一种基于模板框增广的提高小目标检测稳定性的方法技术

一种基于模板框增广的提高小目标检测稳定性的方法，步骤一：遍历全部训练样本的标注信息，提取标注信息中的目标尺寸；步骤二：计算目标尺寸参考最小值和目标尺寸参考最大值；步骤三：根据目标尺寸参考最小值、目标尺寸参考最大值、训练图像原始尺寸以及模型输出的特征层个数，计算各层关注目标的归一化尺寸；步骤四：根据各层关注目标归一化尺寸以及各特征层尺寸，计算各特征层模板框期望间距；步骤五：根据各特征层模板框期望间距，确定各特征层模板框个数与模板框中心点位置，进行模板框增广；步骤六：对完成模板框增广的卷积神经网络进行训练，得到对小目标检测的卷积神经网络模型。本发明专利技术降低算法对小目标位置的敏感度，提高小目标检测的稳定性。

【技术实现步骤摘要】
一种基于模板框增广的提高小目标检测稳定性的方法
本方案涉及基于卷积神经网络的目标检测识别领域，特别提供了一种提高小目标检测稳定性的方法。
技术介绍
随着军事科技水平的发展，精确制导武器因其命中精度高、作战效能高等优势在现代战争中占据了越来越高的地位。其中，成像制导技术是精确制导武器最主流的发展方向，具有发射后不管、抗干扰能力强等优点。同时，随着打击目标的越来越多样化，精确制导武器对目标的侦查定位要求也逐渐增加，这就对精确制导武器的目标检测识别能力提出了更高的要求。在军事应用场景中，由于作用距离远、成像条件恶劣、成像分辨率低，导致待检测目标尺寸普遍较小，目标检测识别难度大，检测稳定性差。相比于传统的图像处理方法，卷积神经网络在图像目标检测识别领域表现出了突出的优势，并在工业界取得了较好的应用效果。但是当前卷积神经网络的主要研究方向与适用场景均以大目标场景为主，在小目标检测任务当中常表现为检测概率低、检测稳定性差。当前，以RCNN、fast-RCNN、Yolo、SSD为代表的经典算法均未针对小目标进行任何适应性调整。
技术实现思路
本专利技术的技术解决问题是：克服现有技术的不足，提供了一种基于模板框增广的提高小目标检测稳定性的方法。针对以SSD为代表的利用defaultbox(后称：模板框)进行回归预测获取目标检测识别结果的算法进行改进，对各featuremap(后称：特征层)的模板框进行增广，降低算法对小目标位置的敏感度，提高小目标检测的稳定性。本专利技术的技术解决方案是：<br>一种基于模板框增广的提高小目标检测稳定性的方法，步骤如下：步骤一：遍历全部训练样本的标注信息，提取标注信息中的目标尺寸；步骤二：计算目标尺寸参考最小值Tmin和目标尺寸参考最大值Tmax；步骤三：根据目标尺寸参考最小值Tmin、目标尺寸参考最大值Tmax、训练图像原始尺寸ImgSize以及模型输出的特征层个数M，计算各层关注目标的归一化尺寸Ti，i＝1,2,…,M；步骤四：根据各层关注目标归一化尺寸Ti以及各特征层尺寸Si，计算各特征层模板框期望间距Gi；步骤五：根据各特征层模板框期望间距Gi，确定各特征层模板框个数与模板框中心点位置，进行模板框增广；步骤六：对完成模板框增广的卷积神经网络进行训练，得到对小目标检测的卷积神经网络模型。进一步的，提取的目标尺寸包括：目标宽最小值Wmin、目标宽最大值Wmax、目标高最小值Hmin、目标高最大值Hmax。提取标注信息中的目标尺寸，具体为：读取xml文件中各<bndbox>节点中的<xmin>、<ymin>、<xmax>、<ymax>值，计算该目标的宽W＝xmax-xmin+1，高H＝ymax-ymin+1；遍历所有目标，找到所有目标宽W中的最小值Wmin、最大值Wmax，所有目标高H中的最小值Hmin、最大值Hmax。进一步的，在步骤二中，计算目标尺寸参考最小值Tmin和、目标尺寸参考最大值Tmax的具体方法为：即：对目标宽最小值、目标高最小值做平均得到目标尺寸参考最小值Tmin，对目标宽最大值、目标高最大值做平均得到目标尺寸参考最大值Tmax。进一步的，在步骤三中，计算各层关注目标的归一化尺寸Ti的方法为：其中，i＝1,2,…,M。进一步的，在步骤四中，计算各特征层模板框期望间距Gi的方法为：进一步的，在步骤五中，根据各特征层模板框期望间距Gi确定各特征层模板框个数与模板框中心点位置，进行模板框增广，具体为：计算各特征层的期望间距判据若则模板框中心位置设置成m＝0,1,…,Si-1，n＝0,1,…,Si-1；若则模板框数量增广为原来的两倍，中心位置设置成与m＝0,1,…,Si-1，n＝0,1,…,Si-1；若则模板框数量增广为原来的五倍，中心位置设置成m＝0,1,…,Si-1，n＝0,1,…,Si-1。进一步的，针对SSD网络，ImgSize＝300，M＝6。六个输出特征层分别为conv4_3层，fc7层，conv8_2层，conv9_2层，conv10_2层，conv11_2层。进一步的，针对SSD网络，各特征层尺寸Si具体为：S1＝38,S2＝19,S3＝10,S4＝5,S5＝3,S6＝1。本专利技术与现有技术相比的有益效果是：(1)本专利技术针对以SSD为代表的利用defaultbox(后称：模板框)进行回归预测获取目标检测识别结果的算法进行改进，对各featuremap(后称：特征层)的模板框进行增广，增加模板框密度与多样性，增加回归预测结果的多样性，降低算法对小目标位置的敏感度，提高小目标检测的稳定性。(2)本专利技术针对小目标检测提出了基于训练样本尺寸的模板框增广方法，通过对训练样本尺寸和输出特征层尺寸的分析对特定特征层的模板框进行增广。通过对模板框的增广，增加了模板框的分布密度，提高了小目标检测概率。在上述实用例中，改进前的网络在40000次迭代训练终止时的测试MAP＝0.84，改进后的网络在40000次迭代训练终止时的测试MAP＝0.93。(3)本专利技术提出了模板框增广方法，增加了模板框中心的多样性。通过增加模板框中心的多样性，使模板框位置更全面地覆盖了真实目标的出现位置，降低网络对目标位置偏差的回归难度，提高目标检测的稳定性。在上述实用例中，对同一张测试图片(该图上只有一个目标)向右下方向平移，每次向右、向下各平移一个像素，得到8张测试图像，使用改进前的网络进行测试，8张测试图的目标置信度分别为0.88，0.97，0.46，0.57，0.21，0.26，0.39，0.79；使用改进后的网络进行测试，8张测试图的目标置信度分别为0.92，0.96，0.83，0.75，0.88，0.97，0.86，0.87。可见改进后的目标检测置信度明显较高；且目标位置发生平移时改进前的网络目标置信度大小变化明显，检测结果不稳定，改进后的网络则能始终维持较高的置信度，检测结果稳定。附图说明图1为conv9_2特征层上m＝2、n＝2时的模板框分布情况示意图；图2为conv9_2层m＝2、n＝2特征像素的局部放大图；图3为conv4_3层、conv10_2模板框数量增广为原来的两倍后单个特征像素与模板框中心的分布示意图；图4为conv11_2模板框数量增广为原来的五倍后单个特征像素与模板框中心的分布示意图。具体实施方式下面结合附图对本专利技术的具体实施方式进行进一步的详细描述。针对现有卷积神经网络对小目标检测稳定性较差的问题，本专利技术的技术手段是：通过对模板框进行增广，增加模板框密度与多样性，增加回归预测结果的多样性，降低算法对小目标位置的敏感度，提高小目标检测的稳定性。本专利技术提出的一种基于模板框增广的提高小目标检测稳定性的方法本文档来自技高网...

【技术保护点】
1.一种基于模板框增广的提高小目标检测稳定性的方法，其特征在于步骤如下：/n步骤一：遍历全部训练样本的标注信息，提取标注信息中的目标尺寸；/n步骤二：计算目标尺寸参考最小值T

【技术特征摘要】
1.一种基于模板框增广的提高小目标检测稳定性的方法，其特征在于步骤如下：
步骤一：遍历全部训练样本的标注信息，提取标注信息中的目标尺寸；
步骤二：计算目标尺寸参考最小值Tmin和目标尺寸参考最大值Tmax；
步骤三：根据目标尺寸参考最小值Tmin、目标尺寸参考最大值Tmax、训练图像原始尺寸ImgSize以及模型输出的特征层个数M，计算各层关注目标的归一化尺寸Ti，i＝1,2,…,M；
步骤四：根据各层关注目标归一化尺寸Ti以及各特征层尺寸Si，计算各特征层模板框期望间距Gi；
步骤五：根据各特征层模板框期望间距Gi，确定各特征层模板框个数与模板框中心点位置，进行模板框增广；
步骤六：对完成模板框增广的卷积神经网络进行训练，得到对小目标检测的卷积神经网络模型。


2.根据权利要求1所述的一种基于模板框增广的提高小目标检测稳定性的方法，其特征在于：提取的目标尺寸包括：目标宽最小值Wmin、目标宽最大值Wmax、目标高最小值Hmin、目标高最大值Hmax。


3.根据权利要求2所述的一种基于模板框增广的提高小目标检测稳定性的方法，其特征在于：提取标注信息中的目标尺寸，具体为：
读取xml文件中各<bndbox>节点中的<xmin>、<ymin>、<xmax>、<ymax>值，计算该目标的宽W＝xmax-xmin+1，高H＝ymax-ymin+1；
遍历所有目标，找到所有目标宽W中的最小值Wmin、最大值Wmax，所有目标高H中的最小值Hmin、最大值Hmax。


4.根据权利要求1所述的一种基于模板框增广的提高小目标检测稳定性的方法，其特征在于：在步骤二中，计算目标尺寸参考最小值Tmin、目标尺寸参考最大值Tmax的具体方法为：






即：对目标宽最...

【专利技术属性】
技术研发人员：郝梦茜，张辉，周斌，靳松直，丛龙剑，刘严羊硕，郑文娟，韦海萍，王浩，张伯川，王亚辉，张聪，刘燕欣，高琪，肖利平，倪少波，杨柏胜，
申请(专利权)人：北京航天自动控制研究所，
类型：发明
国别省市：北京;11