一种基于深度学习的增强检测遮挡目标的目标检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115761220A(43)申请公布日2023.03.07(21)申请号202211635125.2G06N3/0464(2022.01)(22)申请日2022.12.19(71)申请人北方工业大学地址100144北京市石景山区晋元庄路5号(72)发明人曹丹阳杨建马金锋田学法贺珊珊(74)专利代理机构北京万驰专利代理事务所(普通合伙)16106专利代理师王军(51)Int.Cl.G06V10/25(2022.01)G06V10/44(2023.01)G06V10/764(2023.01)G06V10/82(2022.01)G06N3/08(2022.01)权利要求书1页说明书4页附图1页(54)发明名称一种基于深度学习的增强检测遮挡目标的目标检测方法(57)摘要本发明公开了一种基于深度学习的增强检测遮挡目标的目标检测方法，采用了Faster‑RCNN作为网络框架，主干特征提取网络是一种用于提取图像特征信息的深度残差卷积结构，使用多层残差块进行特征提取；特征金字塔网络能够融合不同层的特征并输出多层特征图；空洞卷积层作用于特征金字塔网络输出的各层特征图，扩大特征图的感觉野；区域生成网络通过在特征图上滑动检测图像中可能含有目标的区域和位置，生成候选区域集；分类网络和回归网络对候选区域中的目标做类别判定和进一步定位。本发明方法的网络框架由于增加空洞卷积对特征图的处理，扩大了特征图的感受野，学习到更多轮廓特征，从而增强了网络对遮挡目标的检测效果。CN115761220ACN115761220A权利要求书1/1页1.一种基于深度学习的增强检测遮挡目标的目标检测方法，其特征在于，采用了Faster‑RCNN作为网络框架，包括ResNet50作为主干特征提取网络、特征金字塔网络、空洞卷积操作、区域生成网络、分类网络和回归网络；主干特征提取网络是一种用于提取图像特征信息的深度残差卷积结构，使用多层残差块进行特征提取；特征金字塔网络利用低层特征高分辨率和高层特征的高语义信息，融合不同层的特征并输出多层特征图；空洞卷积层作用于特征金字塔网络输出的各层特征图，扩大特征图的感觉野；区域生成网络通过在特征图上滑动检测图像中可能含有目标的区域和位置，生成候选区域集；分类网络和回归网络对候选区域中的目标做类别判定和进一步定位。2.根据权利要求1所述的一种基于深度学习的增强检测遮挡目标的目标检测方法，其特征在于，所述ResNet50卷积网络能够用ImageNet数据集做预训练，目标检测网络在WIDERFACE数据集上进行训练。3.根据权利要求1所述的一种基于深度学习的增强检测遮挡目标的目标检测方法，其特征在于，所述空洞卷积层是基于Faster‑RCNN网络框架的基础,选择ResNet50骨干网络，FPN特征金字塔网络特征融合后进行增加的，作为进一步处理特征图的操作。4.根据权利要求1所述的一种基于深度学习的增强检测遮挡目标的目标检测方法，其特征在于，所述目标分类网络是使用全连接层及Softmax方法输出候选区域中目标所属类别的概率。5.根据权利要求1所述的一种基于深度学习的增强检测遮挡目标的目标检测方法，其特征在于，所述目标分类网络是使用全连接层及Softmax方法输出候选区域中目标所属类别的概率。6.根据权利要求1所述的一种基于深度学习的增强检测遮挡目标的目标检测方法，其特征在于，通过空洞卷积后输出的特征图大小的计算公式变为：其中i为输入图像大小，k为卷积核，s为步长，p为填充的图素，o为输出的特征图大小，(d‑1)为填充的空洞数，那么原来为k的卷积核填充了(d‑1)个空洞后，卷积核变为(k+(k‑1)*(d‑1))；因此能够通过后式从最后一层到第一次级联后计算在原图上的感受野。7.根据权利要求6所述的一种基于深度学习的增强检测遮挡目标的目标检测方法，其特征在于，计算感受野时不需要考虑填充的情况下，感受野的计算公式为：其中lk是第k层的每个点的感受野，fk是第k层卷积核的大小，Si是第i层卷积的步长，在第k层的感受野比第k‑1层的感觉野大2CN115761220A说明书1/4页一种基于深度学习的增强检测遮挡目标的目标检测方法技术领域[0001]本发明涉及人工智能系统目标检测领域，具体是一种基于深度学习的增强检测遮挡目标的目标检测方法。背景技术[0002]目标检测是计算机视觉领域中一个富有挑战性的课题，其主要目的是从静态图像或者视频中识别并定位一个或多个有效目标。传统的目标检测任务主要通过人工提取特征模型建立，常用的特征包括：HOG(HistogramofOrientedGradient,HOG),SIFT(Scale‑invariantfeaturetransform,SIFT)和Haar(Ha