[发明专利]一种基于压缩SSD的低空飞行物检测方法

说明书

本发明提供一种基于压缩SSD的低空飞行物检测方法，涉及目标检测技术领域。本发明采用通道剪枝算法对模型加以压缩，提高模型的检测速度。首先，在基础模型中添加批量归一化层，为各通道引入比例因子。然后，联合训练比例因子，使其数值与通道的重要性相关联。最后，通过衡量比例因子大小，判断通道重要性，剪除重要性低的通道。压缩后的模型各方面性能均优于原模型，模型网络结构更加精炼，体积大大降低，运行的速度也更快，会得到更高的检测速度。本发明所采用的通道剪枝方法对各个通道的重要性进行了衡量，以保证被剪除的通道对模型的精度影响较小，因此，优化后的模型精度与原模型精度接近。

技术领域

本发明涉及目标检测技术领域，尤其涉及一种基于压缩SSD的低空飞行物检测方法。

背景技术

低空空域是指高度在1000m以下的飞行区域，该领域对于农业生产、医疗救助以及交通行业而言，都有着重要的应用价值。近年来，我国为支持国内航空产业，逐步开放了低空空域，其管理问题也随之而来。目前，常见的低空飞行物主要有鸟类以及无人机。无人机作为高科技产品，被广泛应用到各个领域，如农业生产、旅行航拍与竞技比赛等方面，它给人们带来便捷与快乐的同时，也存在安全隐患。部分私人拥有的无人机，在进行飞行时，会对低空领域内飞行的客机产生安全威胁。且无人机进行航拍时，存在侵犯私人空间、泄露他人隐私等问题。因此，需进一步加强对低空空域的管理，完善对于低空中各类飞行目标的检测问题。

近些年，随着深度学习的不断发展，卷积神经网络作为其代表算法之一，在图像识别和检测方面也取得了显著的成果，从2016年至今，先后涌现了Faster R-CNN,YOLO,SSD等优越的目标检测方法。得益于越来越深、越来越复杂的网络结构，大型卷积神经网络的性能更加强大，能更好地提取特征。因此，可利用卷积神经网络对低空飞行物进行检测识别。低空飞行物的运行速度快，且距离地面近，从被系统捕捉到消失历时较短。对此，为满足检测模型的实用性，对模型的识别速度有较高的要求。现有目标检测模型中，SSD(Single ShotMultiBox Detector)模型在检测速度与精度方面皆表现良好，但SSD模型结构复杂、体积庞大，针对低空飞行物，其检测速度相对较慢。针对这一问题，需要对目标检测模型进行压缩，在保证其精度的情况下，降低模型的复杂度和资源需求，提高模型在服务器平台上的检测速度。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于压缩SSD的低空飞行物检测方法，采用通道剪枝算法对SSD模型加以压缩，模型网络结构更加精炼，其体积相较于原模型更小，在保证精度的同时大大提高了检测速度。

为解决上述技术问题，本发明所采取的技术方案是：

一种基于压缩SSD的低空飞行物检测方法，包括以下步骤：

步骤1：对SSD模型内部隐藏层输入的数据进行批量归一化处理，加快网络收敛速度，使SSD模型拥有更好的性能。

步骤2：采用L1正则化方法，以衡量通道重要性的因素作为正则化方法的目标参数，将正则化项加入SSD模型的损失函数中，从而实现对SSD模型的内部通道进行稀疏化处理的作用。

步骤3：在SSD模型中引入比例因子，对模型中各个通道的重要性进行衡量。选用BN层的γ参数作为各个通道的比例因子。将比例因子与通道输出相乘，作为通道的最终输出，对网络权重与比例因子进行联合训练。在训练的过程中，当比例因子取零时，可实现对目标检测模型中的通道自动进行剪枝的效果。为便于后期的剪枝操作，对比例因子进行了稀疏正则化处理，使其整体数值逼近于零，其中部分数值归零，实现化简模型的效果。

步骤4：以vgg16作为基础网络，构建SSD模型的具体网络结构，并在模型的激活层后添加BN层对模型加以优化。以BN层中的参数γ作为各个通道的比例因子，并设置正则化项的惩罚因子、初始学习率设置和Batch_Size，基于低空飞行物数据集，使用随机梯度下降算法对模型进行训练。