[发明专利]一种基于深度学习的低可见度环境下实时目标检测方法

权利要求书

1.一种基于深度学习的低可见度环境下实时目标检测方法，其特征在于，使用改进的VGG16网络、GoogLeNet目标检测算法与引导滤波相结合，使目标检测在烟尘、水雾、光线不足等低可见度环境下也能准确识别。其具体过程包括如下步骤：

步骤1：实时视频流获取

步骤2：产生目标检测中的数据集；

步骤3：设置VGG16网络的参数；

步骤4：引入VGG16网络对目标数据进行处理和分类；

步骤5：测试训练后网络模型性能，找到当前性能最优模型；

步骤6：结合低可见度环境下目标特点，引入引导滤波，使模型准确找到目标，确定目标坐标；

步骤7：引入GoogLeNet网络模型，进行多尺度训练，提取数据的深层次特征，然后对坐标区域内的目标进行检测；

步骤8：构建整体目标检测框架,命名为VGFG(VGG16 Guided Filter GoogLeNet)模型，使用改进的VGG16网络、GoogLeNet目标检测算法与引导滤波结合后的模型进行测试。

2.根据权利要求1所述，一种基于深度学习的低可见度环境下实时目标检测方法，其特征在于，硬盘录像机IP与主机IP匹配，以及RTSP协议中通道号的确定。

3.根据权利要求1所述，一种基于深度学习的低可见度环境下实时目标检测方法，其特征在于，制作VOC格式数据集，利用labelImg工具，对数据集中图片数据进行标注，产生XML文件。

4.根据权利要求1所述，一种基于深度学习的低可见度环境下实时目标检测方法，其特征在于，选取适当尺度的先验框、网络学习率、训练层数。对于先验框的尺度，其遵守一个线性递增规则：随着特征图大小降低，先验框尺度线性加。其计算公式为

其中m是特征图的个数，S_k表示先验框大小相对于图片的比例,S_min和S_max分别表示比例的最大值和最小值。

学习率的选择是一个超参问题，需要不断测试，基本范围为0.1，0.01，0.001，0.0001，数量级递增进行测试，直到找到最优值，也可通过损失函数梯度进行调整，损失函数为

其中N代表正样本个数，表示第个先验框是否与第i个ground truth相匹配，groundtruth且类别是p，c代表类别置信度预测值。l代表先验框的所对应边界框的位置预测值,g代表ground truth的位置参数。

5.根据权利要求1所述，一种基于深度学习的低可见度环境下实时目标检测方法，其特征在于，预训练卷积层权重，下载文件darknet53.conv.74和步骤1中产生的深度学习数据集进行改进的VGG16网络训练。

6.根据权利要求1所述，一种基于深度学习的低可见度环境下实时目标检测方法，其特征在于，重复进行训练，根据步骤2调整参数，改进的VGG16网络模型每迭代100次输出一个模型，该训练共迭代240000次，测试结果显示，迭代180000次的模型效果最佳。