一种基于动态神经网络的武装人员装备检测方法和系统技术方案

一种基于动态神经网络的武装人员装备检测方法和系统，方法包括以下步骤：采用可变焦的高分辨率相机采集不同距离下的武装人员图像，对各图像进行人员和装备标注，形成装备检测数据集；构建动态神经网络模型，所述动态神经网络模型包括第一子网络和第二子网络，所述第一子网络用于检测图像中的人类；当所述第一子网络检测图像中包含人类时，提取人类ROI传输至第二子网络；所述第二子网络用于根据图像的不同分辨率采用不同网络深度处的分类器进行装备检测；基于所述装备检测数据集训练所述动态神经网络模型，得到训练好的武装人员装备检测模型；将待检测图像输入所述武装人员装备检测模型，得到待检测图像的武装人员装备检测结果。结果。结果。

【技术实现步骤摘要】
一种基于动态神经网络的武装人员装备检测方法和系统


[0001]本专利技术涉及武装人员装备检测
，尤其涉及一种基于动态神经网络的武装人员装备检测方法和系统。

技术介绍

[0002]在实际的侦察工作中，武装人员身上携带的装备较小，在1000 米的远距离范围内更难以辨别，需要加载结构复杂的深度网络才能实现准确的识别。如何高效地采用深度网络进行目标识别是难点之一。
[0003]在神经网络中，低分辨率的小尺度特征往往要在深层级才能提取到，这些信息具有更多的语义信息，更适合进行识别工作。在传统的深度学习方法中，往往将目标无差别地输入到网络中进行前向传播，最后输出结果。然而，对于一些在近距离采集到的高分辨率大尺寸目标，利用浅层特征便可以轻易地识别出来，将这些目标输入到深层级往往会造成算力的冗余，影响识别算法的效率。

技术实现思路

[0004]鉴于上述的分析，本专利技术实施例旨在提供一种基于动态神经网络的武装人员装备检测方法和系统，用以解决现有深度网络检测效率低的问题。
[0005]一方面，本专利技术实施例提供了一种基于动态神经网络的武装人员装备检测方法，包括以下步骤：
[0006]采用可变焦的高分辨率相机采集不同距离下的武装人员图像，对各图像进行人员和装备标注，形成装备检测数据集；
[0007]构建动态神经网络模型，所述动态神经网络模型包括第一子网络和第二子网络，所述第一子网络用于检测图像中的人类；当所述第一子网络检测图像中包含人类时，提取人类ROI传输至第二子网络；所述第二子网络用于根据图像的不同分辨率采用不同网络深度处的分类器进行装备检测；基于所述装备检测数据集训练所述动态神经网络模型，得到训练好的武装人员装备检测模型；
[0008]将待检测图像输入所述武装人员装备检测模型，得到待检测图像的武装人员装备检测结果。
[0009]基于上述技术方案的进一步改进，所述第二子网络包括主干网络单元、Neck网络单元和预测单元；所述主干网络单元用于提取不同尺度的特征图；所述Neck网络用于对主干网络单元提取的不同尺度的特征图进行上采样和特征融合，获得不同尺度的张量数据；所述预测单元包括多个浅层分类器，用于根据不同尺度的张量数据进行目标检测；
[0010]所述Neck网络单元中包括多级CSP和CBL组合块，在所述不同级的CSP和CBL组合块后连接浅层分类器，所述浅层分类器用于根据当前尺度的张量数据进行目标检测。
[0011]进一步地，所述浅层分类器包括依次连接的卷积层、concat层和 sigmoid层；所述卷积层用于提取图像特征，所述concat层用于对特征进行拼接，所述sigmoid层用于进行分
类；不同层级的浅层分类器的卷积核大小和个数不同。
[0012]进一步地，对各图像进行人员和装备标注，形成装备检测数据集，包括：
[0013]采用标注框对武装人员图像中的人员和装备进行标注；
[0014]对标注后的图像采用标注框尺度扭曲、标注框镜像翻转、图像随机缩放、图像随机裁剪和/或图像随机排布进行数据集增强，得到增强后的数据集，将增强前的数据集与增强后的数据集作为装备检测数据集。
[0015]进一步地，所述第二子网络的预测框损失函数为：
[0016][0017]其中，dis_2表示预测框与标注框的中心点的欧氏距离，dis_C表示预测框与标注框的最小外接矩形的对角线距离，IOU表示预测框和标注框的交并比。
[0018]进一步地，在基于所述武装人员图像构建装备检测数据集之后，构建动态神经网络模型之前，还包括：根据所述数据集中的所有图像的标注框，确定所述动态神经网络模型的初始锚框。
[0019]进一步地，根据所述数据集中的所有图像的标注框，确定所述动态神经网络模型的初始锚框，包括：
[0020]将所述数据集中各图像等比例缩放至指定大小，得到缩放后的标注框；
[0021]对缩放后的标注框进行聚类，采用遗传算法对每类标注框进行变异，基于预测正确率选择最优标注框作为初始锚框。
[0022]进一步地，基于所述装备检测数据集训练所述动态神经网络模型，得到训练好的武装人员装备检测模型之后，还包括采用以下步骤对所述武装人员装备检测模型进行剪枝：
[0023]对模型各通道进行稀疏化处理计算稀疏化处理后每个通道的尺度因子；
[0024]若尺度因子小于预设的阈值，则将该通道剪除；否则，保留该通道；
[0025]对剪枝后的模型进行重新训练，得到训练好的武装人员装备检测模型。
[0026]另一方面，本专利技术实施例提供了一种基于动态神经网络的武装人员装备检测系统，包括以下模块：
[0027]数据集构建模块，用于采用可变焦的高分辨率相机采集不同距离下的武装人员图像，对各图像进行人员和装备标注，形成装备检测数据集；
[0028]模型训练模块，用于构建动态神经网络模型，所述动态神经网络模型包括第一子网络和第二子网络，所述第一子网络用于检测图像中的人类；当所述第一子网络检测图像中包含人类时，提取人类ROI传输至第二子网络；所述第二子网络用于根据图像的不同分辨率采用不同网络深度处的分类器进行装备检测；基于所述装备检测数据集训练所述动态神经网络模型，得到训练好的武装人员装备检测模型；
[0029]装备检测模块，用于将待检测图像输入所述武装人员装备检测模型，得到待检测图像的武装人员装备检测结果。
[0030]进一步地，所述第二子网络包括主干网络单元、Neck网络单元和预测单元；所述主干网络单元用于提取不同尺度的特征图；所述Neck网络用于对主干网络单元提取的不同尺度的特征图进行上采样和特征融合，获得不同尺度的张量数据；所述预测单元包括多个浅
层分类器，用于根据不同尺度的张量数据进行目标检测；
[0031]所述Neck网络单元中包括多级CSP和CBL组合块，在所述不同级的CSP和CBL组合块后连接浅层分类器，所述浅层分类器用于根据当前尺度的张量数据进行目标检测。
[0032]与现有技术相比，本专利技术通过采用动态神经网络模型构建武装人员装备检测模型，对于不同分辨率的图像，可以采用不同的网络深度进行识别，从而减少冗余计算，提高检测效率。
[0033]本专利技术中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
[0034]附图仅用于示出具体实施例的目的，而并不认为是对本专利技术的限制，在整个附图中，相同的参考符号表示相同的部件。
[0035]图1为本专利技术实施例基于动态神经网络的武装人员装备检测方法的流程图；
[0036]图2为本专利技术实施例基于动态神经网络的武装人员装备检测系统的框图。
具体实施方式
[0037]下面结合附图来具体描本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态神经网络的武装人员装备检测方法，其特征在于，包括以下步骤：采用可变焦的高分辨率相机采集不同距离下的武装人员图像，对各图像进行人员和装备标注，形成装备检测数据集；构建动态神经网络模型，所述动态神经网络模型包括第一子网络和第二子网络，所述第一子网络用于检测图像中的人类；当所述第一子网络检测图像中包含人类时，提取人类ROI传输至第二子网络；所述第二子网络用于根据图像的不同分辨率采用不同网络深度处的分类器进行装备检测；基于所述装备检测数据集训练所述动态神经网络模型，得到训练好的武装人员装备检测模型；将待检测图像输入所述武装人员装备检测模型，得到待检测图像的武装人员装备检测结果。2.根据权利要求1所述的动态神经网络的武装人员装备检测方法，其特征在于，所述第二子网络包括主干网络单元、Neck网络单元和预测单元；所述主干网络单元用于提取不同尺度的特征图；所述Neck网络用于对主干网络单元提取的不同尺度的特征图进行上采样和特征融合，获得不同尺度的张量数据；所述预测单元包括多个浅层分类器，用于根据不同尺度的张量数据进行目标检测；所述Neck网络单元中包括多级CSP和CBL组合块，在所述不同级的CSP和CBL组合块后连接浅层分类器，所述浅层分类器用于根据当前尺度的张量数据进行目标检测。3.根据权利要求2所述的动态神经网络的武装人员装备检测方法，其特征在于，所述浅层分类器包括依次连接的卷积层、concat层和sigmoid层；所述卷积层用于提取图像特征，所述concat层用于对特征进行拼接，所述sigmoid层用于进行分类；不同层级的浅层分类器的卷积核大小和个数不同。4.根据权利要求1所述的动态神经网络的武装人员装备检测方法，其特征在于，对各图像进行人员和装备标注，形成装备检测数据集，包括：采用标注框对武装人员图像中的人员和装备进行标注；对标注后的图像采用标注框尺度扭曲、标注框镜像翻转、图像随机缩放、图像随机裁剪和/或图像随机排布进行数据集增强，得到增强后的数据集，将增强前的数据集与增强后的数据集作为装备检测数据集。5.根据权利要求4所述的动态神经网络的武装人员装备检测方法，其特征在于，所述第二子网络的预测框损失函数为：其中，dis_2表示预测框与标注框的中心点的欧氏距离，dis_C表示预测框与标注框的最小外接矩形的对角线距离，IOU表示预测框和标注框的交并比。6.根据权利要求1所述的动态神经网络的武装人员装备检测方法，其特...

【专利技术属性】
技术研发人员：赵小川，董忆雪，王子彻，樊迪，徐凯，邵佳星，何云峰，
申请(专利权)人：中国兵器工业计算机应用技术研究所，
类型：发明
国别省市：