【技术实现步骤摘要】
本专利技术属于智能识别，具体涉及一种轻量化目标检测方法。
技术介绍
1、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一个基础性的算法，对后续的人脸识别、步态识别、人群计数、实例分割等任务起着至关重要的作用。由于深度学习的广泛运用，目标检测算法得到了较为快速的发展。
2、目标在检测过程中可能由于其他物体的出现，导致被遮挡(部分遮挡)，有时甚至会短暂消失(全部遮挡)。这种情况下，目标就只能表现出部分的特征信息，或者几乎丢失全部信息，检测框容易将遮挡物以及背景信息包含在内。当环境的光照强度发生剧烈变化，或目标周边出现较多相似物体，或快速运动导致目标模糊进而相机无法捕捉到目标具体轮廓，这些情况都会造成检测方法无法准确地提取目标特征，最终降低检测的性能。目标的姿态变化是视觉目标检测中常见的干扰问题。体育比赛中的运动员在运动过程中发生姿态上的变化，这会导致他的特征以及外观模型也随之发生改变。如果检测方法不能很好的适应目标姿态上的改变，会很容易造成检测性能下降甚至失败。常见的目标检测神经网络，检测网络基本都有几十层，因为其中包含了经典的图片分类网络或者其改进作为自身的特征提取器，在特征提取器的中再添加自己单独的检测部分，这些目标网络检测模型如此深的层数往往
3、也就是说，相关技术中缺少兼顾轻量化和检测结果准确性的目标检测方法。
技术实现思路
1、为了解决相关技术中存在的上述问题，本专利技术提供了一种轻量化目标检测方法。本专利技术要解决的技术问题通过以下技术方案实现：
2、本专利技术提供一种轻量化目标检测方法，包括：
3、获取待检测视频；
4、根据所述待检测视频获取模板补丁；所述模板补丁为所述待检测目标在所述待检测视频中第一次出现时，所述待检测目标所在的区域；
5、将所述待检测视频和所述模板补丁输入预训练的目标检测模型的特征提取网络，所述特征提取网络通过空洞卷积生成所述模版补丁的模板特征图，以及从所述待检测视频的当前视频帧中截取搜索补丁作为当前搜索补丁，生成所述当前搜索补丁的搜索特征图，将所述模板特征图和所述搜索特征图互相关，得到当前互相关结果；
6、将所述当前互相关结果分别输入所述预训练的目标检测模型的分类分支网络和回归分支网络，所述分类分支网络根据所述当前互相关结果生成分类特征图；所述回归分支网络根据所述当前互相关结果生成多个偏差坐标图，根据所述分类特征图和所述偏差坐标图生成多个针对所述待检测目标的预测框，并从所述多个预测框中筛选出最佳预测框，作为所述当前视频帧的检测框；
7、在得到所述当前视频帧的检测框后，所述预训练的目标检测模型继续根据所述模版补丁确定所述当前视频帧的下一个视频帧的预测框，直至遍历完所述待检测视频的每个视频帧时，完成检测。
8、在一些实施例中，所述特征提取网络包括：初始特征生成网络和空洞卷积网络；所述特征提取网络通过空洞卷积生成所述模版补丁的模板特征图，包括：
9、将所述模版补丁输入所述初始特征生成网络，得到所述模版补丁的初始特征图；
10、将所述模版补丁的初始特征图输入所述空洞卷积网络，经由所述空洞卷积网络对所述初始特征图进行降维和区域截取，得到第一尺寸的模板特征图。
11、在一些实施例中，所述从所述待检测视频的当前视频帧中截取搜索补丁作为当前搜索补丁，生成所述当前搜索补丁的搜索特征图，包括：
12、所述初始特征生成网络将所述待检测视频的当前视频帧中的预设区域，作为当前搜索补丁进行截取，对所述当前搜索补丁进行卷积处理，得到所述当前搜索补丁的第二尺寸的搜索特征图；所述第二尺寸为所述第一尺寸的2倍。
13、在一些实施例中，所述空洞卷积网络包括：第一空洞卷积层和第二空洞卷积层；所述第一空洞卷积层和所述第二空洞卷积层的步长均为1，所述第一空洞卷积层的扩张率为2，所述第二空洞卷积层的扩张率为4。
14、在一些实施例中，所述分类分支网络包括：第一层卷积层、第二层卷积层、第三层卷积层和第四层卷积层；其中，第一层卷积层的卷积核为5×5，第二层卷积层的卷积核为1×1，第三层卷积层的卷积核为3×3，第四层卷积层的卷积核为1×1；第一层卷积层、第二层卷积层、第三层卷积层和第四层卷积层中的每个卷积层后串联一个relu层。
15、在一些实施例中，所述回归分支网络包括：第一层卷积层、第二层卷积层、第三层卷积层和第四层卷积层；其中，第一层卷积层的卷积核为3×3，第二层卷积层的卷积核为1×1，第三层卷积层的卷积核为3×3，第四层卷积层的卷积核为1×1；第一层卷积层、第二层卷积层、第三层卷积层和第四层卷积层中的每个卷积层后串联一个relu层。
16、在一些实施例中，所述在得到所述当前视频帧的检测框后，所述预训练的目标检测模型继续根据所述模版补丁确定所述当前视频帧的下一个视频帧的预测框，直至遍历完所述待检测视频的每个视频帧时，完成检测，包括：
17、在得到所述当前视频帧的检测框后，所述特征提取网络从所述当前视频帧的下一个视频帧中截取搜索补丁作为下一个搜索补丁，生成所述下一个搜索补丁的搜索特征图，将所述模板特征图和所述下一个搜索补丁的搜索特征图互相关，得到下一个互相关结果；
18、将所述下一个互相关结果分别输入所述分类分支网络和所述回归分支网络，所述分类分支网络根据所述下一个互相关结果生成分类特征图，所述回归分支网络根据所述下一个互相关结果生成多个偏差坐标图，根据所述分类特征图和所述偏差坐标图生成多个针对所述待检测目标的预测框，并从所述多个预测框中筛选出最佳预测框，作为所述下一个视频帧的检测框；
19、在得到所述下一个视频帧的检测框后，所述预训练的目标检测模型继续根据所述模版补丁确定所述下一个视频帧的后一个视频帧的预测框，直至遍历完所述待检测视频的每个视频帧时，完成检测。
20、在一些实施例中，所述待检测视频中第一次出现所述待检测目标的视频帧中带有标签，所述标签用于标识所述待检测目标所在的区域；所述根据所述待检测视频获取模板补丁，包括：
21、根据所述标签，从所述待检测视频中第一次出现所述待检测目标的视频帧中截取出所述待检测目标所在的区域；
22、将截取出的区域作为所述待检测目标的模版补丁。
23、本专利技术具有如下有益技术效果：
24、本专利技术由于使用了相应地目标本文档来自技高网...
【技术保护点】
1.一种轻量化目标检测方法，其特征在于，包括：
2.根据权利要求1所述的轻量化目标检测方法，其特征在于，所述特征提取网络包括：初始特征生成网络和空洞卷积网络；所述特征提取网络通过空洞卷积生成所述模版补丁的模板特征图，包括：
3.根据权利要求2所述的轻量化目标检测方法，其特征在于，所述从所述待检测视频的当前视频帧中截取搜索补丁作为当前搜索补丁，生成所述当前搜索补丁的搜索特征图，包括：
4.根据权利要求2所述的轻量化目标检测方法，其特征在于，所述空洞卷积网络包括：第一空洞卷积层和第二空洞卷积层；所述第一空洞卷积层和所述第二空洞卷积层的步长均为1，所述第一空洞卷积层的扩张率为2，所述第二空洞卷积层的扩张率为4。
5.根据权利要求1所述的轻量化目标检测方法，其特征在于，所述分类分支网络包括：第一层卷积层、第二层卷积层、第三层卷积层和第四层卷积层；其中，第一层卷积层的卷积核为5×5，第二层卷积层的卷积核为1×1，第三层卷积层的卷积核为3×3，第四层卷积层的卷积核为1×1；第一层卷积层、第二层卷积层、第三层卷积层和第四层卷积层中的每个卷积层后串
6.根据权利要求1所述的轻量化目标检测方法，其特征在于，所述回归分支网络包括：第一层卷积层、第二层卷积层、第三层卷积层和第四层卷积层；其中，第一层卷积层的卷积核为3×3，第二层卷积层的卷积核为1×1，第三层卷积层的卷积核为3×3，第四层卷积层的卷积核为1×1；第一层卷积层、第二层卷积层、第三层卷积层和第四层卷积层中的每个卷积层后串联一个ReLU层。
7.根据权利要求1所述的轻量化目标检测方法，其特征在于，所述在得到所述当前视频帧的检测框后，所述预训练的目标检测模型继续根据所述模版补丁确定所述当前视频帧的下一个视频帧的预测框，直至遍历完所述待检测视频的每个视频帧时，完成检测，包括：
8.根据权利要求1所述的轻量化目标检测方法，其特征在于，所述待检测视频中第一次出现所述待检测目标的视频帧中带有标签，所述标签用于标识所述待检测目标所在的区域；所述根据所述待检测视频获取模板补丁，包括：
...【技术特征摘要】
1.一种轻量化目标检测方法，其特征在于，包括：
2.根据权利要求1所述的轻量化目标检测方法，其特征在于，所述特征提取网络包括：初始特征生成网络和空洞卷积网络；所述特征提取网络通过空洞卷积生成所述模版补丁的模板特征图，包括：
3.根据权利要求2所述的轻量化目标检测方法，其特征在于，所述从所述待检测视频的当前视频帧中截取搜索补丁作为当前搜索补丁，生成所述当前搜索补丁的搜索特征图，包括：
4.根据权利要求2所述的轻量化目标检测方法，其特征在于，所述空洞卷积网络包括：第一空洞卷积层和第二空洞卷积层；所述第一空洞卷积层和所述第二空洞卷积层的步长均为1，所述第一空洞卷积层的扩张率为2，所述第二空洞卷积层的扩张率为4。
5.根据权利要求1所述的轻量化目标检测方法，其特征在于，所述分类分支网络包括：第一层卷积层、第二层卷积层、第三层卷积层和第四层卷积层；其中，第一层卷积层的卷积核为5×5，第二层卷积层的卷积核为1×1，第三层卷积层的卷积核为3×3，第四层卷积层的卷积核为1×1...
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。