[发明专利]基于深度学习的目标检测系统、方法、存储介质及终端

说明书

本发明公开了基于深度学习的目标检测系统、方法、存储介质及终端，属于目标检测技术领域，系统包括第一特征提取模块、第二特征提取模块、第一输出层、第二输出层、上采样层和连接层；第一特征提取模块第一输出端与第二特征提取模块连接，第二特征提取模块第一输出端与第一输出层连接，得到像素占比大的目标物的第一输出模型；第一特征提取模块第二输出端与连接层连接，第二特征提取模块第二输出端与上采样层连接，上采样层输出端与连接层连接，连接层输出端与第二输出层连接，得到像素占比小的目标物第二输出模型。本发明包括包括两个输出，能够对不同大小的目标物进行检测，且使用深度可分卷积层进行下采样，减小了计算量的同时避免了细节特征消失。

技术领域

本发明涉及目标检测技术领域，尤其涉及基于深度学习的目标检测系统、方法、存储介质及终端。

背景技术

随着国家低空空域的开放及科学技术的飞速发展，各类低空飞行器的机动性、可操作性不断增强，民用、军用小型航空器数量急剧增加，空中安全形势严峻。因此迫切需要研究对低空空域可靠的监测技术。此前，空中飞行物探测主要使用各类雷达实现，而针对体积小、速度慢的低空飞行目标(以下简称低慢小目标)，军用的超低空补盲雷达造价昂贵难以大量部署，针对小目标效果不佳，且无法民用。

目前利用光电手段采集低空图像以发现低慢小目标是一种有效的方法，仅需要一个摄像头搭配计算机即可工作，适用场景广泛且可大量部署。对单帧灰度图像实现低慢小目标的有效检测包括多种算法，其中主要是频域法，和神经网络法。其中频域法从频域处理图像，常用的手段有小波变换、形态学滤波等，这类算法可以有效提取孤立目标，但是容易出现虚假目标，对存在大量杂波的场景下无法完成任务。而利用神经网络确立低慢小目标时，需要处理的实验数据较多，计算量大，不能对不同大小的目标物进行准确检测，且无法避免低慢小目标的细节特征消失的问题，导致对低慢小目标检测的准确率不高。

发明内容

本发明的目的在于克服现有技术无法避免低慢小目标的细节特征消失的问题，提供基于深度学习的目标检测系统、方法、存储介质及终端。

本发明的目的是通过以下技术方案来实现的：基于深度学习的目标检测系统，具体包括包括第一特征提取模块、第二特征提取模块、第一输出层、第二输出层、上采样层和连接层；所述第一特征提取模块第一输出端与所述第二特征提取模块连接，所述第二特征提取模块第一输出端与所述第一输出层连接，得到用于检测像素占比大的目标物第一输出模型；所述第一特征提取模块第二输出端与所述连接层连接，所述第二特征提取模块第二输出端与上采样层连接，所述上采样层输出端与所述连接层连接，所述连接层输出端与所述第二输出层连接，得到用于检测像素占比小的目标物的第二输出模型。

具体地，第一特征提取模块包括第一普通卷积块和若干下采样块，所述下采样块包括普通卷积块和下采样深度可分卷积块，所述普通卷积块输出端与所述下采样深度可分卷积块连接；所述普通卷积块包括第一卷积层、第一批归一化层和第一leaky ReLU层，所述第一卷积层输出端与所述第一批归一化层连接，所述第一批归一化层输出端与所述第一leaky ReLU层连接；所述下采样深度可分卷积块包括第一深度可分卷积层、第二批归一化层和第二leaky ReLU层，所述第一深度可分卷积层输出端与所述第二批归一化层连接，所述第二批归一化层输出端与所述第二leaky ReLU层连接。

具体地，第二特征提取模块包括第五下采样块、第一逐点卷积块、若干深度可分卷积残差块、第二逐点卷积块、第四深度可分卷积残差块、第三逐点卷积块；所述第五下采样块输出端与所述第一逐点卷积块连接，所述第一逐点卷积块与若干深度可分卷积残差块连接，所述若干深度可分卷积残差块输出端与所述第二逐点卷积块连接，所述第二逐点卷积块输出端与所述第四深度可分卷积残差块连接，所述第四深度可分卷积残差块与所述第三逐点卷积块连接。

具体地，逐点卷积块包括第二卷积层、第四批归一化层和第四leaky ReLU层，所述第二卷积层输出端与所述第四批归一化层连接，所述第四批归一化层输出端与所述第四leaky ReLU层连接；