一种基于R-FCN的小目标检测方法技术
【技术实现步骤摘要】
一种基于R-FCN的小目标检测方法
本专利技术涉及图像处理领域，尤其是一种基于R-FCN的小目标检测方法。
技术介绍
行人检测在智能辅助驾驶，智能监控，行人分析以及智能机器人等领域都具有广泛的应用，因此如何优化行人检测的性能和速度成为一个重要话题。比较常用的行人检测的方法是通过采集待测图像的红外信息和高光谱信息等图像信息，通过这些图像信息来对待测图像中的行人进行检测的，该方法并不是直接利用待测图像的RGB信息，需要通过特定的仪器来采集红外信息和高光谱信息，因此检测不够直接而且精度不高、检测速度也不快。随着深度卷积神经网络的发展，目前也有利用深度卷积神经网络来进行行人检测的做法。深度卷积神经网络在大量的训练样本的基础上进行不断的学习和调整，使得其在目标检测任务上有出色的表现，但其主要是用于一些尺寸较大的通用目标的检测，当其用于行人检测时，由于行人的目标较小，其在单一尺度上进行搜索时，容易出现漏报，检测精度仍然不够高。
技术实现思路
本专利技术人针对上述问题及技术需求，提出了一种基于R-FCN的小目标检测方法，使用本方法可以实时检测到图像中的小目标且提高检测精度。本专利技...
【技术保护点】
一种基于R‑FCN的小目标检测方法，其特征在于，所述基于区域的全卷积网络R‑FCN包括卷积网络、候选窗口网络RPN和分类器，所述方法包括：采集待测图像，将所述待测图像导入所述卷积网络，所述卷积网络中包括M个网络层，每个所述网络层中至少包括卷积层和采样层，M为正整数且M≥2；按照从所述M个网络层的最顶层至最底层的顺序通过所述M个网络层依次对所述待测图像进行特征提取，生成所述待测图像的M层尺度依次减小的特征映射图；以及，按照从所述M个网络层的最底层至最顶层的顺序通过所述M个网络层依次对所述待测图像进行特征提取，生成所述待测图像的M层尺度依次增大的特征映射图；选取N层特征映射图导...
【技术特征摘要】
1.一种基于R-FCN的小目标检测方法，其特征在于，所述基于区域的全卷积网络R-FCN包括卷积网络、候选窗口网络RPN和分类器，所述方法包括：采集待测图像，将所述待测图像导入所述卷积网络，所述卷积网络中包括M个网络层，每个所述网络层中至少包括卷积层和采样层，M为正整数且M≥2；按照从所述M个网络层的最顶层至最底层的顺序通过所述M个网络层依次对所述待测图像进行特征提取，生成所述待测图像的M层尺度依次减小的特征映射图；以及，按照从所述M个网络层的最底层至最顶层的顺序通过所述M个网络层依次对所述待测图像进行特征提取，生成所述待测图像的M层尺度依次增大的特征映射图；选取N层特征映射图导入所述RPN，对于每个所述特征映射图，通过所述RPN对所述特征映射图中的前景区域和后景区域进行前后景分类，并确定所述前景区域的坐标，N为正整数且N≥2；确定所述特征映射图中与所述前景区域的坐标对应的特征映射块，将所述特征映射块处理为特征向量；将各个特征向量输入所述分类器中进行二次分类，检测所述特征向量所属的类别是否对应待检测的小目标并输出检测结果，所述小目标是所述待测图像中所占面积小于预定面积的目标。2.根据权利要求1所述的方法，其特征在于，所述通过所述RPN对所述特征映射图中的前景区域和后景区域进行前后景分类，包括：通过候选窗口在所述特征映射图上滑动扫描进行前后景分类，所述候选窗口的大小为162、322和642中的至少一种，所述候选窗口的长宽比例为1:1、1:2以及2:1中的至少一种。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：选取训练样本集，所述训练样本集中包括若干个样本图像和每个所述样本图像中的目标框的监督信息，所述目标框用于对所述样本图像中的所述小目标进行标注，所述监督信息包括所述样本图像中的目标框的位置信息和属性信息，所述目标框的位置信息包括所述...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。