[发明专利]一种基于分布距离的小目标检测方法

说明书

本发明提供了一种基于分布距离的小目标检测方法。本发明构建小目标检测图像数据集；人工标注所述小目标检测数据集中每幅图像的目标标记框以及目标类别；构建基于分布距离的小目标检测网络，将小目标检测数据集作为输入数据，结合小目标检测训练集中的目标类型，构建基于分布距离的小目标检测网络损失函数，通过随机梯度下降算法训练得到优化后的基于分布距离的小目标检测网络，使用优化后的网络检测图片中的小目标。本发明在目标较小的时候，检测性能得到了提升。

技术领域

本发明属于图像处理技术领域，特别是涉及一种基于分布距离的小目标检测方法。

背景技术

目标检测是计算机视觉领域的一个重要研究方向，指的是对视觉传感器获取的图像中的目标进行分类和定位。随着深度学习和卷积神经网络的发展，目标检测的性能获得了前所未有的进步。小目标检测或者称之为小尺度目标检测，即小于32*32像素的目标的检测，是目标检测的一个分支，相关算法在遥感，辅助驾驶，灾难救援中有着广泛的应用。

然而，目前小目标检测仍然极具挑战，由于小目标像素少，特征少，易与背景混淆的特性，主流的目标检测算法在小目标检测任务上的性能依然远低于预期水平。小目标检测算法的局限性主要集中在以下方面：目标检测中最常用的度量预测框和标注框之间位置关系的指标，交并比(IoU),对于小目标在图像上的定位误差过于敏感的问题，即预测框微小的像素偏移将会导致IoU的急剧变化；对于基于锚框的两阶段目标检测算法，其一般使用候选区域生成网络(Region Proposal Network,RPN)生成目标的候选区域。在对RPN进行训练时，需要使用正负样本分配模块从预设的一系列具有不同尺寸和长宽比的锚框中挑选出正样本锚框和负样本锚框。具体来说，锚框的类别根据其与标注框之间IoU来决定，当IoU值大于给定正样本阈值时，该锚框是正样本，而当IoU值小于给定负样本阈值时，该锚框是负样本。然而，IoU对小目标的敏感性导致在正负样本分配过程中，很多正样本锚框都被错误的归类为负样本，也就是正负样本的质量不高，进而使得检测器的检测性能较低；对于损失函数，常用的L1 Loss，Smooth L1 Loss，IoU Loss等存在对小目标敏感以及小目标的损失占主导地位的问题；对于非极大值抑制(NMS)操作，IoU对小目标的敏感性导致NMS模块将某些正确的预测框视为冗余矩形框。

国内外提高小目标检测性能的方法主要分为以下几类：基于尺度特征的检测、基于上下文信息的检测、设计更好的训练策略等。其中主流的多尺度特征学习方法包括图像金字塔和特征金字塔。对于图像金字塔，其对输入图像进行缩放，构建一系列不同尺度的图像，并用于训练多个目标检测器。对于特征金字塔，其将卷积神经网络提取的深层特征和浅层特征进行融合，使得浅层特征在具有丰富定位信息的同时具有丰富的语义特征，可以在不带来太多额外开销的情况下显著提高小物体检测精度。基于上下文信息的检测方法主要有Hu等人提出的能够学习目标关系的检测网络，其利用目标的外观特征和几何特征建立能够反映目标间关联模式的关系网络，在一定程度上提高了小目标的检测性能。设计更好训练的策略的方法包括降低分配正负样本时的IoU门限、根据目标的统计特征自动划定IoU门限进而自动选择正样本和负样本的方法等。虽然这些方法一定程度上提高了小目标检测的性能，但是这些方法几乎全部使用IoU作为正负样本分配模块和非极大值抑制模块的度量指标，并没有从本质上解决小目标对IoU非常敏感导致检测器性能下降的问题。

发明内容

本发明的目的在于提供一种基于分布距离的小目标检测方法，该方法解决了IoU度量指标对小目标过于敏感的问题，提高了小目标检测算法的性能。

本发明提供体一种基于分布距离的小目标检测方法，其特征在于，包括以下具体步骤：

步骤1：构建小目标检测图像数据集；

步骤2：人工标注步骤1中所述小目标检测数据集中每幅图像的目标标记框以及目标类别；