基于低分辨率图像的目标检测方法和系统技术方案

本发明专利技术提供了一种基于低分辨率图像的目标检测方法和系统，涉及目标检测技术领域，其中，所述方法包括以下步骤：获取待检测目标的低分辨率图像；对低分辨率图像进行特征提取得到相应的特征图；对特征图进行处理得到相应的检测框；对检测框进行处理得到检测框的坐标和分类概率分数；根据检测框的坐标和分类概率分数对待检测目标进行检测分类。本发明专利技术能够在不对低分辨率图像进行放大的情况下，提取出具有深层语义的特征图，从而能够在不损失检测精度的前提下，有效降低检测时间。有效降低检测时间。有效降低检测时间。

【技术实现步骤摘要】
基于低分辨率图像的目标检测方法和系统


[0001]本专利技术涉及目标检测
，具体涉及一种基于低分辨率图像的目标检测方法和一种基于低分辨率图像的目标检测系统。

技术介绍

[0002]近年来，基于深度学习的低分辨率目标识别技术持续受到学术界和工业界的广泛关注。以手写数字串识别举例来说，直观的理解这项任务的做法是先将一张图片中的数字找到，然后进行识别，这与目标检测极为相似。但是这些基于目标检测的方法是通过放大图片到一定尺寸再进行检测的，会存在一些问题：其一、通过放大低分辨率图像后，再从中提取特征会导致不必要的时间消耗；其二、如果不放大低分辨率图像直接将图像送入网络，在提取图像特征的过程中会产生很小的特征图，从而不能产生正确的检测框。

技术实现思路

[0003]本专利技术旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本专利技术的一个目的在于提出一种基于低分辨率图像的目标检测方法，能够在不对低分辨率图像进行放大的情况下，提取出具有深层语义的特征图，从而能够在不损失检测精度的前提下，有效降低检测时间。
[0004]本专利技术的第二个目的在于提出一种基于低分辨率图像的目标检测系统。
[0005]为达到上述目的，本专利技术第一方面实施例提出了一种基于低分辨率图像的目标检测方法，包括以下步骤：获取待检测目标的低分辨率图像；对所述低分辨率图像进行特征提取得到相应的特征图；对所述特征图进行处理得到相应的检测框；对所述检测框进行处理得到所述检测框的坐标和分类概率分数；根据所述检测框的坐标和分类概率分数对所述待检测目标进行检测分类。
[0006]根据本专利技术实施例提出的基于低分辨率图像的目标检测方法，对低分辨率图像进行特征提取得到相应的特征图，并对特征图进行处理得到相应的检测框，以及对检测框进行处理得到检测框的坐标和分类概率分数，最终根据检测框的坐标和分类概率分数对待检测目标进行检测分类，由此，能够在不对低分辨率图像进行放大的情况下，提取出具有深层语义的特征图，从而能够在不损失检测精度的前提下，有效降低检测时间。
[0007]另外，根据本专利技术上述实施例提出的基于低分辨率图像的目标检测方法还可以具有如下附加的技术特征：根据本专利技术的一个实施例，对所述低分辨率图像进行特征提取得到相应的特征图，包括以下步骤：采用低分辨率适用卷积神经网络对所述低分辨率图像进行特征提取得到相应的特征图。
[0008]根据本专利技术的一个实施例，所述低分辨率适用卷积神经网络包括残差网络的第一阶段、第二阶段、第三阶段，此外，所述低分辨率适用卷积神经网络还包括：第一上采样，所述第一上采样与所述残差网络的第一阶段相连；第一卷积层，所述第一卷积层与所述第一
上采样相连；第二上采样，所述第二上采样与所述残差网络的第二阶段相连；第二卷积层，所述第二卷积层与第二上采样相连；第三上采样，所述第三上采样与所述残差网络的第三阶段相连。
[0009]根据本专利技术的一个实施例，所述特征图由所述第一卷积层、所述第二卷积层和所述第三上采样的输出量逐元素相加而成，并且所述特征图的长和宽分别为所述低分辨率图像的长和宽的一半。
[0010]根据本专利技术的一个实施例，对所述特征图进行处理得到相应的检测框，包括以下步骤：采用区域候选网络对所述特征图进行处理得到不同类别候选框；采用感兴趣区域池化层对所述特征图和所述不同类别候选框进行处理得到相应的检测框。
[0011]根据本专利技术的一个实施例，所述感兴趣区域池化层内设有第一非极大值抑制算法和第二非极大值抑制算法，其中，所述第一非极大值抑制算法为NC
‑
NMS非极大值抑制算法（Non
‑
classified Non
‑
Maximum Suppression，非分类非极大值抑制算法），所述NC
‑
NMS非极大值抑制算法用于将所述待检测目标的不同类别候选框当做同一类别进行抑制，以保留所述不同类别候选框中预测分数最大的候选框；所述第二非极大值抑制算法为top
‑
N分数选择非极大值抑制算法（N个分数最高选择的非极大值抑制算法），所述top
‑
N分数选择非极大值抑制算法用于根据所述待检测目标的长度对所述不同类别候选框进行抑制。
[0012]根据本专利技术的一个实施例，对所述检测框进行处理得到所述检测框的坐标和分类概率分数，包括以下步骤：采用第一全连接层对所述检测框进行处理得到所述检测框的坐标；采用第二全连接层对所述检测框进行处理得到所述检测框的分类概率分数；其中，所述第一全连接层和所述第二全连接层并列设置。
[0013]为达到上述目的，本专利技术第二方面实施例提出了一种基于低分辨率图像的目标检测系统，包括：获取模块，所述获取模块用于获取待检测目标的低分辨率图像；特征提取模块，所述特征提取模块用于对所述低分辨率图像进行特征提取得到相应的特征图；第一处理模块，所述第一处理模块用于对所述特征图进行处理得到相应的检测框；第二处理模块，所述第二处理模块用于对所述检测框进行处理得到所述检测框的坐标和分类概率分数；检测模块，所述检测模块用于根据所述检测框的坐标和分类概率分数对所述待检测目标进行检测分类。
[0014]根据本专利技术实施例提出的基于低分辨率图像的目标检测系统，通过特征提取模块对低分辨率图像进行特征提取得到相应的特征图，并通过第一处理模块对特征图进行处理得到相应的检测框，以及通过第二处理模块对检测框进行处理得到检测框的坐标和分类概率分数，最终通过检测模块根据检测框的坐标和分类概率分数对待检测目标进行检测分类，由此，能够在不对低分辨率图像进行放大的情况下，提取出具有深层语义的特征图，从而能够在不损失检测精度的前提下，有效降低检测时间。
[0015]为达到上述目的，本专利技术第三方面实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现根据第一方面实施例中任一项所述的基于低分辨率图像的目标检测方法。
[0016]根据本专利技术实施例提出的计算机设备，通过处理器执行计算机程序时，实现第一方面实施例中任一项的基于低分辨率图像的目标检测方法，由此，能够在不对低分辨率图像进行放大的情况下，提取出具有深层语义的特征图，从而能够在不损失检测精度的前提
下，有效降低检测时间。
[0017]为达到上述目的，本专利技术第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现根据第一方面实施例中任一项所述的基于低分辨率图像的目标检测方法。
[0018]根据本专利技术实施例提出的非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现第一方面实施例中任一项的基于低分辨率图像的目标检测方法，由此，能够在不对低分辨率图像进行放大的情况下，提取出具有深层语义的特征图，从而能够在不损失检测精度的前提下，有效降低检测时间。
附图说明
[0019]图1为本专利技术实施例的基于低分辨率图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于低分辨率图像的目标检测方法，其特征在于，包括以下步骤：获取待检测目标的低分辨率图像；对所述低分辨率图像进行特征提取得到相应的特征图；对所述特征图进行处理得到相应的检测框；对所述检测框进行处理得到所述检测框的坐标和分类概率分数；根据所述检测框的坐标和分类概率分数对所述待检测目标进行检测分类。2.根据权利要求1所述的基于低分辨率图像的目标检测方法，其特征在于，对所述低分辨率图像进行特征提取得到相应的特征图，包括以下步骤：采用低分辨率适用卷积神经网络对所述低分辨率图像进行特征提取得到相应的特征图。3.根据权利要求2所述的基于低分辨率图像的目标检测方法，其特征在于，所述低分辨率适用卷积神经网络包括残差网络的第一阶段、第二阶段、第三阶段，此外，所述低分辨率适用卷积神经网络还包括：第一上采样，所述第一上采样与所述残差网络的第一阶段相连；第一卷积层，所述第一卷积层与所述第一上采样相连；第二上采样，所述第二上采样与所述残差网络的第二阶段相连；第二卷积层，所述第二卷积层与第二上采样相连；第三上采样，所述第三上采样与所述残差网络的第三阶段相连。4.根据权利要求3所述的基于低分辨率图像的目标检测方法，其特征在于，其中，所述特征图由所述第一卷积层、所述第二卷积层和所述第三上采样的输出量逐元素相加而成，并且所述特征图的长和宽分别为所述低分辨率图像的长和宽的一半。5.根据权利要求4所述的基于低分辨率图像的目标检测方法，其特征在于，对所述特征图进行处理得到相应的检测框，包括以下步骤：采用区域候选网络对所述特征图进行处理得到不同类别候选框；采用感兴趣区域池化层对所述特征图和所述不同类别候选框进行处理得到相应的检测框。6.根据权利要求5所述的基于低分辨率图像的目标检测方法，其特征在于，所述感兴趣区域池化层内设有第一非极大值抑制算法和第二非极大值抑制算法，其中，所述第一非极大值抑制算法为NC
‑

【专利技术属性】
技术研发人员：魏文憬，郭骏，潘正颐，侯大为，
申请(专利权)人：常州微亿智造科技有限公司，
类型：发明
国别省市：