基于双重卷积神经网络的小目标增强检测方法和装置制造方法及图纸

一种基于双重卷积神经网络的小目标增强检测方法，既能提升检测准确性，又能保持与通用检测模型相近的检测速度。检测方法级联双重卷积神经网络，第一重卷积神经网络采用兼顾目标定位和目标识别功能的MobileNet‑SSD网络，并以较低的置信度阈值筛选出候选目标，较低的阈值可以确保小目标不漏检；第二重卷积神经网络根据第一轮检测得到候选目标区域，逐个截取图片子块，采用只含目标识别功能的MobileNet网络，并以较高的置信度阈值筛选出目标，较高的阈值可以确保小目标不错检。通过本发明专利技术提出的两轮增强检测方法，可以提升小目标的检测准确性，降低目标错检率和漏检率。

【技术实现步骤摘要】
基于双重卷积神经网络的小目标增强检测方法和装置
本专利技术涉及目标检测
，具体涉及一种基于双重卷积神经网络的小目标增强检测方法和装置。
技术介绍
目标检测是计算机视觉的一项基础技术，该技术在给定的一副图像中，实现对目标所在区域的定位并识别出目标的类别信息。在实际图像中，目标的尺寸变化范围很大，摆放目标的角度、姿态、在图像中的位置都不一样，目标之间可能还有重叠现象，这使得目标检测的难度变得很大。目前学术和工业界出现的目标检测算法主要分成两类：传统基于人工规则提取特征的方法，采用基于滑动窗口的区域选择策略，采用HOG算子提取目标特征向量，典型算法是：级联Cascade+HOG+Haar/SVM以及上述方法的诸多改进、优化。其主要问题：基于滑动窗口的区域选择策略没有针对性，时间复杂度高，窗口冗余；手工设计的特征对于多样性的变化没有很好的鲁棒性。近年基于卷积神经网络自动提取特征的方法，其中又经历了两个阶段发展。第一阶段是候选区域+深度学习分类的两步法，通过提取候选区域，并对相应区域进行以深度学习方法为主的分类的方案，如：R-CNN本文档来自技高网...

【技术保护点】
1.一种基于双重卷积神经网络的小目标增强检测方法，其特征在于，所述方法包括以下步骤：/n第一重卷积神经网络采用兼顾目标定位和目标识别功能的缩小版MobileNet-SSD检测网络，第一重卷积神经网络通过设置低置信度阈值筛选出候选目标区域；/n根据第一重卷积神经网络筛选出的候选目标区域，逐个截取目标图片子块，从而提升目标像素占比，形成高像素占比目标图片子块，将高像素占比目标图片子块送入第二重卷积神经网络；/n第二重卷积神经网络采用只含目标识别功能的缩小版MobileNet识别网络，对高像素占比目标图片进行目标识别，通过设置高置信度阈值筛选出目标。/n

【技术特征摘要】
1.一种基于双重卷积神经网络的小目标增强检测方法，其特征在于，所述方法包括以下步骤：
第一重卷积神经网络采用兼顾目标定位和目标识别功能的缩小版MobileNet-SSD检测网络，第一重卷积神经网络通过设置低置信度阈值筛选出候选目标区域；
根据第一重卷积神经网络筛选出的候选目标区域，逐个截取目标图片子块，从而提升目标像素占比，形成高像素占比目标图片子块，将高像素占比目标图片子块送入第二重卷积神经网络；
第二重卷积神经网络采用只含目标识别功能的缩小版MobileNet识别网络，对高像素占比目标图片进行目标识别，通过设置高置信度阈值筛选出目标。


2.如权利要求1所述的一种基于双重卷积神经网络的小目标增强检测方法，其特征在于，第一重卷积神经网络设置的低置信度阈值的范围为0.01-0.1。


3.如权利要求2所述的一种基于双重卷积神经网络的小目标增强检测方法，其特征在于，第二重卷积神经网络设置的高置信度阈值的范围为0.85-0.95。


4.如权利要求3所述的一种基于双重卷积神经网络的小目标增强检测方法，其特征在于，第二重卷积神经网络筛选出的目标包括目标位置和目标类别。


5.如权利要求4所述的一种基于双重卷积神经网络的小目标增强检测方法，其特征在于，缩小版MobileNet-SSD检测网络的网络缩小因子a设为0.5。


6.如权利要求5所述的一种基于双重卷积神经网络的小目标增强检测方法，其特征在于，第一重卷积神经网络设置的低置信度阈值为0.1。


7.一种基于双重卷积神经网络的小目标增强检测装置，其特征在于，所述检...

【专利技术属性】
技术研发人员：李华伟，王斯建，
申请(专利权)人：上海嘉沃光电科技有限公司，
类型：发明
国别省市：上海;31