[发明专利]一种快速实时性轻量级的目标检测方法及设备

权利要求书

1.一种快速实时性轻量级的目标检测方法，其特征在于:

（1）对图像中目标的先验框进行聚类；

所述聚类为k-means++聚类方法；

（2）构建基于Darknet的卷积神经网络，进行目标检测；

该卷积神经网络包括n个卷积层；将图像依次通过对n个卷积层进行卷积操作以提取图像的特征值：第n个卷积层的输出作为第n+1个卷积层的输入，每一次卷积操作后得到一个特征图；将具有相同特征比例尺的特征图的相关卷积层连接依次输入至卷积层后再进行上采样，再进行目标检测。

2.根据权利要求1所述快速实时性轻量级的目标检测方法，其特征在于：将具有相同特征比例尺13×13×A的特征图的相关卷积层连接依次输入至卷积层后再进行上采样，得到特征值为13×13×18的检测层进行大目标检测；将具有相同特征比例尺26×26×B的特征图的相关卷积层连接依次输入至卷积层后再进行上采样，得到特征值为26×26×18的检测层进行中目标检测；将具有相同特征比例尺52×52×C的特征图的相关卷积层连接依次输入至卷积层后再进行上采样，得到特征值为52×52×18的检测层进行小目标检测。

3.根据权利要求2所述快速实时性轻量级的目标检测方法，其特征在于：

1）对图像中目标的先验框进行聚类；

2）输入RGB图像后，并对其进行归一化处理；

3）依次构建特征提取层以及检测层；

首先对该RGB图像通过特征提取层进行若干次特征提取，特征提取层包括互相交替的卷积层以及最大池化层，且第D个特征提取层的输出作为第D+1个特征提取层的输入；

再构建检测层，所述检测层均为卷积层；将具有相同特征比例尺的检测层以及特征提取层连接，以特征比例尺为13×13×18的检测层进行大目标的检测；再构建新的检测层，并将其与具有相同特征比例尺的特征提取层连接以构建特征比例尺为26×26×18、52×52×18的检测层，分别用于进行中目标及小目标的检测。

4.根据权利要求3所述快速实时性轻量级的目标检测方法，其特征在于：

1）对图像中目标的先验框进行聚类；

2）输入RGB图像后，并对其进行归一化处理；

构建特征提取层：

3）首先通过一个卷积层，卷积核的大小为3×3，步长为1，总共有16个卷积核，输出的特征图大小为416×416×16；接着进入最大池化层，卷积核的大小为2×2，步长为2，输出的特征图大小为208×208×16；该步骤的卷积层和最大池化层分别记为卷积神经网络的第1层和第2层；

4）再通过一个卷积层，卷积核的大小为3×3，步长为1，总共有32个卷积核，输出的特征图大小为208×208×32；接着进入最大池化层，卷积核的大小为2×2，步长为2，输出的特征图大小为104×104×32；该步骤的卷积层和最大池化层分别记为卷积神经网络的第3层和第4层；

5）再通过一个卷积层，卷积核的大小为3×3，步长为1，总共有64个卷积核，输出的特征图大小为104×104×64；接着进入最大池化层，卷积核的大小为2×2，步长为2，输出的特征图大小为52×52×64；该步骤的卷积层和最大池化层分别记为网络的第5层和第6层；

6）再通过一个卷积层，卷积核的大小为3×3，步长为1，总共有128个卷积核，输出的特征图大小为52×52×128；接着进入最大池化层，卷积核的大小为2×2，步长为2，输出的特征图大小为26×26×128；该步骤的卷积层和最大池化层分别记为卷积神经网络的第7层和第8层；

7）再通过一个卷积层，卷积核的大小为3×3，步长为1，总共有256个卷积核，输出的特征图大小为26×26×256；接着进入最大池化层，卷积核的大小为2×2，步长为2，输出的特征图大小为13×13×256；该步骤的卷积层和最大池化层分别记为卷积神经网络的第9层和第10层；

8）再通过一个卷积层，卷积核的大小为3×3，步长为1，总共有512个卷积核，输出的特征图大小为13×13×512；接着进入最大池化层，卷积核的大小为2×2，步长为1，输出的特征图大小为13×13×512；该步骤的卷积层和最大池化层分别记为卷积神经网络的第11层和第12层；

构建检测层：

9）再通过一个卷积层，卷积核的大小为3×3，步长为1，总共有1024个卷积核，输出的特征图大小为13×13×1024；接着再进入一个卷积层，卷积核的大小为1×1，步长为1，总共有256个卷积核，输出的特征图大小为13×13×256；该步骤的两个卷积层分别记为卷积神经网络的第13层和第14层；

10）再通过一个卷积层，卷积核的大小为3×3，步长为1，总共有512个卷积核，输出的特征图大小为13×13×512；接着再进入一个卷积层，卷积核的大小为1×1，步长为1，总共有18个卷积核，输出的特征图大小为13×13×18；该步骤的两个卷积层分别记为卷积神经网络的第15层和第16层；以第16层进行对大目标的检测；

11）将第11层、第12层和第15层进行连接，输出的特征图大小为13×13×1536；然后通过一个卷积层，其卷积核的大小为1×1，步长为1，总共有256个卷积核，输出的特征图大小为13×13×256，该卷积层记为第17层；接着进行上采样，步长为2，得到的输出特征图大小为26×26×256，该步骤记为第18层；

12）将第18层、第9层和第8层进行连接，输出的特征图大小为26×26×640；然后通过一个卷积层，其卷积核的大小为1×1，步长为1，总共有512个卷积核，输出的特征图大小为26×26×512，该卷积层记为第19层；接着再通过一个卷积层，其卷积核的大小为1×1，步长为1，总共有18个卷积核，输出的特征图大小为26×26×18，该卷积层记为第20层，以第20层进行对中目标的检测；

13）将第9层和第8层进行连接，输出的特征图大小为26×26×384；然后通过一个卷积层，其卷积核的大小为1×1，步长为1，总共有128个卷积核，输出的特征图大小为26×26×128，该卷积层记为第21层；接着进行上采样，步长为2，得到的输出特征图大小为52×52×128，该步骤记为第22层；

14）将第22层、第7层和第6层进行连接，输出的特征图大小为52×52×320；然后通过一个卷积层，其卷积核的大小为3×3，步长为1，总共有256个卷积核，输出的特征图大小为52×52×256，该卷积层记为第23层；接着再通过一个卷积层，其卷积核的大小为1×1，步长为1，总共有18个卷积核，输出的特征图大小为52×52×18，该卷积层记为第24层，以第24层进行对小目标进行检测。