一种基于深度卷积神经网络的目标检测方法及装置制造方法及图纸

本发明专利技术提供了一种基于深度卷积神经网络的目标检测方法及装置，基于整张待测图像的特征预测该待测图像中所有目标物体的边界框以及种类，其特征在于，包括如下步骤：对待测图像预处理得到预处理图像；将预处理图像输入预先训练好的深度卷积网络模型，得到所有目标物体的边界框以及种类。其中，深度卷积网络模型的训练过程包括：对训练集预处理得到预处理数据集；搭建包括主网络以及辅助网络深度卷积神经网络，主网络为全卷积神经网络；利用主网络获取第一特征图，从而进行边界框预测得到预测边界框置信度分数；利用辅助网络获取第二特征图，进而得到物体边界框以及物体类别，进而训练更新得到训练好的深度卷积网络模型。练更新得到训练好的深度卷积网络模型。练更新得到训练好的深度卷积网络模型。

【技术实现步骤摘要】
一种基于深度卷积神经网络的目标检测方法及装置


[0001]本专利技术属于数据识别领域，具体涉及一种基于深度卷积神经网络的目标检测方法及装置。

技术介绍

[0002]在当前计算机技术及计算机硬件性能大幅提升的情况下，近年来计算机视觉、自然语言处理和语音检测等应用领域取得了突破性进展。目标检测作为计算机视觉领域中的一项基础任务，其精度和速度也得到了大幅提升。
[0003]目标检测也叫目标提取，是一种基于目标几何和统计特征的图像分割。它将目标的分割与识别合二为一，其准确性和实时性影响各种应用场景下目标检测任务的完成。尤其在复杂场景中，需要对多个目标进行实时处理，此时，目标的自动提取与识别就显得特别重要。
[0004]目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域，通过计算机视觉减少对人力资本的消耗，具有重要的现实意义。因此，目标检测也就成为了近年来理论和应用的研究热点，它是图像处理和计算机视觉学科的重要分支，也是智能监控系统的核心部分，同时目标检测也是泛身份识别领域的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度卷积神经网络的目标检测方法，基于整张待测图像的特征预测该待测图像中所有目标物体的边界框以及种类，其特征在于，包括如下步骤：步骤S1
‑
1，利用预定的预处理方法对所述待测图像进行预处理得到预处理图像；步骤S1
‑
2，将所述预处理图像输入预先训练好的深度卷积网络模型，得到所述待测图像中所有目标物体的边界框以及种类，其中，所述深度卷积网络模型的训练过程包括如下步骤：步骤S2
‑
1，利用所述预处理方法对用于训练的训练集进行预处理，得到预处理数据集；步骤S2
‑
2，搭建深度卷积神经网络，该深度卷积神经网络包括主网络以及辅助网络，该主网络为全卷积神经网络；步骤S2
‑
3，利用所述主网络对所述预处理数据集进行特征提取得到第一特征图；步骤S2
‑
4，基于所述第一特征图通过预定的函数进行边界框预测得到多个预测边界框以及与每个所述预测边界框对应的置信度分数；步骤S2
‑
5，计算所述训练集的真实边界框与所述预测边界框的平方和误差，并将该平方和误差作为主网络损失；步骤S2
‑
6，利用所述辅助网络对所述预处理数据集进行特征提取以及激活函数处理，得到第二特征图；步骤S2
‑
7，利用所述函数从所述第二特征图得到物体边界框以及物体类别；步骤S2
‑
8，基于所述物体边界框、所述预测边界框以及所述物体类别构建包含所述主网络损失以及所述置信度分数的损失函数；步骤S2
‑
9，基于所述损失函数进行反向传播更新所述深度卷积神经网络的参数，直到所述深度卷积神经网络收敛从而得到训练好的深度卷积网络模型。2.根据权利要求1所述的基于深度卷积神经网络的目标检测方法，其特征在于：其中，所述主网络为包括30层网络层，依次为：卷积层、池化层、卷积层、池化层、卷积层、卷积层、卷积层、卷积层、池化层、卷积层、卷积层、卷积层、卷积层、卷积层、卷积层、卷积层、卷积层、卷积层、卷积层、池化层、卷积层、卷积层、卷积层、卷积层、卷积层、卷积层、卷积层、卷积层、全连接层、全连接层。3.根据权利要求1...

【专利技术属性】
技术研发人员：郝磊祯，冯瑞，
申请(专利权)人：复旦大学，
类型：发明
国别省市：