[发明专利]基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统

权利要求书

1.一种基于TridentNet和Cascade-RCNN结构的高速目标检测方法，其特征在于：所述方法包括：

获取目标检测图像的数据集，并对所述数据集中的图像进行增强处理；

构建神经网络，其中，所述神经网络包括特征提取网络和预测网络，所述特征提取网络融合多个主干网络，并包括特征金字塔网络，每个所述主干网络中均融合可变形卷积网络，所述预测网络包含双分支结构；

通过增强处理后的数据集对所述神经网络进行训练，训练过程中根据IOU阈值对目标进行判断，得到目标检测模型；

通过所述目标检测模型对待检测图像进行目标检测。

2.根据权利要求1所述的一种基于TridentNet和Cascade-RCNN结构的高速目标检测方法，其特征在于，所述获取目标检测图像的数据集，并对数据集中的图像进行增强处理，包括：

步骤A1，采用以下公式对所述数据集中图像的亮度分量进行全局亮度增强处理：

其中，L_γ(c,d)代表全局亮度调整后的亮度函数，γ代表Gamma变化系数，I(c,d)代表数据集中图像的原始亮度分量，q代表高斯函数的标准差值，π代表自然常数，exp代表指数函数，(c,d)代表数据集中图像像素点的坐标；

步骤A2，将数据集中图像的亮度分量进行全局亮度增强处理后，然后根据以下公式进行饱和度增强处理：

其中，H′代表增强后的饱和度分量，H代表数据集中图像的原始饱和度分量，ψ代表参数值，T代表光照信息的平均亮度。

3.据权利要求1所述的一种基于TridentNet和Cascade-RCNN结构的高速目标检测方法，其特征在于，所述特征提取网络借鉴TridentNet中的scale-aware并行结构模式，结合特征金字塔网络及FPN网络的特点，分为三路学习目标的不同尺度特征，从而让目标检测模型的Trident部分对不同尺度的目标具有更好的检测效果。

4.根据权利要求1所述的一种基于TridentNet和Cascade-RCNN结构的高速目标检测方法，其特征在于，所述主干网网络为ResNet-18，所述双分支结构分别为FC-head和Conv-head，FC-head做分类网络，Conv-head做回归网络。

5.根据权利要求1所述的一种基于TridentNet和Cascade-RCNN结构的高速目标检测方法，其特征在于，所述通过增强处理后的数据集对所述神经网络进行训练，训练过程中根据IOU阈值对目标进行判断，得到目标检测模型，包括：

获取增强后的数据集，并除掉冗余重复的数据；

利用现有的标注软件对数据进行准确位置和类别标注，并生成标注文件；

将标注文件与是数据集中的图片数据进行一一对应，然后将标注文件进行解析并生成txt格式的标签数据，随机将数据集切分为训练集、验证集和测试集；

使用训练集数据对目标检测模型中神经网络进行训练，在不断的迭代过程中使用验证集数据进行目标检测模型验证观察，然后将目标检测模型在测试集数据上进行测试，并分析目标检测模型的检测结果。

6.根据权利要求5所述的一种基于TridentNet和Cascade-RCNN结构的高速目标检测方法，其特征在于，所述使用训练集数据对目标检测模型中神经网络进行训练之前还包括：将训练集数据进行归一化处理，具体步骤如下：

步骤A1,根据以下公式计算训练集中样本均值和样本方差：

其中，μ_a代表训练集中样本数据的均值，代表训练集中样本数据的方差，x_i代表训练集中的第i个样本数据，i＝1,2,…,N；

步骤A2，根据以下公式将训练集进行归一化处理：

其中，代表归一化后的训练集中的第i个样本数据，ε代表为极小值。