[发明专利]一种基于密集卷积块神经网络的目标融合检测系统及方法

权利要求书

1.一种基于密集卷积块神经网络的目标融合检测系统，其特征在于，包括编码器、融合层、解码器和检测网络四个部分，所述编码器用来提取图像特征，由两部分构成，分别是卷积层和密集块；所述融合层采用两种融合策略：1)特征图相加融合策略，2)L1-范数融合策略；所述解码器用来接收融合后的所述特征图，来重构最终融合图像；最后将所述最终融合图像送入YOLO-v3目标检测网络来完成目标检测的任务。

2.一种基于密集卷积块神经网络的目标融合检测方法，其特征在于，所述方法包括以下步骤：

步骤1、编码器采用包含密集块神经网络的卷积结构作为编码阶段，获得可见光和红外航拍图像的有用特征；

步骤2、融合层采用两种融合策略：特征图相加融合策略和L1-范数融合策略，对所述编码阶段得到的所述可见光和所述红外航拍图像的特征图进行融合；

步骤3、解码器采用卷积结构来重构所述步骤2得到的特征级融合图像；

步骤4、将所述步骤3的所述特征级融合图像送入YOLO-v3目标检测网络来完成目标检测任务。

3.如权利要求2所述的一种基于密集卷积块神经网络的目标融合检测方法，其特征在于，所述步骤1还包括以下步骤：

步骤1.1、首先通过一个3×3的卷积结构来提取所述可见光和所述红外航拍图像的粗糙特征，获得16个特征图；

步骤1.2、然后紧接着的是输出紧密相连的密集块。

4.如权利要求3所述的一种基于密集卷积块神经网络的目标融合检测方法，其特征在于，所述密集块包含三个卷积层，每个所述卷积层均为3×3的卷积结构，卷积核的大小取3×3以及卷积运算的步长取1。

5.如权利要求2所述的一种基于密集卷积块神经网络的目标融合检测方法，其特征在于，所述特征图相加融合策略是把所述特征图相加，融合公式如下式：

其中，表示第k种数据的第m通道，m∈{1,...,64},k≥2,f_m为融合结果。

6.如权利要求2所述的一种基于密集卷积块神经网络的目标融合检测方法，其特征在于，所述L1-范数融合策略采用基于L1-范数和softmax运算的融合策略，特征图用表示，作用程度的图像是由L1-范数和基于块的平均算子计算得到的，f_m为融合结果L1-范数可以作为特征图的作用程度的度量，由下式计算的初始作用程度图：

然后根据下式进行范围内的平均：

其中r＝1决定了一个像素是由以其为中心的3×3的范围内进行平均得到，之后可以通过下式进行融合图的生成：

7.如权利要求2所述的一种基于密集卷积块神经网络的目标融合检测方法，其特征在于，所述解码器包含四个3×3的卷积层，所述解码器的输入是所述融合层的输出。

8.如权利要求2所述的一种基于密集卷积块神经网络的目标融合检测方法，其特征在于，编码器-解码器采用下式的损失函数，由像素损失函数L_p和结构相似性损失函数L_ssim加权得到：

L_p＝||O-I||₂

L_ssim＝1-SSIM(O,I)

L＝λL_ssim+L_p

其中O和I分别表示输出图像和输入图像，L_p是O和I之间的欧几里得距离，SSIM()表示结构相似性，它表示所述输出图像和所述输入图像的所述结构相似性；在训练阶段，由于所述像素损失函数和所述结构性损失函数之间存在三个数量级的差异，因此将λ的值分别设置为1、10、100和1000。