[发明专利]一种快速实时性轻量级的目标检测方法及设备

说明书

本发明是一种快速实时性轻量级的目标检测方法及设备，适用于大数据下的目标匹配领域、目标快速检测领域、实时性目标监控领域等。一种快速实时性轻量级的目标检测方法及设备，包括（1）对图像中目标的先验框进行聚类；（2）构建基于Darknet的卷积神经网络，进行目标检测；本发明在主干网路中，具有相同特征大小的特征图会被连接起来。这样，全连接层既可以提取浅层特征，又可以提取深层特征。在第一层张量的大小是13×13×18，这个滤波器用来检测大目标。然后通过两个卷积层和一个上采样层，网络得到第二个张量的大小是26×26×18，这个滤波器用来检测中目标。最后，将得到的特征再次经过卷积层和上采样层，特征向量的大小变成52×52×18，用来进行小目标的检测。

技术领域

本发明是一种快速实时性轻量级的目标检测方法及设备，适用于大数据下的目标匹配领域、目标快速检测领域、实时性目标监控领域等。

背景技术

现有技术的目标检测技术为了匹配人类视觉系统，当输入一张图片，可以区分图片中的前景目标和背景信息、得到图片中的目标类别和物体的形状和位置信息。这些基于深度学习的目标检测算法，首先设计出算法的模型，然后给出一定量的图片对该算法就行训练，通过反向传播不断地迭代算法中的参数，使得损失函数达到收敛，就可以得到最终的最优化权重。检测网络使用上述权重，就可以对一个全新的图片进行特征提取，并得到待检目标的类别以及其在图片中的位置信息等。现有的基于深度学习的目标检测算法主要分为两大类：

（1）“基于候选区域”的目标检测算法：Region-based Convolutional NeuralNetworks (R-CNNs)算法，Spatial Pyramid Pooling Networks (SPP-net)算法，Fast R-CNN算，Faster R-CNN算法以及Region-based Fully Convolutional Networks (R-FPN)算法；“基于候选区域”的目标检测算法的检测都比较耗时，检测速度都比较低。上述算法除了Faster R-CNN算法，都无法实现端对端检测；

（2）“基于回归”的目标检测算法包括：You Only Look Once (YOLO)算法和SingleShot Multibox Detector (SSD)算法。“基于回归”的目标检测算法在速度上得到了很大的提升，但是精度上有所下降；并且对硬件的要求也比较高。

综上，现有的目标检测算法，存在如下缺点：

（1）在嵌入式设备或者低配置的GPU设备上，上述两类目标检测算法很难达到实时性的检测速度。为了更好的模拟实际情况，传统训练网络的层数较深、参数很多、计算代价很大，这样大大增加训练时间。这些算法虽然可以在含有GPU的设备上实时检测目标，但是当他们用于嵌入式设备或者低配置的GPU设备上，由于硬件设备的限制，没法批量处理大量的参数更新，这样会大大降低检测速度；

（2）在目标检测领域中，对“小目标”检测一直是一个难点。第一，大、中目标在图片中像素较多，可以捕捉的特征也很多；但是小目标由于像素很少，其特征信息太少，并且检测中存在池化等减少特征信息的操作，传统算法容易“漏检”，也就是没有捕捉到小目标的信息，而错位的将小目标检测为背景。第二，某些检测方法为了充分得到小目标的信息，容易过度拟合，从而产生“误检”，也就是将一些背景信息误检为小目标信息。

发明内容

本发明旨在针对目标检测中检测精准度低、检测速度慢、对设备硬件条件要求苛刻等缺点，提出一种快速的多尺度目标检测方法，跳连接和多层连接可以充分利用小目标的特征信息，降低漏检率；该轻量级检测方法可以应用在各种便携式设备上，对设施的硬件条件更加宽泛，都可以实时性的目标检测。

本发明的技术方案在于：

一种快速实时性轻量级的目标检测方法，该方法包括：

（1）对图像中目标的先验框进行聚类；