[发明专利]一种面向移动机器人多目标检测的分层特征融合方法

说明书

本发明涉及移动机器人的环境感知领域，尤其涉及一种面向移动机器人多目标检测的分层特征融合方法，目的在于提高目标检测算法对不同尺度目标的检测能力，从而提高智能机器人的环境感知能力，包括以下步骤：将数据集中的图像输入到预训练好的改进后的VGG‑16中，初步获取特征图；将初步获取的特征图分别输入空洞卷积金字塔结构，该结构包含3种不同扩张率的空洞卷积分支，用于匹配机器人移动时视觉传感器获取的不同尺度大小的目标；将不同分支获取的特征图通过本发明提出的分层叠加的方式进行融合，使特征图中的所有通道均包含不同尺度的特征信息；将融合后的特征图进行逐步卷积，得到不同大小的特征图；最终，获得待检测物体的类别和包围框。

技术领域

本发明涉及移动机器人的环境感知领域，尤其涉及一种面向移动机器人多目标检测的分层特征融合方法。

背景技术

随着智能机器人在家庭环境中应用范围的不断扩展，人们对机器人的环境感知能力提出了越来越高的要求。在机器人搜索物体的过程中，由于机器人的视觉传感器中往往存在不同尺度大小的物体，而现有的目标检测算法并不能很好地检测这些物体，因此，需要提高目标检测算法对不同尺度目标的检测能力，从而提高智能机器人的环境感知能力。

为了增强网络对不同尺度目标的检测效果，许多学者对分别对两阶段目标检测方法和单阶段目标检测方法进行了改进。2019年黄继鹏，史颖欢，高阳.面向小目标的多尺度Faster-RCNN检测算法[J].计算机研究与发展，2019，56(2):319-327)参考SSD算法多尺度检测的思想设计了多尺度FasterR-CNN检测算法，采用网络中的不同特征层检测不同尺度的目标，但是由于候选区域的限制，导致该算法在检测小目标时效果较差。但是由于两阶段目标检测方法的检测速度较慢，而单阶段目标检测方法可以满足机器人实时检测的要求，因此，需要对单阶段目标检测方法进行改进。2017年，Lin T Y，Dollar P，Girshick R，etal.Feature Pyramid Networks for Object Detection[C]//Proceedings of the IEEEconference on computer vision and pattern recognition.2017:2117-2125提出了一种具有自顶向下结构的特征金字塔网络，增强低层特征的语义信息。同样的，张思宇，张轶等.基于多尺度特征融合的小目标行人检测[J].计算机工程与科学，2019，41(09):1627-1634通过将高层特征进行反卷积与相邻的低层特征进行逐像素相加，丰富小目标的特征表达。但是以上方法在提取特征时只使用了单一尺度大小的卷积核，忽略了不同尺度特征感受野的差异，而机器人在移动中进行目标检测时，视觉传感器中会有多个不同尺度大小的物体，只采用单一尺度大小的卷积核提取的特征不够丰富，导致这些方法对不同尺度物体的检测效果差。为解决此问题，2017年Szegedy C,Ioffe S,Vanhoucke V,etal.Inception-v4,inception-resnet and the impact of residual connections onlearning[C]//Thirty-First AAAI Conference on Artificial Intelligence.提出采用多分支的不同大小卷积核提取多尺度特征，但是由于卷积核的尺寸较大，造成计算量较大，检测速度较慢，不适用于机器人移动平台。因此，本文为减少Inception结构的计算量，提出一种空洞卷积金字塔模型，同时，提出一种分层特征融合方法替代现有的通道拼接方法，使不同通道均包含多尺度特征信息。

发明内容

针对现有技术只采用单一尺度大小的卷积核提取特征不丰富，同一场景中不同尺度大小物体的检测能力低的问题，本发明利用不同扩张率的空洞卷积模拟不同大小的感受野，从而提取不同尺度大小的特征，同时，提出一种分层特征融合方法对不同尺度的特征进行融合，相比于其他方法的通道拼接方法，本发明的分层特征融合方法使不同通道中均包含不同尺度的特征信息，可以有效提升目标检测算法对同一场景中不同尺度大小的物体的检测能力，从而提高智能机器人搜索物体的效率。