一种轻量化小目标检测方法技术

一种轻量化小目标检测方法，通过对待检测图像进行增强、缩小、内嵌到增强图像中，再采用基于RetinaTarget的小目标检测网络进行目标检测，可实现对近距离大目标和远距离小目标的同时检测。本发明专利技术具有延时短、小目标检测准确率高、近距离大目标和远距离小目标可同时进行实时检测的特点，可广泛用于智能车、机器人、智能头盔领域的人/车/无人机等目标检测。能头盔领域的人/车/无人机等目标检测。能头盔领域的人/车/无人机等目标检测。

【技术实现步骤摘要】
一种轻量化小目标检测方法


[0001]本专利技术属于计算机视觉、模式识别和目标检测
，具体涉及一种轻量化小目标检测方法。

技术介绍

[0002]目标检测是计算机视觉领域一个经典的问题，目标检测可以在图像或视频中，识别特定目标的种类及位置，在智能安防、智能车、机器人等领域都有着广泛的用途。随着深度学习的不断发展，目标检测算法的执行效率越来越高，准确率和速度都发展到了相当高的水平。现有的目标检测算法在照度较高的环境下表现较好，但是在夜间、雾天等恶劣环境下性能受限，难以同时兼顾检测近距离大目标和远距离小目标。

技术实现思路

[0003]针对上述问题，专利技术人经过探索和研究，目的是提出一种轻量化小目标检测方法，可实现对近距离大目标和远距离小目标的同时检测。
[0004]本专利技术为实现其目的所采取的技术方案是:一种轻量化小目标检测方法，包括如下步骤：步骤1：先对输入待检测图像进行增强处理，生成增强后图像；步骤2：再对增强后图像缩小操作，生成小图像，并把小图像内嵌到增强后图像中生成内嵌图像，一般位于左上角或右上角；步骤3：最后对内嵌图像采用基于RetinaTarget的小目标检测网络生成所有目标信息，目标信息包括：锚框坐标、大小、分类、置信度；步骤4：将内嵌图像中所有目标信息，包括小图像中检测到的目标，一一映射回步骤1增强后图像中的目标，从而实现近距离大目标和远距离小目标的同时检测。
[0005]进一步地，所述的增强处理包括图像去噪、Gamma校正、直方图均衡增强、边缘增强。
[0006]进一步地，所述的图像缩小，可采用最近邻、线性插值或双线性插值等常规图像缩放方法对增强后图像进行水平和垂直方向等比例的缩小，生成缩小后的小图像，缩小倍数为4~36倍。
[0007]进一步地，所述的一一映射是指一方面将内嵌图像中小图像检测到的目标，映射回缩小前的增强后图像中的近距离大目标，另一方面将内嵌图像中非小图像区域检测到的目标一对一映射到增强后图像中的远距离小目标上。
[0008]本专利技术创造的有益效果是：采用上述技术方案，通过对待检测图像进行增强、缩小、内嵌到增强图像中进行同时目标检测，可实现对近距离大目标和远距离小目标的同时检测。本专利技术具有延时短、小目标检测准确率高、适合近距离大目标检测、可实时检测的特点，不仅可适用于人、车、无人机等目标检测，也适用于其它运动物体的快速检测，可广泛用于智能车、机器人、智能头盔等领域的目标检测。
附图说明
[0009]图1是本专利技术一种轻量化小目标检测方法的流程示意图;图2是本专利技术一种轻量化小目标检测方法中的一种内嵌图像示意图;图3是本专利技术一种轻量化小目标检测方法中的基于RetinaTarget的小目标检测网络结构示意图;图4是本专利技术一种轻量化小目标检测方法中的一种可视化Attention
‑
FPN实现流程图；图5是本专利技术一种轻量化小目标检测方法中的一一映射状态示意图。
具体实施方式
[0010]下面结合附图对本专利技术作进一步的描述，其步骤和优点将更加清楚。
[0011]参看图1，一种轻量化小目标检测方法，包括如下步骤：步骤1：先对输入待检测图像进行增强处理，生成增强后图像；所述的增强处理包括图像去噪、Gamma校正、直方图均衡增强、边缘增强；增强后图像中目标特征将更为显著，有利于提高后续目标检测的准确率。
[0012]步骤2：再对增强后图像缩小操作，生成小图像，并把小图像内嵌到增强后图像中生成内嵌图像，一般位于左上角或右上角；所述的图像缩小，可采用最近邻、线性插值或双线性插值等常规图像缩放方法对增强后图像进行水平和垂直方向等比例的缩小，生成缩小后的小图像，缩小倍数为4~36倍，跟待检测图像的原始分辨率有关。
[0013]参看图2，所述的小图像需内嵌回增强后图像，生成内嵌图像；小图像在内嵌图像中的位置可移动，一般位于左上角或右上角。
[0014]步骤3：最后对内嵌图像采用基于RetinaTarget的小目标检测网络生成所有目标信息，目标信息包括：锚框坐标、大小、分类、置信度；所述的小目标一般针对人、车、无人机等小目标，也可以用于其它运动或静止的目标物体；其采用的数据训练集与拟检测的小目标有关。
[0015]所述的小目标检测算法，属于通用目标检测中的子任务，可以沿用目标检测中的经典模型。通用目标检测算法主要有两种类型：单阶段以YOLO、SSD为代表，模型简单，速度更快，更适合落地应用；双阶段以Faster R
‑
CNN为代表，模型更复杂，精度更高但是速度较慢。目标检测算法从是否需要先验锚框又可以分为基于先验Anchor
‑
base和不基于锚框Anchor
‑
free两种，在Anchor
‑
free系列算法中，最具有代表性的为CenterNet。
[0016]本专利技术考虑到轻量化部署需求，设计实现了一种基RetinaTarget的小目标检测方法，其属于单阶段目标检测网络，可适用于本专利技术的轻量化小目标检测任务。
[0017]所述的基于RetinaTarget的小目标检测网络结构借RetinaFace框架的基础上，对其中的许多模块都进行了改进和升级，具体而言在于引入更多的轻量级网络作为骨干网络，改进了特征金字塔Feature Pyramid Networks，FPN，改变了正负样本生成策略，简化Neck部分，以及尝试不同的损失函数等工作。
[0018]参看图3，基于RetinaTarget的小目标检测网络符合目标检测算法中的Backbone、Neck、Head经典设计流程，其网络结构主要包含三个主要部分：
1）用于特征提取的骨干网络，通常称作backbone。
[0019]2）特征处理融合模块FPN,也被称作网络的neck模块。
[0020]3）回归头部分，通常称为head模块，用于从经过neck模块处理后的特征中回归出目标的具体类别，坐标等信息。
[0021]参看图3，基于RetinaTarget的小目标检测网络对小目标检测的处理过程分为三步：第一步：先验锚框anchor的生成以及锚框和目标框Ground Truth，GT的匹配。所有单阶段基于先验锚框的目标检测算法的基本原理可以概括为针对原图的密集采样后的分类和回归，所以生成锚框是必不可少的一步，虽然锚框的几何意义是相对于原图而言，但是其具体生成是需要结合特征图来进行的。对于这里的RetinaTarget，会保留网络中的三层特征图，相对于原图的下采样比例分别是1/8、1/16、1/32。
[0022]结合本专利技术小目标图像数据集特点以及对速度的考虑，一种实例下，输入的图像原图大小被限定为224x224，那么三层特征图的尺度分别为28x28、14x14、7x7，其中的每一层特征图上的每一个像素点都分别对应了原图上8x8、16x16、32x32的一块区域。对于传统的Faster R
‑
CNN、SSD、RetinaN本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轻量化小目标检测方法，其特征在于，包括如下步骤：步骤1：先对输入待检测图像进行增强处理，生成增强后图像；步骤2：再对增强后图像缩小操作，生成小图像，并把小图像内嵌到增强后图像中生成内嵌图像，一般位于左上角或右上角；步骤3：最后对内嵌图像采用基于RetinaTarget的小目标检测网络生成所有目标信息，目标信息包括：锚框坐标、大小、分类、置信度；步骤4：将内嵌图像中所有目标信息，包括小图像中检测到的目标，一一映射回步骤1增强后图像中的目标，从而实现近距离大目标和远距离小目标的同时检测。2.如权利要求1所述的一种轻量化小目标检测方法，其特...

【专利技术属性】
技术研发人员：童飞飞，葛晨阳，李辉，谢艳梅，杨亚林，张仁洁，王梅，黄保山，
申请(专利权)人：河南中光学集团有限公司，
类型：发明
国别省市：