[发明专利]基于多尺度特征融合的自适应可变占比目标检测方法

说明书

基于多尺度特征融合的自适应可变占比目标检测方法，属于目标检测技术领域，本发明为解决待测目标是小目标情况下，小目标在特征图上尺寸过小，学习过程中易被大目标主导，导致小目标检测效果较差的问题。它包括：可变占比图像生成器将原始数据生成不同大小的目标数据，然后将目标数据输送至特征提取网络，特征提取网络对特征进行提取，然后将提取的特征输送至多尺度特征生成器，多尺度特征生成器产生三个尺度的特征图，所述三个尺度特征图包括小特征图、中特征图和大特征图，将三个尺度的特征图输送至多尺度预测框中，多尺度预测框对三个尺度的特征图分别生成预测框，预测框内即为目标检测结果。本发明用于目标检测，尤其适用于小目标的目标检测。

技术领域

本发明涉及一种自适应可变占比目标检测方法，属于目标检测技术领域。

背景技术

目标检测也称为目标提取，是在图像中定位并分类出感兴趣的目标的方法。在实际应用环境中，由于相机成像存在远小近大的特点，因此，当出现场景较为复杂、待检测目标尺度大小差异较大、待检测目标为小目标等问题时，现有的算法很难满足实际需要。

针对待检测目标为小目标的情况，由于小目标在图像中尺寸比较小，在通用目标检测模型中，一般的基础骨干神经网都有下采样过程，导致原本较小的目标在特征图上的尺寸更加小，这会导致设计的分类器的效果较差，另外由于小目标特征的感受野映射回原图将可能远远大于实际尺寸，造成检测效果差。此外，由于实际的数据中可能存在小目标样本较少，导致神经网络在学习的过程中被大目标主导，导致小目标的检测效果很差。

发明内容

本发明目的是为了解决待测目标是小目标的情况下，小目标在特征图上的尺寸过小，以及学习过程中易被大目标主导，导致小目标的检测效果较差的问题，提供了一种基于多尺度特征融合的自适应可变占比目标检测方法。

本发明所述基于多尺度特征融合的自适应可变占比目标检测方法，它基于Yolo算法框架实现；该目标检测方法包括：

可变占比图像生成器、特征提取网络、多尺度特征生成器和多尺度预测框；

可变占比图像生成器将原始数据生成不同大小的目标数据，然后将不同大小的目标数据输送至特征提取网络，特征提取网络对特征进行提取，然后将提取的特征输送至多尺度特征生成器，多尺度特征生成器产生三个尺度的特征图，所述三个尺度特征图包括小特征图、中特征图和大特征图，将三个尺度的特征图输送至多尺度预测框中，多尺度预测框对三个尺度的特征图分别生成预测框，预测框内即为目标检测结果。

优选的，可变占比图像生成器输入的原始数据为：

F_imgin(x,y)|_0＜x,y＜t；

将原始数据平移得到：F_imgin(x,y)|_{t1＜x,y＜t+t1}；

其中，t1表示填充的黑色边带的宽度，受多尺度损失反馈调节，填充后的图片函数为：

F_imgout(x,y)|_{υ＝0＜x,y＜t+2*t1}＝F_imgin(x,y)|_{ω＝t1＜x,y＜t+t1}+(0,0,0)|_υ-ω；

其中，(0，0，0)|_α为在α区域填充黑色；α表示以距离原图像t1的直线为边界的内侧区域，ω表示填充前的定义域边界，υ表示填充后的定义域边界，

输出的目标数据为：

F_out(x,y)_0＜x,y＜t＝F_imgout(x/[(t+2*t1)/t],y/[(t+2*t1)/t])|_{υ＝0＜x＜t+2*t1}；

(x,y)表示二维平面上点的位置。