[发明专利]一种基于特征融合的目标检测方法

说明书

本发明公开了一种基于特征融合的目标检测方法，目的是解决目前检测方法小尺寸目标检测精度低的缺点。技术方案是构建由特征提取模块、间接特征融合模块、直接特征融合模块、2个变形模块、检测模块构成的目标检测系统；采用训练后的目标检测系统对图像进行特征提取、间接特征融合、直接特征融合，检测识别目标的位置和类别。其中间接特征融合模块将高层和低层特征图拼接成一个特征图，然后对拼接好的特征图计算不同像素间的依赖关系，将依赖关系在不同特征图间共享，实现了高层特征和低层特征之间的信息传递；直接特征融合模块将高层特征图信息逐层向低层特征图传递，使小尺寸目标的低层特征中的语义和位置信息增强，提升了小目标检测精度。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种基于特征融合的目标检测方法。

背景技术

目标检测是计算机视觉领域重要的研究方向之一，传统的目标检测方法是通过对一定区域内的图像构建特征描述子(如方向梯度直方图等)提取特征，然后利用分类器对特征进行分类实现目标检测，如支持向量机SVM(Support Vector Machine)等。近来随着卷积神经网络的发展，工程特征大部分已经被卷积神经网络特征所取代，目标检测系统在精度和速度上都取得了很大的进步。

当前，基于深度学习的目标检测方法分为双阶段检测方法和单阶段检测方法。

双阶段检测方法采用FastR-CNN、FasterR-CNN、R-FCN双阶段网络，首先对输入图片提取候选区域，然后对提取的候选区域进行分类和定位。目前，该类方法达到了检测精度非常好的效果，但是存在速度较慢的缺点，达不到实时性的要求，因此在对检测实时性要求较高的领域不能用双阶段检测方法。

单阶段检测方法采用SSD(Single Shot MultiBox Detector，单阶段多参考窗口检测器)等单阶段网络直接对设置的默认框进行定位和分类，省略了双阶段方法中提取候选区域的操作，检测速度得到了提升，但是检测精度较双阶段方法略有下降，尤其是对小尺寸目标的检测。出现这种情况主要是因为面向小尺寸目标检测的低层特征(指经过卷积神经网路层数较少的特征图，低层和高层是相对的叫法，一般将特征提取阶段得到的六个特征图中的尺寸小的三个特征图定为高层特征图，尺寸大的三个特征图定为低层特征图)的卷积层数少，语义信息不够丰富，导致小目标的检测效果仍然不尽如人意，导致常有未识别出小目标或识别错误的现象发生。

因此，如何将单阶段检测方法中高层特征(指经过卷积神经网络层数较多的特征图)和低层特征进行融合，是本领域技术人员正在探讨的热点问题。

发明内容

本发明要解决的技术问题是解决目前单阶段检测方法小尺寸目标检测精度低的缺点。

本发明提供一种基于特征融合的目标检测方法，在单阶段SSD网络中加入特征融合机制，达到提升目标检测尤其是小目标检测精度的目的。

为解决上述技术问题，本发明的技术方案是：首先构建由特征提取模块、间接特征融合模块、直接特征融合模块、2个变形模块、检测模块构成的目标检测系统。然后选择PASCAL VOC 2007、PASCAL 2012的训练集和验证集的组合数据集作为对目标检测网络进行训练的训练数据集，拟合后得到目标检测系统的网络参数。最后采用训练后的目标检测系统对单帧图像进行特征提取、间接特征融合、直接特征融合，检测识别目标的位置和类别。

本发明主要包括以下具体步骤：

第一步：构建目标检测系统。该系统由特征提取模块、间接特征融合模块、直接特征融合模块、2个变形模块(即第一变形模块和第二变形模块)、检测模块组成。