[发明专利]一种基于多级特征自适应融合的变尺度目标检测方法

说明书

本发明涉及一种基于多级特征自适应融合的变尺度目标检测方法，主要包括：图像预处理部分、基础网络模块、附加特征提取模块、两级特征融合模块、预测模块以及分类和回归模块。具体检测方法如下：获取目标检测数据集并按照图像预处理部分将输入图像进行统一尺寸与数据增强；设置变尺度目标检测网络模型参数及各种训练参数；将提取得到的浅层特征与深层特征进行两级特征阶段自适应融合，获取多级特征融合特征层；将获取的多级特征自适应融合特征层经过预测模块，获得加强后的多尺度融合特征层；对加强后的多尺度融合特征层进行分类和回归，计算损失，进行网络参数的迭代更新；完成网络训练后，进行实际场景测试。

技术领域

本发明涉及一种基于多级特征自适应融合的变尺度目标检测方法，适用于高清图像复杂场景下目标检测领域。

背景技术

目标检测技术是计算机视觉领域极为重要的研究方向。在民用与军用领域都有着极为广泛的应用，在智能视频监控分析，自动驾驶、军用制导、侦察等方面都发挥了重要作用。如何在复杂的运动背景下精确地确定目标的位置，以及如何利用有限的计算资源快速地定位目标，是目前这一领域需要解决的两大难题。

目标检测可以被分为运动目标检测与静态目标检测两大类。两类都有着极为广泛的应用范围，运动目标检测致力于快速检测出图像中的运动区域，用于视频目标检测，在监控等领域非常常用；而静态目标检测无需使用视频，只需要在单帧图像中检测目标。此外，在实际工程实践中，动目标检测与静目标检测能够结合起来，作为彼此的补充。

传统的目标检测算法通常根据具体任务设计人工特征，然后在滑动窗口上提取图像特征，最后基于这些特征训练一个分类器，通过这个分类器来判断滑窗区域是否为目标。然而人工特征一般在特定的目标检测任务中比较有效，例如，物体识别采用尺度不变特征(Scale-invariant feature transform，SIFT)，人脸识别采用局部纹理特征(LocalBinary Patterns，LBP)，行人检测采用方向梯度直方图特征(Histogram of OrientedGradient，HOG)，传统的分类器主要有支持向量机(Support Vector Machine，SVM)，K最近邻(k-NearestNeighbor，KNN)等。然而这些浅层的人工特征通常很难适应目标尺度、角度以及形态的变化，同时如果场景背景复杂，人工特征也很难提取比较有用的信息。这些原因导致传统的目标检测算法很难满足多类目标检测任务的需求。

近几年来，深度学习方法在多个图像处理与模式识别领域获得了极佳的效果。卷积神经网络的引入让原本难以训练的深度网络训练变成可能。ReLu，DropOut技术的引入也解决了神经网络方法的诸多缺陷。基于深度学习的目标检测算法通常利用卷积神经网络(Convolution neural network，CNN)从大量数据中自动学习如何提取有效特征。基于深度学习的目标检测算法能够将特征提取与特征分类融合在同一个网络模型当中，通过误差反向传播来进行优化。例如近年来被提出的SSD，YOLO,以及Faster-RCNN算法，分别大大提高了静态图像的目标的检测的速度和精度。此类方法一般先选出可能是目标的区域，然后依次对其分类。

但是，基于上述已有的目标检测方法存在的缺点主要体现在：

(1)对训练数据集的依赖性很强，由于特征质量及分类器泛化能力的限制，导致模型在实际场景中泛化能力较弱，并且在复杂环境(包括目标模糊、目标重叠、目标遮挡)下，针对多尺度小目标可能无法检出，漏检率以及误检率均较高。

(2)常见的静态目标检测网络，其在拥有较高的检出率同时，由于其复杂的网络设计导致检测速度较慢，时间消耗较大，无法在实际工程中进行部署。