征图上设计出若干个预测框，将预测框与真实框进行对比，利用某种预先设计好的评判标准，挑选出一个与真实框最接近的预测框作为网络的预测框，并对该预测框的类别进行预测。随着深度学习的发展，目标检测与识别任务在提升性能方面得到了逐步的发展与创新，目前检测与识别任务主要分为两种不同的解决方式：1)两阶段任务的目标检测与识别方法；2)单阶段任务的目标检测与识别方法。具体的来说，如果将目标检测与识别任务分解为两个独立的子任务：检测与分类进行处理的话，称该种方法为两阶段任务的目标检测与识别。同理可知，如果是基于端到端实现目标检测与识别任务的话就称为单阶段任务的目标检测与识别方法。无论是单阶段方法还是两阶段方法，都对于小目标物体的检测精度较低(注：这里的小目标物体指的是在图像中像素点面积小于32x32的目标)。原因主要在于以下两个方面：1)神经网络学习到的特征对于小目标物体的特征表征能力不足；2)传统基于anchor机制的目标检测算法是利用计算预测框与真实框之间的IOU(即重叠面积大小)，然后利用预先设定好的阈值，剔除IOU较小的待选区域。但对于小目标检测而言，任意一个特征层的小目标其映射到原图上的区域面积一般比较小，利用该种评判标准，对于小目标检测任务来说会出现大概率的漏检现象且网络效率低(即检测速度慢)的问题。

发明内容

针对上述研究的问题，本发明的目的在于提供一种增强特征学习的小目标检测及识别方法，解决现有技术中小目标检测与识别任务检测精度低且网络效率低(即检测速度慢)的问题。

为了达到上述目的，本发明采用如下技术方案：

一种增强特征学习的小目标检测及识别方法，包括如下步骤：

S1、依次构建用于提取小目标的特征并输出初步特征图的基础网络模块、用于在初步特征图的基础上进一步提取特征并输出特征图的两个沙漏堆栈形成的特征提取模块、基于特征图产生候选框的候选框产生模块、基于候选框进行预测框坐标回归及预测框类别分类的预测输出模块作为小目标检测与识别网络，即深度神经网络，构建后随机初始化小目标检测与识别网络的参数；