[发明专利]一种基于半分组卷积的全融合神经网络的目标检测方法

权利要求书

1.一种基于半分组卷积的全融合神经网络的目标检测方法，其特征在于，包括如下步骤：

S1：搭建半分组卷积模块，所述半分组卷积模块包含普通卷积层和分组卷积层；

S2：基于半分组卷积模块，搭建全融合神经网络，所述全融合神经网络包括主干全融合神经网络、特征融合网络和基于锚点的检测网络；

S3：采集电梯厢内目标物的监控视频，通过对视频进行处理获取静态的图像，由此获取电梯厢内目标物的数据集；

S4：将数据集中的图像按比例随机分为训练数据集和测试数据集，并对训练数据集图像中的目标物和人进行标注，生成标签文件，将训练数据集全部图像及标签文件输入步骤S2获取的全融合神经网络进行训练，得到训练好的权重文件；

S5：加载全融合神经网络模型和训练好的权重文件，将测试数据集图像输入，获得检测到的目标物和人在图像中的位置及检测置信度，完成目标物和人在图像中的定位功能；

S6：根据设定好的置信度阈值筛选出可信的目标，再根据非极大值抑制去除重复的目标框，根据预测得到的目标物位置，判断目标物是否已经进入电梯厢，若在电梯厢内，则发出警示。

2.根据权利要求1所述的一种基于半分组卷积的全融合神经网络的目标检测方法，其特征在于，所述步骤S1中普通卷积层参数量的计算公式为：

P_N＝A₁*A₁*C1_in*C1_out (1)

其中P_N为普通卷积层的参数量，A₁为普通卷积层的卷积核边长，C1_in为普通卷积层的输入通道数，C1_out为普通卷积层的输出通道数；

分组卷积层参数量的计算公式为：

其中P_G为分组卷积层的参数量，A₂为分组卷积层的卷积核边长，C2_in为分组卷积层的输入通道数，C2_out为分组卷积层的输出通道数，G为分组数；

半分组卷积模块输出的特征图一半来自普通卷积层输出，另一半来自分组卷积层的输出，半分组卷积模块中普通卷积层和分组卷积层的卷积核边长均为A₃，C3_in为半分组卷积模块的输入通道数，C3_out为半分组卷积模块的输出通道数；

根据公式(1)和公式(2)计算，半分组卷积模块的参数量P_H为：

3.根据权利要求1或2所述的一种基于半分组卷积的全融合神经网络的目标检测方法，其特征在于，所述步骤S1中半分组卷积模块的搭建过程为：

根据半分组卷积模块输入通道数和半分组卷积模块输出通道数的设定，普通卷积层输入通道数等于半分组卷积模块输入通道数，普通卷积层输出通道数等于半分组卷积模块输出通道数的一半；分组卷积层输入通道数等于普通卷积层输出通道数，分组卷积层输出通道数等于半分组卷积模块输出通道数的一半，分组卷积层的分组数为分组卷积层的输入通道数；半分组卷积模块的输入经过普通卷积层输出特征图S₁，特征图S₁经过分组卷积层输出特征图S₂，将特征图S₁和特征图S₂融合得到输出通道数为半分组卷积模块输出通道数的特征图S₃，特征图S₃即为半分组卷积模块的输出。

4.根据权利要求1所述的一种基于半分组卷积的全融合神经网络的目标检测方法，其特征在于，所述步骤S2中主干全融合神经网络中使用半分组卷积模块替代普通卷积层，半分组卷积模块输出通过最大池化层统一特征面积，再通过连接，使主干全融合神经网络的浅层与深层特征全部融合，得到主干全融合神经网络的输出用于之后的处理计算。