[发明专利]一种基于Faster RCNN算法改进的目标检测方法

说明书

本发明公开一种基于Faster RCNN算法改进的目标检测方法，包括以下步骤：(1)输入一张图片，然后对输入图片进行预处理，调整输入图片的大小；(2)通过DenseNet网络进行特征提取，随后在提取到的特征图上分为上、下两条支路；(3)对上步得到的上支路通过RPN网络产生候选框，下支路ROI网络利用DenseNet网络产生的特征图和上支路产生的候选框，得到固定大小的提案特征图；(4)通过预测模块进行目标分类和定位。

技术领域

本发明涉及计算机视觉目标检测、图像处理领域，特别是涉及一种基于FasterRCNN[1]算法改进的目标检测方法。

背景技术

随着深度学习的兴起，目标检测技术得到了飞速发展。传统的目标检测技术主要分为两大类：一是基于区域提议的目标检测方法，如RCNN系列(RCNN，Fast RCNN[3]以及Faster RCNN等)；二是单阶段的目标检测方法，如YOLO、SSD[1]以及DSSD等。前者精度高，但速度慢；后者精度低，但速度快。

目标检测技术是计算机视觉和图像处理的一个热门方向，它可以用于无人驾驶汽车、智能视频监控等诸多领域，因此，对目标检测系统的改进越来越重要。针对第一类目标检测方法的改进大致有4个方面：1、骨干网络采用复杂的网络模型，如：DenseNet、DPN等，来提取特征；2、利用FPN[5](特征金字塔网络)或DPM[2](可变形组件模型)等来进行多尺度训练；3、改进后处理操作方法，如：NMS(非极大值抑制)、Soft NMS(软化非极大值抑制)等；4、增强系统定位能力以提高精度，如：Cascade Net(级联网络)，迭代的边界框回归方法等。

虽然第一类目标检测方法有很多，但大多数的方法只是改进其中的某一方面，并没有进行有效的综合。因此在本篇专利中，不再使用VGG16或者ZF[7]作为骨干网络，而是使用DenseNet作为骨干网络，来减少参数数目，提高检测速度，同时，用Softer NMS[6]算法来代替传统的NMS算法以提高系统的定位精度。

经典的Faster RCNN算法虽然有不错的检测效果，但是它有两个问题比较突出：一是参数数目较多，检测速度慢；二是使用目标的分类分数来体现定位的精确度，传统的NMS算法会将得分较低的框过滤掉导致定位准确率降低。

本发明中涉及的相关术语解释：

Faster RCNN:基于区域提议的更快卷积神经网络

Fast RCNN:基于区域提议的快速卷积神经网络

RCNN:(Regions with CNN features)基于区域提议的卷积神经网络

YOLO:(You only look once)

SSD:(Single Shot MultiBox Detector)单次多边界盒检测器

DSSD:(Deconvolutional Single Shot MultiBox Detector)反卷积单次多边界盒检测器

DenseNet:(Densely Connected Convolutional Networks)密集连接卷积网络

DPN:(Dual Path Networks)双路径网络

NMS:(Non-Maximum Suppression)非极大值抑制

Soft NMS:(soft Non-Maximum Suppression)软化非极大值抑制

Softer NMS:(soft Non-Maximum Suppression)更软化非极大值抑制

Cascade Rcnn:(Cascade Regions with CNN features)基于区域的级联卷积神经网络