[发明专利]一种适于目标检测的CW-m2det方法及其系统

说明书

一种适于目标检测的CW‑m2det方法，属于计算机视觉技术领域包括：提取目标图像，对目标图像进行裁剪和质量筛选，采用马赛克数据增强对目标图像进行增强；构建CW‑m2det特征提取网络，所述CW‑m2det特征提取网络包括主干特征提取网络、MLFPN特征提取网络，将增强后数据输入CW‑m2det特征提取网络，经过MLFPN特征提取网络取网络获得分类和定位结果；再使用非极大抑制筛选掉重合程度较大的检测框；计算模型损失，优化模型参数，训练模型。本发明在主干网络中添加残差结构，修改激活函数来提高m2det算法的检测效果，同时使用了图片自定义预处理过程有效的改善了对小目标的检测精度。

技术领域

本公开属于计算机视觉技术领域，具体涉及一种适于目标检测的CW-m2det方法及其系统。

背景技术

目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域，通过计算机视觉减少对人力资本的消耗，具有重要的现实意义。因此，目标检测也就成为了近年来理论和应用的研究热点，它是图像处理和计算机视觉学科的重要分支，也是智能监控系统的核心部分，同时目标检测也是泛身份识别领域的一个基础性的算法，对后续的人脸识别、步态识别、人群计数、实例分割等任务起着至关重要的作用。基于深度学习的目标检测算法主要分为One-Stage目标检测算法和Two-Stage目标检测算法。Two-Stage目标检测算法将检测问题划分为两个阶段，首先通过某种方式产生候选区域，然后对候选区域进行分类包括对候选区域位置的精修，R-CNN系列是其中典型的代表。Two-Stage方法识别错误率低，漏识别率也低，但速度较慢，并不能满足实时的场景预测。而One-Stage方法相反，只有一个逻辑结构，输入图像经过模型可直接单次得到最终的检测结果，故有较高的检测速度。相对来说，考虑到时间、空间代价，One-Stage的检测器大多数时候能做到相同准确度的情况下更快，也更具有实用性。

现有的主流One-Stage算法在应对小目标和多尺度对象时，例如成群的飞鸟，虽然使用了多层特征融合技术，使用浅层的特征层去预测小目标，但效果仍是不尽人意。

公开内容

针对现有技术的不足，本公开的目的在于提供一种适于目标检测的CW-m2det方法及其系统，解决了现有技术中对小目标的检测精度不足的问题。

本公开的目的可以通过以下技术方案实现：

一种适于目标检测的CW-m2det方法，所述CW-m2det方法包括以下步骤：

S1：提取多小目标图像，进行图像切割，质量筛选，采用马赛克数据增强对目标图像进行增强：

S2：使用k均值聚类算法计算出最优候选框尺寸大小；

S3：构建CW-m2det特征提取网络，将增强后的数据输入CW-m2det特征提取网络，再经过MLFPN特征提取网络获得模型的分类结果和定位结果；使用非极大抑制筛选掉重合程度较大的检测框；

S4：将数据输入CW-m2det特征提取网络进行，计算模型损失，优化模型参数，完成训练。

进一步地，所述CW-m2det特征提取网络包括改进版VGG主干特征提取网络、MLFPN特征提取网络。

进一步地，所述特征网络激活函数为Mish激活函数，分类、定位特征网络的激活函数为LRelu激活函数。

进一步地，所述步骤S1中目标图像的预处理过程，包括以下步骤：

S11：提取多小目标图像，为了最大化小目标物体输入模型的特征信息，对输入图片进行切割。同步更新图片中的真实框坐标；

S12：计算标注中真实框像素点面积，并与预设面积阈值进行比较，如果大于预设面积阈值保留该标注信息，否则移除该标注；