【技术实现步骤摘要】
本专利技术涉及计算机视觉，具体为基于协同显著性的视觉小目标检测方法。
技术介绍
1、图像显著目标检测是计算机视觉领域的热门研究方向之一。一方面，随着场景的复杂化，仅利用单幅图像的信息很难准确地检测出显著性目标；另一方面，信息获取手段的多样化使得利用更全面的场景信息进行显著目标检测成为可能。
2、随着深度学习方法的快速发展，目标检测作为计算机视觉领域中最基本、最具有挑战性的任务之一，已取得了令人瞩目的进展。现有的算法大多针对于具有一定尺寸或比例的大中型目标，但由于待测目标尺寸小、特征弱等原因，对小目标的检测性能还远远不能令人满意。
3、小目标检测作为一种广泛应用于室外远程拍摄和航空遥感场景的技术，近年来受到了广泛的关注，各种方法层出不穷，但是检测的精度均不够高，主要体现为：
4、首先，当前的目标检测算法大多针对于自然场景中分布较为稀疏的中大型目标，针对小目标的检测处理效率低、推断速度慢，不适用于实时性要求高的检测任务；
5、其次，用于观察监测小目标的拍摄工具存在种种困难，与自然场景下的图像相比，小目标的拍摄受到的干扰较大，复杂背景下甚至难以区分，而且目前的图形识别算法有待提高，小目标图像显示放大后清晰度不够，很容易出现外观模糊的情况。
技术实现思路
1、本专利技术的目的在于提供基于协同显著性的视觉小目标检测方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：基于协同显著性的视觉小目标检测方
3、(1)首先进行图像信息的学习，摄像机预先拍摄多组待观察目标的照片，并使每一组的拍摄处于离目标位置不同距离的直线上，同时确保每一组相机所处的距离差相同，输入至学习算法网络中；
4、(2)对特定组的待测目标图片进行导入，分别为某特定目标在同一视角下不同距离拍摄的显示情况，引用注意力机制，按照注意力作用于特征图的形式，得到多组不同距离的显著性图；
5、(3)对待测目标的近景进行拍摄，将其定义为一个方体框图，分别从前后左右上下六个方位进行拍摄，计算各个视角图像的显著图，并分别得到各个方位的不同显著图；为避免提供给网络学习的信息不足，导致模型对小目标的检测精度较低，因此通常对训练数据集中的样本进行数据扩充以增加小目标的数量，提高网络对小目标的拟合能力，
6、(4)根据显著性检测结果对多组同一待测目标的显著图进行组合，构建具有细节特征和丰富语义信息的特征表示；将小目标拷贝并在一定范围内进行尺度和角度的随机变换，之后粘贴在图像中不同位置上以增加训练过程中小目标的匹配情况，并提高小目标位置的多样性，促使模型更加关注小目标，
7、(5)对图像组提取特征，将其拼接后送入提取相关特征的网络模块，然后将该模块的输出又分别进行拼接，继续送入一组卷积-反卷积层，利用图像组的结果图与对应真值图的均方误差的总和作为损失函数来训练神经网络。
8、(6)根据上述的识别特征，将同一待测物体的不同距离和方位图片，进行学习，初步生成目标候选区域的特征融合，对特征图做逐元素相加，生成的特征图用于预测不同尺度的目标；
9、(7)利用神经网络对待测物体不同距离、方位的图片进行有效学习，将待测目标图像进行边缘化消除，并形成封闭区域，将远距离拍摄的目标图进行清晰的描边显示，以模拟出现实情况下，随机方位拍摄小目标的图片能被识别。
10、(8)对上述显著性图进行二值化处理，输出目标检测结果。
11、优选的，所述步骤(1)中，拍摄的待测目标为静止状态，同时保证每一组照片中的待测目标之外，均作背景虚化处理，待测目标的图像特征保留了图像边缘、轮廓和纹理的细节信息，同时保留了有利于目标分类的更加抽象的语义信息。
12、优选的，所述步骤(2)中，引用的注意力机制是对目标区域的特征加以权重，使特征提取网络有选择性地关注包含重要信息的目标区域，同时抑制其他无关信息。
13、优选的，所述步骤(2)中，通过级联的注意力模型逐步提取目标区域并生成注意力感知的卷积特征来指导特征学习的过程，突出显示与目标相关的特征并抑制背景的干扰。
14、优选的，所述步骤(3)中，拍摄的视角包括但不限于左下、左上、右上和右下的方位，根据待测物体特征的复杂情况以及可能受到的误分析情况决定待测目标的视角拍摄方位的多少。
15、优选的，所述步骤(4)中，采用双线性插值法对多组特征图做元素级别的相加，增强网络对多尺度特征的提取能力，并引入注意力机制对特征图的通道进行加权，以指导不同层级信息之间的融合。
16、优选的，所述步骤(6)中，神经网络提取具有代表性的多级多尺度特征，将相同尺度的特征图进行拼接并引入通道注意力机制以获得更有效的特征表示。
17、优选的，所述步骤(7)中，神经网络中包含大量同一物体的不同距离、方位的清晰描边信息，以供实际场景下特征识别的信息调用。
18、优选的，所述步骤(7)中，将模糊的远距离小目标的采样操作，生成超分辨率图像，通过多任务网络，区分真实图像与超分辨率图像的差别，并输出类别得分和边界框回归偏移量。
19、与现有技术相比，本专利技术的有益效果如下：
20、本专利技术将自然场景中的小目标进行集中收集，并通过相应的神经网络进行学习，在不同观察距离的前提下，对待测目标进行注意力集中判断，辅助远距离目标的图像清晰化描边，使得在视觉追踪任务下，能够以最快的速度确定待观测目标，针对小目标的检测处理速度得到有效提高；同时又借助神经网络对待测目标不同方位的学习，生成不同方位的目标图数据库，配合算法进行特征识别，筛除目标物的复杂背景，判断某个特定方位下，某种形状为待测目标的可能性，并对其进行有效检测。
本文档来自技高网...【技术保护点】
1.基于协同显著性的视觉小目标检测方法，其特征在于，其方法包括如下步骤：
2.根据权利要求1所述的基于协同显著性的视觉小目标检测方法，其特征在于：所述步骤(1)中，拍摄的待测目标为静止状态，同时保证每一组照片中的待测目标之外，均作背景虚化处理，待测目标的图像特征保留了图像边缘、轮廓和纹理的细节信息，同时保留了有利于目标分类的更加抽象的语义信息。
3.根据权利要求1所述的基于协同显著性的视觉小目标检测方法，其特征在于：所述步骤(2)中，引用的注意力机制是对目标区域的特征加以权重，使特征提取网络有选择性地关注包含重要信息的目标区域，同时抑制其他无关信息。
4.根据权利要求1所述的基于协同显著性的视觉小目标检测方法，其特征在于：所述步骤(2)中，通过级联的注意力模型逐步提取目标区域并生成注意力感知的卷积特征来指导特征学习的过程，突出显示与目标相关的特征并抑制背景的干扰。
5.根据权利要求1所述的基于协同显著性的视觉小目标检测方法，其特征在于：所述步骤(3)中，拍摄的视角包括但不限于左下、左上、右上和右下的方位，根据待测物体特征的复杂情况以
6.根据权利要求1所述的基于协同显著性的视觉小目标检测方法，其特征在于：所述步骤(4)中，采用双线性插值法对多组特征图做元素级别的相加，增强网络对多尺度特征的提取能力，并引入注意力机制对特征图的通道进行加权，以指导不同层级信息之间的融合。
7.根据权利要求1所述的基于协同显著性的视觉小目标检测方法，其特征在于：所述步骤(6)中，神经网络提取具有代表性的多级多尺度特征，将相同尺度的特征图进行拼接并引入通道注意力机制以获得更有效的特征表示。
8.根据权利要求1所述的基于协同显著性的视觉小目标检测方法，其特征在于：所述步骤(7)中，神经网络中包含大量同一物体的不同距离、方位的清晰描边信息，以供实际场景下特征识别的信息调用。
9.根据权利要求1所述的基于协同显著性的视觉小目标检测方法，其特征在于：所述步骤(7)中，将模糊的远距离小目标的采样操作，生成超分辨率图像，通过多任务网络，区分真实图像与超分辨率图像的差别，并输出类别得分和边界框回归偏移量。
...【技术特征摘要】
1.基于协同显著性的视觉小目标检测方法，其特征在于，其方法包括如下步骤：
2.根据权利要求1所述的基于协同显著性的视觉小目标检测方法，其特征在于：所述步骤(1)中，拍摄的待测目标为静止状态，同时保证每一组照片中的待测目标之外，均作背景虚化处理，待测目标的图像特征保留了图像边缘、轮廓和纹理的细节信息，同时保留了有利于目标分类的更加抽象的语义信息。
3.根据权利要求1所述的基于协同显著性的视觉小目标检测方法，其特征在于：所述步骤(2)中，引用的注意力机制是对目标区域的特征加以权重，使特征提取网络有选择性地关注包含重要信息的目标区域，同时抑制其他无关信息。
4.根据权利要求1所述的基于协同显著性的视觉小目标检测方法，其特征在于：所述步骤(2)中，通过级联的注意力模型逐步提取目标区域并生成注意力感知的卷积特征来指导特征学习的过程，突出显示与目标相关的特征并抑制背景的干扰。
5.根据权利要求1所述的基于协同显著性的视觉小目标检测方法，其特征在于：所述步骤(3)中，拍摄的视角包括但不限于左下、左上、右上和右下的方位，根据待测物...
【专利技术属性】
技术研发人员：赵彦春，李福生，鲁欣，万优，
申请(专利权)人：电子科技大学长三角研究院湖州，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。