一种基于ThunderNet的目标快速检测方法技术

一种基于ThunderNet的目标快速检测方法，包括如下步骤：A1:对摄像头捕捉的图像信息进行预处理；A2:将已捕捉的图像信息放入ThunderNet的Snet骨干网络中进行目标检测，提取特征值；A3:将根据特征处理后的数据流放入ThunderNet的检测部分，利用CEM和SAM两种策略对数据进行拟合并且通过RPN网络进行监督训练，以区分前景特征和背景特征，进行目标识别。本发明专利技术能够充分利用ThunderNet检测的优势，精准高效地将捕捉的画面中提取信息。与以往的单级检测器相比，本发明专利技术具有更高的检测精度，且计算成本显著降低。本发明专利技术可用于正确佩戴口罩的快速智能检测。的快速智能检测。的快速智能检测。

【技术实现步骤摘要】
一种基于ThunderNet的目标快速检测方法


[0001]本专利技术涉及计算机视觉与数字图像处理领域，特别是涉及一种基于ThunderNet的目标快速检测方法。

技术介绍

[0002]人脸识别目前作为图像识别最广泛应用之一，其发展经历几个不同阶段。从早期的文字识别，到中期的数字图像处理与识别，再到现在的物体识别。相对于简单的文字识别，数字图像更加高效，强大，其具有存储，传输方便可压缩、传输过程中不易失真、处理方便等巨大优势，这些都为图像识别技术的发展提供了强大的动力。其在安防领域的车牌识别得到了广泛的应用。最新的物体的识别对三维世界的客体及环境的感知和认识，属于高级的计算机视觉范畴。它是以数字图像处理与识别为基础的结合人工智能、系统学等学科的研究方向，其研究成果被广泛应用在各种工业及探测机器人上。现代图像识别技术的一个不足就是自适应性能差，一旦目标图像被较强的噪声污染或是目标图像有较大残缺往往就得不出理想的结果。
[0003]图像识别问题的数学本质属于模式空间到类别空间的映射问题。目前，在图像识别的发展中，主要有三种识别方法：统计模式本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于ThunderNet的目标快速检测方法，其特征在于，包括如下步骤：A1:对摄像头捕捉的图像信息进行预处理，优选地，根据骨干网络的匹配能力，确定进行预处理的最佳分辨率；A2:将已捕捉的图像信息放入ThunderNet的Snet骨干网络中进行目标检测，提取特征值；A3:将根据特征处理后的数据流放入ThunderNet的检测部分，利用CEM和SAM两种策略对数据进行拟合并且通过RPN网络进行监督训练，以区分前景特征和背景特征，进行目标识别。2.如权利要求1所述的目标快速检测方法，其特征在于，对于Snet骨干网络进行如下至少一种构造处理：所述Snet骨干网络基于ShuffleNetV2，用5
×
5深度可分离卷积替换ShuffleNetV2中的3
×
3深度可分离卷积；删除Conv5特征并且在浅层特征提取阶段添加更多通道，或者在不删除Conv5特征的同时，对Conv5进行压缩，找到浅层和深层特征直接更好的平衡点。3.如权利要求1至2任一项所述的目标快速检测方法，其特征在于，所述步骤A3具体包括：A31：将经过浅层特征处理的数据流放入所述检测部分中，使用CEM产生更小的特征图，以提取到足够的可分辨的特征信息；A32:对CEM提取的可分辨的特征信息进行Rol操作，使得期望背景区域中的特征不被关注，且对目标的特征进行强烈关注；使用SAM以学习到正确的特征分布。4.如权利要求3所述的目标快速检测方法，其特征在于，所述步骤A31中，还使用额外的卷积和多检查分支提高计算效率。5.如权利要求3或4所述的目标快速检测方法，其特征在于，所述步骤A31具体包括：使用CEM聚合多尺度局部信息和全局信息，以生成区分性更强的特征。6.如权利要求5所述的目标快速检测方法，其特征在于，在CEM中，合并三个尺度的特征图：C4，C5和Cglb，Cglb为在C5上应用全局平均池化得到的全局特征信息；尺度一：在C4特征图上应用1
×
1卷积以将通道数量压缩为α
×
p
×
p＝245；尺度二：在C5特征图进行上采样，并在C5特征图上应用1
×
1卷积以将通道数量压缩为α
×
p
×
p＝245...

【专利技术属性】
技术研发人员：蔡畅奇，金欣，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：