一种基于特征选择的目标检测方法技术

本发明专利技术公开了一种基于特征选择的目标检测方法，包括以下步骤：将图像输入主干网络，获取融合特征；将融合特征输入多层特征金字塔，通过多层特征金字塔中的每一层级金字塔来检测不同尺度特征的目标，同时通过多层特征金字塔的

A method of target detection based on feature selection

【技术实现步骤摘要】
一种基于特征选择的目标检测方法
本专利技术涉及计算机视觉领域，具体涉及一种基于特征选择的目标检测方法。
技术介绍
目标检测技术在现实生活中应用广泛，如安防、追踪、动作识别，是其他研究领域的基础。当前，目标检测技术主要有两个分支，一个是基于one-stage的检测方法，另一个是基于two-stage的检测方法。one-stage的方法检测速度快，实时性能好，但是检测准确率不高。two-stage的方法检测准确率高，但是运行速度慢，不适合用于实时的场景。因此，工业上上使用one-stage的方法居多。one-stage方法的检测准确度不高，主要原因是有两个，一是提取的特征不够准确，二是多尺度的问题。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提出了一种基于特征选择的目标检测算法，具有实时性能好，准确率高，稳定性强，计算效率高的优点。一种基于特征选择的目标检测方法，包括以下步骤：S1、将图像输入主干网络，获取融合特征；S2、将融合特征输入多层特征金字塔，通过多层特征金字塔中的每一层级金字塔来检测不同尺度特征的目标，同时通过多层特征金字塔的anchor-free分支在任意层级金字塔Pl中学习图片内容，根据图片的内容选择最优化的Pl；S3、整合多层特征金字塔，将各层级金字塔输出的相同尺度特征图进行级联，组合成一个用于更好地表示目标的特征的多层级多尺度的特征金字塔；S4、通过与多层特征金字塔连接的特征选择模块在每个空间位置预测其对应的A个anchor和K个物体出现的概率，以及A个anchor的4维的偏移量，对目标进行预测和位置回归。优选地，在上述的基于特征选择的目标检测方法中，所述步骤S1的具体步骤包括：经过卷积和池化操作，选择最后输出的两个层级的特征图作为融合特征。优选地，在上述的基于特征选择的目标检测方法中，具体的融合特征方法包括步骤：S11、经过卷积和池化操作，选择最后输出的两个层级的特征图Pic1和Pic2；S12、将其中尺寸小的特征图Pic1进行上采样，使其大小变成特征图Pic2的尺寸，然后将其与特征图Pic2进行级联，得到融合特征图。优选地，在上述的基于特征选择的目标检测方法中，所述多层特征金字塔包括：级联模块、U型网络、选择模块和金字塔，融合特征输入到所述级联模块和第一层金字塔的所述U型网络，所述选择模块用于在U型网络输出的金字塔中选择分辨率最高的层级，并自顶向下链路下一层的级联模块，级联模块用于将选择模块的输出与融合特征进行级联，并且输入到对应层的U型网路中。优选地，在上述的基于特征选择的目标检测方法中，所述特征选择模块包括两个子网络，分别为分类子网络和回归子网络，所述分类子网在每个空间位置预测其对应的A个anchor和K个物体出现的概率，K表示预测目标的数量，回归子网络预测A个anchor的4维的偏移量，数量A提前定义。优选地，在上述的基于特征选择的目标检测方法中，在每个金字塔的层级引入两个卷积层，这两个层负责做分类和回归，一个有k个滤波器的3*3卷积层，与分类子网连接，后面接sigmoid函数，用于预测每个空间位置出现k个不同物体的概率。优选地，在上述的基于特征选择的目标检测方法中，根据图片的内容选择最优化的Pl的具体过程包括：在Pl上定义分类的损失函数和方框回归的损失函数为和其中，其中，表示区域里像素的数量，FL(l,i,j)和IoU(l,i,j)表示在Pl中位置为(i，j)焦点损失函数和IoU损失函数。优选地，在上述的基于特征选择的目标检测方法中，特征选择模块的特征选择过程为图片通过金字塔的全部层级，然后用上式和求损失函数的和，最后通过多层特征金字塔中最合适的层级Pl*产生小的损失函数，用于学习物体，该式为：在训练阶段，特征根据其图片情况进行更新，该损失函数在特征空间形成一个更低的约束，通过训练，减少这个约束，在推理阶段，提供多层特征金字塔中选择的损失小的层级输出高的自信度参数。本专利技术的有益效果：本专利技术的目标检测方法使用了多层级的特征金字塔解决了提取的特征准确度不够的问题，另外，使用特征选择模块，解决多尺度特征的问题。解决了多尺度问题和特征提取的问题，具有实时性能好，准确率高，稳定性强，计算效率高的优点，可在实时场景下使用。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。图1为本专利技术实施例的流程示意图；图2为本专利技术实施例的多层特征金字塔的结构示意图；图3为本专利技术实施例的U型网络的结构示意图；图4为本专利技术实施例的分类、回归层的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。如图1所示，本专利技术的实施例提出的一种基于特征选择的目标检测方法，包括以下步骤：S1、将图像输入主干网络，获取融合特征；S2、将融合特征输入多层特征金字塔，通过多层特征金字塔中的每一层级金字塔来检测不同尺度特征的目标，同时通过多层特征金字塔的anchor-free分支在任意层级金字塔Pl中学习图片内容，根据图片的内容选择最优化的Pl；S3、整合多层特征金字塔，将各层级金字塔输出的相同尺度特征图进行级联，组合成一个用于更好地表示目标的特征的多层级多尺度的特征金字塔；S4、通过与多层特征金字塔连接的特征选择模块在每个空间位置预测其对应的A个anchor和K个物体出现的概率，以及A个anchor的4维的偏移量，对目标进行预测和位置回归。具体地，在本专利技术的优选实施例中，步骤S1的具体包括：将图像通过主干网络VGG-16输入，经过卷积和池化操作，选择最后输出的两个层级的特征图作为融合特征。具体地，在本专利技术的优选实施例中，具体的融合特征方法包括步骤：S11、经过卷积和池化操作，选择最后输出的两个层级的特征图Pic1和Pic2；S12、将其中尺寸小的特征图Pic1进行上采样，使其大小变成特征图Pic2的尺寸，然后将其与特征图Pic2进行级联，得到融合特征图。具体地，假设最后两个层级的特征图大小分别为20*20和40*40，将20*20的特征图进行上采样，使其大小变成40*40，然后将其余40*40的特征图进行级联，这样即可得到融合特征图。如图2所示，多层特征金字塔包括：级联模块、U型网络、选择模块和金字塔，融合特征输入到级联模块和第一层金字塔的U型网络，选择模块用于在U型网络输出的金字塔中选择分辨率最高的层级，并本文档来自技高网...

【技术保护点】
1.一种基于特征选择的目标检测方法，其特征在于，包括以下步骤：/nS1、将图像输入主干网络，获取融合特征；/nS2、将融合特征输入多层特征金字塔，通过多层特征金字塔中的每一层级金字塔来检测不同尺度特征的目标，同时通过多层特征金字塔的anchor-free分支在任意层级金字塔Pl中学习图片内容，根据图片的内容选择最优化的Pl；/nS3、整合多层特征金字塔，将各层级金字塔输出的相同尺度特征图进行级联，组合成一个用于更好地表示目标的特征的多层级多尺度的特征金字塔；/nS4、通过与多层特征金字塔连接的特征选择模块在每个空间位置预测其对应的A个anchor和K个物体出现的概率，以及A个anchor的4维的偏移量，对目标进行预测和位置回归。/n

【技术特征摘要】
1.一种基于特征选择的目标检测方法，其特征在于，包括以下步骤：
S1、将图像输入主干网络，获取融合特征；
S2、将融合特征输入多层特征金字塔，通过多层特征金字塔中的每一层级金字塔来检测不同尺度特征的目标，同时通过多层特征金字塔的anchor-free分支在任意层级金字塔Pl中学习图片内容，根据图片的内容选择最优化的Pl；
S3、整合多层特征金字塔，将各层级金字塔输出的相同尺度特征图进行级联，组合成一个用于更好地表示目标的特征的多层级多尺度的特征金字塔；
S4、通过与多层特征金字塔连接的特征选择模块在每个空间位置预测其对应的A个anchor和K个物体出现的概率，以及A个anchor的4维的偏移量，对目标进行预测和位置回归。


2.根据权利要求1所述的基于特征选择的目标检测方法，其特征在于，所述步骤S1的具体步骤包括：
经过卷积和池化操作，选择最后输出的两个层级的特征图作为融合特征。


3.根据权利要求1或2所述的基于特征选择的目标检测方法，其特征在于，具体的融合特征方法包括步骤：
S11、经过卷积和池化操作，选择最后输出的两个层级的特征图Pic1和Pic2；
S12、将其中尺寸小的特征图Pic1进行上采样，使其大小变成特征图Pic2的尺寸，然后将其与特征图Pic2进行级联，得到融合特征图。


4.根据权利要求1所述的基于特征选择的目标检测方法，其特征在于，所述多层特征金字塔包括：级联模块、U型网络、选择模块和金字塔，融合特征输入到所述级联模块和第一层金字塔的所述U型网络，所述选择模块用于在U型网络输出的金字塔中选择分辨率最高的...

【专利技术属性】
技术研发人员：钟永成，胡建国，甘留军，李仕仁，招继恩，张海，
申请(专利权)人：杰创智能科技股份有限公司，广州智慧城市发展研究院，
类型：发明
国别省市：广东;44