[发明专利]一种基于尺度匹配的弱小人物目标检测方法

说明书

本发明提供了一种基于尺度匹配的弱小人物目标检测方法，该方法包括将网络预训练数据集上人物的尺度分布迁移为目标训练集上弱小人物尺度分布的步骤；训练目标检测模型时，首先在尺度迁移后的预训练数据集上预先训练得到初步的目标检测模型，然后再在目标训练集上训练得到最终的目标检测模型。本发明方法通过尺度匹配，使得模型能够更好地研究和利用微小尺度上的信息，使卷积神经网络或其他模型在弱小目标表示上更加精确，有效提高了现有技术检测器的检测性能。

技术领域

本发明涉及计算机视觉和图像处理领域，尤其涉及一种基于尺度匹配的弱小人物目标检测方法。

背景技术

行人检测是计算机视觉领域的一个重要课题，具有广泛的应用领域，包括监视、驾驶辅助、移动机器人和海上快速救援。随着深度卷积神经网络的兴起，行人检测取得了前所未有的进展，然而，对弱小人物的检测还远远没有达到很好的成果。与适当尺度的物体不同，由于微小物体的相对大小和绝对大小都非常小，信号噪声比很低，微小目标的检测任务更具有挑战性。如果是视频是来自于视频中的图像，经过视频编解码过程后，图像模糊导致微小物体与背景混在一起，这使得微小目标的获得更为困难。总的来说，低信噪比会严重降低特征表达能力，因此是计算机视觉检测任务一个值得挑战的难题。

随着卷积神经网络(CNN)技术的飞速发展，研究者们专门针对微小物体的问题寻找检测框架。Lin等人提出了一种将具有横向连接且有自顶向下的特征融合通路的结构作为一种良好的多尺度特征表达方法名为特征金字塔网络。张等人提出了一种尺度公平的人脸检测框架，较好地处理不同尺度的人脸。Hu等人表明上下文是至关重要的，并且定义了使用大量大型接收字段的模板。Zhao等人提出了一种合理使用上下文的金字塔场景解析网络。Shrivastava等人提出了一种能显著提高小目标性能的在线硬实例挖掘方法。

然而，不论采用何种检测框架，共通的是，用于训练的数据越多，检测器的性能表现越好。但是，为特定任务收集数据的成本非常高，包括数据获取，数据的清洗，数据的标注等等一系列的环节均需要投入大量的物力财力才能形成一个比较有效的数据集，此时我们可以采用另外一些方法达到相似的目的。通常的方法是在公开的外部数据集(预训练数据集)上预先训练好的一个模型，然后在任务指定的数据集上对其进行微调。由于这些外部数据集的数据量很大，预先训练的模型有时会在一定程度上提高性能。但是，当这些额外数据集的域与任务指定数据集的域相差很大时，性能提升是有限的。使用具有大量数据的额外公共数据集来帮助训练特定任务的模型的方法就至关重要。

对于我们具体想解决的弱小人物目标检测的问题，目前还没有一个公开的外部数据集可以达到大部分标准均为弱小人物(如尺度小于20像素的弱小人物)的标准，因此在目标数据集和预训练数据集上的尺度分布不同的问题会成为限制预训练模型在数据集上取得比较好性能的主要因素。

本发明的目的在于提供一种简单有效的弱小人物目标检测方法，以解决上述弱小人物目标检测中存在的问题，如缺乏弱小人物相关的目标数据集、以及当前公开的预训练数据集对弱小人物检测时存在的性能提升有限的问题。

发明内容

为了克服上述问题，本发明人进行了锐意研究，受到人的认知过程的启发，即当人类一直识别某一大小的物体时，人类会逐渐提升这一大小或者相似大小的物体的识别能力，本发明人出了一个简单有效的方法，称为尺度匹配。该方法是对目标数据集的对象尺度和预训练数据集上的对象尺度进行一致化操作。尺度匹配的本质是能够更好地研究和利用微小尺度上的信息，使卷积神经网络或其他模型在弱小目标表示上更加精确。例如对于目标数据集D，我们定义其中物体尺度的概率密度函数为P_size(s；D)，s代表概率分布中的尺度变化自变量，然后定义一个尺度迁移为T，其用于将外部数据集E的尺度分布迁移为目标数据集D中的尺度分布。P_size(s；T(E))≈P_size(s；D)。经验证，本发明中的尺度匹配方法能够有效提高现有技术检测器的检测性能，从而完成本发明。

本发明的目的在于提供以下技术方案：