[发明专利]一种基于SSD网络的小目标检测方法

权利要求书

1.一种基于SSD目标检测网络的小目标检测方法，通过特征增强的方式丰富小目标的特征信息，提高小目标的特征质量，特征增强的方式主要包括多尺度特征融合、学习具有大感受野的高分辨率特征、引入注意力机制，在目标检测网络中，检测器利用目标实际边界框(Ground truth)与Anchor之间的IOU作为分配Anchor的标准，每个被分配的Anchor独立的监督网络学习以进行分类与定位，分类与定位之间没有交互，如果一个Anchor的检测结果的定位精度较高但分类置信度较低，在经过NMS操作是就可能会被过滤掉，为解决这个问题提出Anchor-object匹配策略，从而提升模型对小目标的检测精度，具体过程包括如下步骤：

步骤1：提取更浅层的输出特征图；

步骤2：应用感受野模块；

步骤3：应用特征融合模块；

步骤4：设计Anchor-object匹配策略；

步骤5：构建改进的SSD目标检测方法；

步骤6：制作实验数据集；

步骤7：模型训练；

步骤8：模型测试。

2.根据权利要求1所述，提取更浅层的输出特征图，就是以原始SSD为基础，对SSD模型更浅层Conv3_3的输出特征图进行特征提取，来获得更多特征图的纹理、边缘的细节信息。

3.根据权利要求1所述，应用感受野模块，就是不同分支，应用卷积核大小不同的卷积层构成并行卷积结构，卷积层使用不同大小空洞率的卷积核来构成空洞卷积结构，应用并行卷积结构可以得到多尺度的特征信息，应用空洞卷积可以增加感受野，最后通过通道拼接各支路的卷积，将具有多尺度信息和不同感受野的特征图融合成一个感受野更大、尺度信息更丰富的特征图。

4.根据权利要求1所述，应用特征融合模块，就是把含有更多边缘、纹理等细节信息的浅层特征图与含有丰富语义信息的深层特征图融合成一个兼具浅层特征信息与深层特征信的特征图。

5.根据权利要求1所述，Anchor-object匹配策略，就是SSD目标检测网络的分类与定位检测器是对每一层输出特征图进行检测的，这也限制了联合分类与定位，为此联合多个输出特征图为每个目标构建了相应的Anchor包，在训练阶段，在SSD目标检测网络的基础上，添加Anchor选择模块和Anchor抑制模块，Anchor选择模块找出得分较高的Anchor从而最小化检测损失，而Anchor抑制模块通过扰动这些被选择的Anchor的特征，降低这些Anchor的置信度，再次增大检测损失，通过一种反复降低Anchor置信度的对抗的方式解决次优解的问题，在最终收敛的时候最大可能的找到最优解。

6.根据权利要求1所述，构建改进的SSD目标检测方法，就是以原始SSD为基础，对SSD模型更浅层的输出特征图进行特征提取，对SSD模型深层的输出特征图进行反卷积与浅层的输出特征图进行特征融合，在浅层输出特征图增加感受野模块，采用多分支的空洞卷积结构来获得更大的感受野和更具表达能力的特征，设计Anchor-object匹配策略联合分类与定位选择置信度分数较高的Anchor去更新模型。

7.根据权利要求1所述，制作VOC格式数据集，利用labelImg工具，对数据集中图片数据进行标注，产生XML文件，实验数据集来源于对大小为70G的车间监控视频截取的不同姿态、不同遮挡程度、不同目标大小的7462张图片，该数据集包含一个类别，即person。

8.根据权利要求1所述，模型训练，就是设置动量参数、初始学习率(learning_rate)、衰减系数、模型训练轮数，根据验证损失(val_loss)适当调整学习率的大小，根据验证损失得到最优秀的训练模型。

9.根据权利要求1所述，模型测试，就是利用实时车间视频流对模型进行测试，将按帧获取视频流的图片传入训练好的模型，模型对行人进行检测，输出行人的具体位置坐标和置信度。