[发明专利]一种基于模板框增广的提高小目标检测稳定性的方法

说明书

一种基于模板框增广的提高小目标检测稳定性的方法，步骤一：遍历全部训练样本的标注信息，提取标注信息中的目标尺寸；步骤二：计算目标尺寸参考最小值和目标尺寸参考最大值；步骤三：根据目标尺寸参考最小值、目标尺寸参考最大值、训练图像原始尺寸以及模型输出的特征层个数，计算各层关注目标的归一化尺寸；步骤四：根据各层关注目标归一化尺寸以及各特征层尺寸，计算各特征层模板框期望间距；步骤五：根据各特征层模板框期望间距，确定各特征层模板框个数与模板框中心点位置，进行模板框增广；步骤六：对完成模板框增广的卷积神经网络进行训练，得到对小目标检测的卷积神经网络模型。本发明降低算法对小目标位置的敏感度，提高小目标检测的稳定性。

技术领域

本方案涉及基于卷积神经网络的目标检测识别领域，特别提供了一种提高小目标检测稳定性的方法。

背景技术

随着军事科技水平的发展，精确制导武器因其命中精度高、作战效能高等优势在现代战争中占据了越来越高的地位。其中，成像制导技术是精确制导武器最主流的发展方向，具有发射后不管、抗干扰能力强等优点。同时，随着打击目标的越来越多样化，精确制导武器对目标的侦查定位要求也逐渐增加，这就对精确制导武器的目标检测识别能力提出了更高的要求。

在军事应用场景中，由于作用距离远、成像条件恶劣、成像分辨率低，导致待检测目标尺寸普遍较小，目标检测识别难度大，检测稳定性差。

相比于传统的图像处理方法，卷积神经网络在图像目标检测识别领域表现出了突出的优势，并在工业界取得了较好的应用效果。但是当前卷积神经网络的主要研究方向与适用场景均以大目标场景为主，在小目标检测任务当中常表现为检测概率低、检测稳定性差。当前，以RCNN、fast-RCNN、Yolo、SSD为代表的经典算法均未针对小目标进行任何适应性调整。

发明内容

本发明的技术解决问题是：克服现有技术的不足，提供了一种基于模板框增广的提高小目标检测稳定性的方法。针对以SSD为代表的利用default box(后称：模板框)进行回归预测获取目标检测识别结果的算法进行改进，对各feature map(后称：特征层)的模板框进行增广，降低算法对小目标位置的敏感度，提高小目标检测的稳定性。

本发明的技术解决方案是：

一种基于模板框增广的提高小目标检测稳定性的方法，步骤如下：

步骤一：遍历全部训练样本的标注信息，提取标注信息中的目标尺寸；

步骤二：计算目标尺寸参考最小值T_min和目标尺寸参考最大值T_max；

步骤三：根据目标尺寸参考最小值T_min、目标尺寸参考最大值T_max、训练图像原始尺寸ImgSize以及模型输出的特征层个数M，计算各层关注目标的归一化尺寸T_i，i＝1,2,…,M；

步骤四：根据各层关注目标归一化尺寸T_i以及各特征层尺寸S_i，计算各特征层模板框期望间距G_i；

步骤五：根据各特征层模板框期望间距G_i，确定各特征层模板框个数与模板框中心点位置，进行模板框增广；

步骤六：对完成模板框增广的卷积神经网络进行训练，得到对小目标检测的卷积神经网络模型。

进一步的，提取的目标尺寸包括：目标宽最小值W_min、目标宽最大值W_max、目标高最小值H_min、目标高最大值H_max。提取标注信息中的目标尺寸，具体为：

读取xml文件中各bndbox节点中的xmin、ymin、xmax、ymax值，计算该目标的宽W＝xmax-xmin+1，高H＝ymax-ymin+1；