[发明专利]基于轻量级卷积神经网络的目标检测方法

说明书

本发明公开了一种基于轻量级卷积神经网络的目标检测方法，主要解决现有目标检测方法网络复杂、速度不快和对小目标检测效果差的问题。本发明的具体步骤如下：(1)构建轻量级卷积神经网络；(2)生成目标训练集；(3)训练轻量级卷积神经网络；(4)对待检测目标进行检测。本发明构建了一个由特征提取模块、特征增强模块、识别和定位模块组成的轻量级卷积神经网络，克服了现有目标检测方法中大目标检测效果好、小目标检测效果差并且速度慢的问题，使得本发明不仅能够实时识别大目标，也能实时识别小目标。

技术领域

本发明属于图像处理技术领域，更进一步涉及图像识别技术领域中的一种基于轻量级卷积神经网络的目标检测方法。本发明可用于检测自然图像中的静止目标。

背景技术

现有的大量目标检测方法在公共数据集中获得了非常高的分数，但在现实任务中目标检测仍然存在很多挑战，像对小目标的检测效果较差等。例如，在智能体育教学中，检测球将有助于教练掌握打球的学生的准确性。然而，当将相机放置在运动室中时，球仅占据几个像素，并且由于运动中的小球会因为运动员的一些特定动作产生形变或者遮挡，而且还有不同的光照、运动模糊等影响因素，所以现有的目标检测网络并不适用于类似于此小球识别的目标识别场景。

厦门大学在其申请的专利文献“基于卷积神经网络的快速目标检测方法”(专利申请号CN201510061852.6，公开号CN104573731A)中公开了一种基于卷积神经网络的快速目标检测方法。该方法首先利用训练集训练出卷积神经网络参数，然后利用扩展图的方式解决最大池化丢失特征的问题并生成判别完备特征图；把卷积神经网络的全连接权重看成线性分类器，采用可能近似学习框架来估计线性分类器在判别完备特征上的泛华误差；根据泛华误差和所期望泛化误差阈值来估算所需线性分类器个数，最后在判别完备特征图上用线性分类器基于平滑窗的方式完成目标检测。此方法虽然可以显著提高检测效率和目标检测精度，但是，该方法仍然存在的不足之处是：没有针对小目标的特征增强模块，对于图像中所含像素较少或含有遮挡的小目标检测，由于其提取特征的不明显，此方法效果并不是很好。

Shifeng Zhang在其发表的论文Single-Shot Refinement Neural Network forObject Detection(The IEEE Conference on Computer Vision and PatternRecognition(CVPR),2018,pp.4203-4212)中公开了一种基于Single-Shot的图像目标检测方法RefineDet，该方法基于SSD算法和RPN网络、FPN算法的结合，可以在保持SSD高效的前提下大大提高检测效果。引入Two Stage类型目标检测算法中对Box由粗到细进行回归思想，即先通过RPN网络得到粗粒度的Box信息，然后再通过常规的回归支路进行进一步回归从而得到更加精确的框信息；引入类似FPN网络的特征融合操作，有效的提高了小目标的检测效果。尽管此网络的方法可以提高图像中小目标的检测精度，但是该方法仍然存在的不足之处是：网络复杂并且速度慢，所以无法在需要同时对大小目标都进行快速检测的的场景中使用。

发明内容

本发明的目的在于针对上述现有技术存在的不足，提出一种基于轻量级卷积神经网络的目标检测方法，解决现有目标检测方法网络复杂、速度不快和对小目标检测效果差的问题。

本发明的技术思路是，利用构建一个轻量级卷积神经网络提取并增强目标特征，并将网络输出的向量与类别和位置相对应，对图像数据集中的目标进行识别与定位，使得网络能够精确检测出图中的每一个目标。

本发明的实现的具体步骤如下：

步骤1，构建轻量级卷积神经网络：