[发明专利]一种小目标检测性能优化方法

摘要

本发明公开一种小目标检测性能优化方法，其特点是使用上下文关系矩阵和基于上下文的筛选方法，将上下文信息融入YOLOV3目标检测网络，结合YOLOV3优秀的基础目标检测网络，进而提升小目标检测的准确度，优化了小目标检测的性能。本发明与现有技术相比具有通过上下文关系矩阵和基于上下文的筛选，将上下文信息融入到YOLOV3目标检测网络，结合YOLOV3优秀的基础目标检测网络，进而提升小目标检测的准确度，最后提升了小目标检测的性能，使用方便，尤其在各领域的运用发挥了最大的经济效益。

主权项

1.一种小目标检测性能优化方法，其特征在于使用上下文关系矩阵和基于上下文的筛选方法，将上下文信息融入YOLOV3目标检测网络，结合YOLOV3优秀的基础目标检测网络，进而提升小目标检测的准确度，优化了小目标检测的性能，其具体优化包括下述步骤：a、各参数的定义在构建上下文关系前，先定义训练图片数为n，标注信息为M[n]，每张图片存在的目标数为object[n]，训练的目标种类K，相关度阈值μ，相关性影响参数p，并定义引入的上下文关系矩阵为CRM，用以表示视觉感知下已知一对目标的相关程度；b、训练目标检测网络依次输入训练图片数，标注信息，每张图片存在目标数object[n]，训练的目标种类数K，相关度阈值μ，相关性影响参数p，然后循环训练提取输出上下文关系矩阵CRM，具体包括下述方法：⑴、首先初始化任意对象i和对象j的上下文关系矩阵值为CRM[i][j]＝0，使用输入信息循环计算任意对象i，j的上下文关系取值，并针对输入的每张图片信息，从输入的标注信息读取该图像的标注信息，获取该图片各个目标对象的中心坐标，对于任意对象i和j,若i和j的中心坐标的距离小于相关度阈值μ，相应CRM[i][j]加1，对每张图像的所有对象执行相同操作，直到所有图片处理完成，完成初始的上下文关系矩阵CRM；⑵、使用相关性影响参数p对初始CRM矩阵进行处理，处理后的CRM以下述(I)式表示：并再次对CRM进行归一化处理，得到最终的上下文关系矩阵；c、原有分类概率的改进结合上下文关系矩阵和YOLOV3网络的分类概率，按下述方法对原有的分类概率进行改进：⑴、引入置信度来衡量边界框包含目标且位置准确的程度，并以下述(1)式进行置信度的计算：其中：Pr(Object)表示边界框存在目标对象的概率；表示预测的边界框与真实边界框的IOU；⑵、训练时，使用卷积神经网络得到相应的预测边界框及分类概率P(class_i|Object)后，从预测的边界框中选择置信度最高的目标Maxclass，对于其相关联性大的目标提高分类概率，对关联性小的降低分类概率，并以下述(2)式表示：P(class_i|Object)＝P(class_i|Object)*(1+λCRM[Maxclass][i])   (2)；d、上下文的筛选通过统计图像位置的相对关系，引入空间上下文信息，具体包括下述方法：⑴、将目标间的位置关系细分为上、下、左、右、远、近和重叠，在定义相应的空间位置关系后结合上下文信息，并利用卷积神经网络进行筛选；⑵、将经卷积神经网络提取特征后的一系列N个候选窗口表示整个图像，并以M_i＝{x,y,w,h}表征为第i个窗口信息，其中：(x,y)为窗口中心点坐标；w为窗口的宽度；h为窗口的高度；⑶、使用f_i表示第i个窗口提取的特征信息，则整个图像的特征集合表示为F＝{f_i|i＝1,2,3,…,N}；⑷、假设需要检测的类别数为K，令l_i∈{0,1,2，…，K}为目标窗口标签，其中背景类以0进行表征，整个标签的集合由下式(II)表示：L＝{l_i|i＝0,1,2,3,…,N}  (II)；⑸、按下述(3)式筛选算法计算定义F和L的得分：其中：表示l_i和l_j之间的权重；w_i表示目标i的局部权重；p_i,j表示由位置关系定义的i和j的位置；e、将优化目标以下述(6)式表示：其中：为优化目标。