一种微小目标精确检测方法及系统，通过在按比例缩小后的较低分辨率图像上进行物体检测并得到潜在目标区域，再根据潜在目标区域在原始图像上截取高清分辨率目标信息进行二级物体检测以进一步筛选，最后将二级物体检测后的目标区域与原始的低分辨率图像按照各自对应的压缩比例组合成预设大小的全尺寸图，外接的更高阶的三级物体检测通过检测全尺寸图得到最终检测结果。本发明专利技术不仅能够在较少的传输带宽和功耗的条件下，提高对目标检测的准确性，尤其是对小物体的检测，并且可以很容易在FPGA和芯片上实现。
Accurate detection method and system of small target
【技术实现步骤摘要】
微小目标精确检测方法及系统
本专利技术涉及的是一种图像处理领域的技术，具体是一种能有效给出感兴趣物体精准位置的检测方法。
技术介绍
现有用于监控领域的卷积神经网络都能够在FPGA或者芯片中实现以减少许多应用中的输出延迟。但是，这些方案都面临着如何在准确性和成本上平衡的问题。对于传统方案，比如SVM、AdaBoost等，这类方案仅需要少量的算力但精度偏低；对于卷积神经网络方案，比如ResNet、MobileNet等，这类方案虽然整体性能提高了很多，但由于其算法复杂度更大，导致其需要更大尺寸的芯片和更高的能耗。且现有的方法对输入的图像分辨率要求较高，从而需要更大的储存和传输带宽的同时对视频流数据进行物体(尤其是对于尺寸小的物体)检测的准确性却难以满足工业需求。如图1所示，为一种现存的终端物体检测通用架构，包括一个图像传感器芯片100、数据链路1(101)、本地处理单元102(一个图像处理单元)、数据链路103、FPGA或者芯片上实现的物体检测单元104，该技术为了保证检测性能，通常在高分辨率的图像上采用复杂算法，从而导致需要更多的能耗和更大的存储需求。
技术实现思路
本专利技术针对现有技术存在的上述不足，提出一种微小目标精确检测方法及系统，不仅能够在较少的传输带宽和功耗的条件下，提高对目标检测的准确性，尤其是对小物体的检测，并且可以很容易在FPGA和芯片上实现。本专利技术是通过以下技术方案实现的：本专利技术涉及一种微小目标精确检测方法，通过在按比例缩小后的较低分辨率图像上进行物体检测并得到潜在目标区域(ROI)，再根据潜在目标区域在原始图像上截取高清分辨率目标信息进行二级物体检测以进一步筛选，最后将二级物体检测后的目标区域与原始的低分辨率图像按照各自对应的压缩比例组合成预设大小的全尺寸图，外接的更高阶的三级物体检测通过检测全尺寸图得到最终检测结果。所述的最终检测结果，优选进一步用于提高物体检测得到的感兴趣(ROI)物体区域的置信以及二级检测中误检的ROI区域。附图说明图1为现有物体检测数据流示意图；图2为本专利技术检测架构示意图；图3为实施例效果示意图。具体实施方式如图2所示，为本实施实施例涉及的一种可以通过FPGA、ASIC芯片或者其他类型的集成芯片上实现的微小目标精确检测系统，包括：图像传感器200、检测模块220和外部高级检测器209，其中：图像传感器200采集并输出原始图像至检测模块220，检测模块220中包括图像处理单元201、物体检测单元204、区域截取模块206、二级检测单元207、合成单元208以及反馈控制单元210，图像处理单元201通过链路202输出压缩后的低分辨率图像，物体检测单元204在低分辨率图像上检测出潜在目标的位置坐标和置信度值并通过链路205输出至区域截取模块206，区域截取模块206对应从来自图像处理单元201通过链路203输出的高分辨率图像中提取出对应的区域并输出至二级检测单元207，二级检测单元207将根据潜在的目标的位置坐标对第一次检测提取的潜在目标进行核实，合成单元208将低分辨率图像和经过二级检测单元207核实后的高分辨率区域下的潜在目标组成复合检测帧图像并输出至外部高级检测器209进行复核并将复核结果输出至反馈控制单元210，反馈处理单元210将复核通过的物体区域通过链路212输出到区域截取模块206、将复核不通过的物体区域通过链路214返回物体检测单元204进行再次复核。所述的图像传感器200为能从现实世界中获取原始视觉数据的图像芯片，它的输出是普通的RAW格式。所述的图像处理单元201为一个图像信号处理芯片(ISP)，这颗芯片包含从RAW图转换到RGB或者YUV的全部处理环节，并提供压缩处理及多路输出。所述的压缩算法，采用但不限于双线性或者双三次插值算法下采样后得到。所述的区域截取模块206仅将高分辨率图像中的一部分区域而不是整幅图像输出。所述的二级检测单元207与物体检测单元204相比具有更高计算复杂度，能进一步筛选物体检测单元204的检测结果。所述的物体检测单元204所采用的算法包括但不限于Adaboost方法进行简单人脸检测。所述的二级检测单元207所采用的算法包括但不限于深度卷积神经网络算法实现。所述的外部高级检测器209所采用的算法包括但不限于更加复杂的高级卷积神经网络实现。如图3所示，为基于上述系统的具体实现过程：本实施实施例采用8M大小的彩色图像输入图像300，传统作法一般是直接在输入上应用人脸检测；本实施例首先将图片向下采样到一个低分辨率(960*540px，如301所示)的图像，通过一级面部识别器302在低分辨率图像上运用Adaboost方法进行简单人脸检测并输出一些可能是人脸的图像以及对应的置信度值和位置坐标；如图中所示这些输出中存在三个误检图像和两个正确的检测图像；区域截取模块303根据对应的坐标在相应的高分辨图像中提取高清区域并输入二级面部识别器304，该识别器采用压缩后的卷积神经网络算法进行误检清除，但输出中依旧会夹杂着一个误检图像；合成器305将三个高分辨率的区域图像和之前向下采样获得的低分辨率图像组合成一个特殊的图像；外置高阶脸部识别器306通过更加复杂的高级卷积神经网络检测包含三个高分辨率的区域图像，并将存在的误检全部舍弃并输出完整的低分辨率图像和两张正确的区域图像，这些数据将用于其他应用，例如，人脸/物体识别。相比较传统做法，本专利技术的一级脸部识别器使用通过向下采样的低分辨率图像，从而使得检测速度更快。虽然二级和外置脸部识别器使用相对复杂的算法，但是它们仅对原始高分辨率图像的几个局部区域进行检测，检测的分辨率小，因此本专利技术降低了对于带宽和能耗的要求。检测全图中若检测目标分辨率很小，则缺乏足够的特征描述，容易产生误检，相较于传统做法，本专利技术采用三阶段的检测策略，对极小目标能够从高清分辨率输入中获取对应的高清特征，增加了判别性，提高了检测精度。本实施例用于人脸检测任务，基于开源的widerface数据集构建了一个小脸测试集，利用软件模拟该过程，高清图像分辨率为1920×1920，将输入的低清图像分辨率设置了480×480，第一阶段采用一个浅层的神经网络，是由4个卷积层，两个池化层构成；第二阶段采用的是一个稍微深层的神经网络，由5个卷积层，2个池化层，1个全连接层构成；第三阶段采用的是网上开源的VGG16人工神经网络进行检测。传统的方法也采用神经网络VGG16进行检测，本方法在小脸(小于20×20)数据集上的检测精度提高了一倍多。上述具体实施可由本领域技术人员在不背离本专利技术原理和宗旨的前提下以不同的方式对其进行局部调整，本专利技术的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本专利技术之约束。本文档来自技高网...
【技术保护点】
1.一种微小目标精确检测方法，其特征在于，通过在按比例缩小后的较低分辨率图像上进行物体检测并得到潜在目标区域，再根据潜在目标区域在原始图像上截取高清分辨率目标信息进行二级物体检测以进一步筛选，最后将二级物体检测后的目标区域与原始的低分辨率图像按照各自对应的压缩比例组合成预设大小的全尺寸图，外接的更高阶的三级物体检测通过检测全尺寸图得到最终检测结果。/n
【技术特征摘要】
20181125 US 62/771,1031.一种微小目标精确检测方法，其特征在于，通过在按比例缩小后的较低分辨率图像上进行物体检测并得到潜在目标区域，再根据潜在目标区域在原始图像上截取高清分辨率目标信息进行二级物体检测以进一步筛选，最后将二级物体检测后的目标区域与原始的低分辨率图像按照各自对应的压缩比例组合成预设大小的全尺寸图，外接的更高阶的三级物体检测通过检测全尺寸图得到最终检测结果。
2.根据权利要求1所述的微小目标精确检测方法，其特征是，所述的最终检测结果进一步用于提高物体检测得到的感兴趣物体区域的置信以及二级检测中误检的ROI区域。
3.根据权利要求1所述的微小目标精确检测方法，其特征是，所述的物体检测采用Adaboost方法进行简单人脸检测。
4.根据权利要求1所述的微小目标精确检测方法，其特征是，所述的二级物体检测采用深度卷积神经网络算法实现。
5.根据权利要求1所述的微小目标精确检测方法，其特征是，所述的三级物体检测采用高级卷积神经网络算法实现。
6.一种实现上述任一权利要求所述方法的微小目标精确检测系统，其特征在于，包括：图像传感器、检测模块和外部高级检测器，其中：图像传感器采集并输出原始图像至检测模块...
【专利技术属性】
技术研发人员：熊伟华，张光斌，
申请(专利权)人：杭州凝眸智能科技有限公司，
类型：发明
国别省市：浙江;33
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。