【技术实现步骤摘要】
本专利技术涉及小物体检测，特别涉及一种基于深度学习精确检测小物体的目标检测方法及系统。
技术介绍
1、在火车站候车大厅，行人匆忙，身边携带有大量的行李，如果是大件行李，由于目标巨大，不管是肉眼还设摄像机都很容易识别，寻找到的概率较大；但是对于一些小物体或者微小物体，例如:身份证、车钥匙、家门钥匙或者蓝牙耳机；由于不容易识别，寻找难度较大，往往会丢三落四。
2、例如：在乘坐火车需要使用身份证，故身份证需要多次取出和放回，导致容易丢失，遗落在火车站。但在人潮汹涌的火车站再寻找回小小的身份证何其艰难。为了解决这一问题，研究出一种能精确检测小物体掉落的目标检测方法是有必要，在掉落时准确识别记录，并通过人工不断跟踪寻找或者软件自动寻找；便能轻松寻回。
3、随着深度学习和计算机视觉的快速发展，越来越多的目标检测方法出现，例如：基于分类的目标检测算法精度较高，但速度较慢；基于回归的目标检测算法采用端到端训练方法，在检测速度上有很大优势；深度模糊哈希网络和对抗网络可用于提取语义特征。但是这些技术应用于此还是存在不少问题，现有的检测目标小，网络的参数量大，不便于模型部署，目标检测的准确率，网络收敛速度慢。
技术实现思路
1、本专利技术的目的在于克服现有技术中对小物体检测精度和准确度较低的缺陷，提供一种基于深度学习精确检测小物体的目标检测方法及系统，可以提升对监控中小物体的检测精度和准确率，使得小物体能及时寻回，避免更大的损失。
2、为实现上述目的，本专利技术提供了
3、步骤s1：从监控摄像头上获取具有小物体的图片，并对图片进行预处理获得主要的特征数据；
4、步骤s2：将预处理的特征图送入主干网络中进行特征提取，并引入空间注意力机制，提高对小物体的感知能力，提取出多层特征图；
5、步骤s3：同时采用非对称交叉卷积，减少图像垂直或水平翻转的影响，提高小物体识别精度；
6、步骤s4：将经过主干网络提取的多层特征图送入目标检测网络中，目标检测网络采用特征金字塔网络fpn；
7、步骤s5：根据损失函数的结果对候选框的位置进行修正，同时利用非极大值抑制nms来剔除掉重叠的边界框，进而输出检测结果。
8、作为优选的，所述步骤s2中，在主干网络darknet-19中的第10层和第15层引入了空间注意力模块，形成新的主干网络，所述新的主干网络能够保证在轻量级的前提下，使网络更加关注图像中的重要区域，从而提高对关键特征的感知，更为有效地提取出多层特征图。
9、作为优选的，所述步骤s2中，引入了空间注意力模块应用于特征图的建模，建立有效的依赖关系；在这个过程中，采用了卷积层来提取图像的特征，以捕获通道间的依赖性。
10、作为优选的，所述步骤s2中，激活函数方面采用mish激活函数；
11、mish激活函数是可微的，而且它的导数在绝大多数输入范围内都是非零的，这有助于梯度的传播，使得在反向传播过程中更容易进行优化，并且其在接近零的区域对输入的激活较小，具有稀疏性，有助于网络更好地处理稀疏输入和学习稀疏特征；mish激活函数如下：
12、f(x)＝x*tanh(softplus(x))
13、其中；x是激活变量。
14、作为优选的，所述步骤s3中，参考二维卷积可加性可知，先把训练模型中的卷积核被替换为三个并行卷积核；三个卷积核的输出逐像素相加，成为新的特征图；再将两个非对称卷积核分支的参数以交叉的形式叠加到3×3的卷积核上，称为非对称交叉卷积；如方程式所示：对于输入特征图i，先将a与i进行卷积，然后将b与i进行卷积；然后将卷积结果相加以产生最终结果；公式如下：
15、
16、非对称交叉卷积引入了不对称的核来捕捉输入数据中的不同方向的特征；非对称交叉卷积则允许核在水平和垂直方向上具有不同的权重；非对称交叉卷积能够更灵活地捕捉输入数据中不同方向的特征，这在处理一些复杂的图像模式或方向性特征时可能更为有效；此外，非对称交叉卷积可以减少图像垂直或水平翻转的影响，增强目标检测模型的鲁棒性。
17、作为优选的，所述步骤s4中，目标检测网络采用了特征金字塔网络fpn，构建了三个预测分支，多个预测分支的设计使得目标检测网络能够更好地处理不同尺度和层次的目标，提高对复杂场景中小目标的检测能力；特征金字塔网络fpn通过自顶向下的路径之间建立横向连接，将高层的语义信息注入到低层，以获得更丰富的多尺度特征；特征金字塔网络fpn在不同层次的特征图上进行目标检测，从而提高了检测性能；此检测网络基于锚点来生成预测边界框，可进行多尺度的检测和减少计算量。
18、作为优选的，所述步骤s4中，对于特征图中的每个像素，对其用九个锚点来进行定义，其宽度和高度分别表示为(wa，ha)；运用等式，将网络输出(xp，yp，wp，hp)转变为预测边界框；准确地提取特征，以适应对各种尺寸物体的有效检测；等式如下：
19、
20、
21、xb＝tanh(xp)+xc
22、yb＝tanh(yp)+yc
23、其中(xb,yb,wb,hb)分别表示边界框的中心坐标、宽度和高度；而(xc,yc)则表示特征图对应的原始图像网格的左上角坐标；对于每个预测边界框的逻辑回归，先是计算其置信度，并用逻辑分类器进行类别的预测；融合三个分支的输出，然后使用nms来剔除掉多余的边界框，得到更为精确的小物体目标检测结果。
24、作为优选的，所述步骤s5中，所述损失函数使用多任务损失函数，所述多任务损失函数对模型进行训练；多任务损失函数能够使模型学习到更具有通用性的表示；通过共享底层网络层，模型可以从多个任务中受益，提高对输入数据的抽象表示，有助于更好地捕捉输入数据的共同特征；并且在训练过程中，模型被要求同时优化多个任务，这有助于提高模型的泛化能力和使模型更能全面地处理数据，模型在处理数据上达到更好的效果。
25、本专利技术还提供了一种基于深度学习精确检测小物体的目标检测系统，其特征在于：包括上述所述的一种基于深度学习精确检测小物体的目标检测方法；
26、还包括：数据采集模块；所述数据采集模块根据周围摄像头或者监控系统，获得具有小物体的图片；
27、数据预处理模块，与数据采集模块连接，对具有小物体的图片进行预处理获得主要的特征数据；
28、特征提取模块，与数据预处理模块连接，将预处理的特征图送入主干网络中进行特征提取，并引入空间注意力机制，提高对小物体的感知能力，提取出多层特征图；
29、卷积模块，与特征提取模块连接，采用非对称交叉卷积，减少图像垂直或水平翻转的影响，提高小物体识别精度；
30、目标检测模块，与卷积模块连接，将经过主干网络提取的多层特征图送入目标检测网络中，目标检测网络采用特征金字塔网络fpn；
本文档来自技高网...【技术保护点】
1.一种基于深度学习精确检测小物体的目标检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于深度学习精确检测小物体的目标检测方法，其特征在于：所述步骤S2中，在主干网络DarkNet-19中的第10层和第15层引入了空间注意力模块，形成新的主干网络，所述新的主干网络能够保证在轻量级的前提下，使网络更加关注图像中的重要区域，从而提高对关键特征的感知，更为有效地提取出多层特征图。
3.根据权利要求2所述的一种基于深度学习精确检测小物体的目标检测方法，其特征在于：所述步骤S2中，引入了空间注意力模块应用于特征图的建模，建立有效的依赖关系；在这个过程中，采用了卷积层来提取图像的特征，以捕获通道间的依赖性。
4.根据权利要求3所述的一种基于深度学习精确检测小物体的目标检测方法，其特征在于：所述步骤S2中，激活函数方面采用Mish激活函数；
5.根据权利要求1所述的一种基于深度学习精确检测小物体的目标检测方法，其特征在于：所述步骤S3中，参考二维卷积可加性可知，先把训练模型中的卷积核被替换为三个并行卷积核；三个卷积核的输出逐像
6.根据权利要求1所述的一种基于深度学习精确检测小物体的目标检测方法，其特征在于：所述步骤S4中，目标检测网络采用了特征金字塔网络FPN，构建了三个预测分支，多个预测分支的设计使得目标检测网络能够更好地处理不同尺度和层次的目标，提高对复杂场景中小目标的检测能力；特征金字塔网络FPN通过自顶向下的路径之间建立横向连接，将高层的语义信息注入到低层，以获得更丰富的多尺度特征；特征金字塔网络FPN在不同层次的特征图上进行目标检测，从而提高了检测性能；此检测网络基于锚点来生成预测边界框，可进行多尺度的检测和减少计算量。
7.根据权利要求6所述的一种基于深度学习精确检测小物体的目标检测方法，其特征在于：所述步骤S4中，对于特征图中的每个像素，对其用九个锚点来进行定义，其宽度和高度分别表示为(wa，ha)；运用等式，将网络输出(xp，yp，wp，hp)转变为预测边界框；准确地提取特征，以适应对各种尺寸物体的有效检测；等式如下：
8.根据权利要求1所述的一种基于深度学习精确检测小物体的目标检测方法，其特征在于：所述步骤S5中，所述损失函数使用多任务损失函数，所述多任务损失函数对模型进行训练；多任务损失函数能够使模型学习到更具有通用性的表示；通过共享底层网络层，模型可以从多个任务中受益，提高对输入数据的抽象表示，有助于更好地捕捉输入数据的共同特征；并且在训练过程中，模型被要求同时优化多个任务，这有助于提高模型的泛化能力和使模型更能全面地处理数据，模型在处理数据上达到更好的效果。
9.一种基于深度学习精确检测小物体的目标检测系统，其特征在于：包括权利要求1至8任意一项所述的一种基于深度学习精确检测小物体的目标检测方法；
...【技术特征摘要】
1.一种基于深度学习精确检测小物体的目标检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于深度学习精确检测小物体的目标检测方法，其特征在于：所述步骤s2中，在主干网络darknet-19中的第10层和第15层引入了空间注意力模块，形成新的主干网络，所述新的主干网络能够保证在轻量级的前提下，使网络更加关注图像中的重要区域，从而提高对关键特征的感知，更为有效地提取出多层特征图。
3.根据权利要求2所述的一种基于深度学习精确检测小物体的目标检测方法，其特征在于：所述步骤s2中，引入了空间注意力模块应用于特征图的建模，建立有效的依赖关系；在这个过程中，采用了卷积层来提取图像的特征，以捕获通道间的依赖性。
4.根据权利要求3所述的一种基于深度学习精确检测小物体的目标检测方法，其特征在于：所述步骤s2中，激活函数方面采用mish激活函数；
5.根据权利要求1所述的一种基于深度学习精确检测小物体的目标检测方法，其特征在于：所述步骤s3中，参考二维卷积可加性可知，先把训练模型中的卷积核被替换为三个并行卷积核；三个卷积核的输出逐像素相加，成为新的特征图；再将两个非对称卷积核分支的参数以交叉的形式叠加到3×3的卷积核上，称为非对称交叉卷积；如方程式所示：对于输入特征图i，先将a与i进行卷积，然后将b与i进行卷积；然后将卷积结果相加以产生最终结果；公式如下：
6.根据权利要求1所述的一种基于深度学习精确检测小物体的目标检测方法，其特征在于：所述步骤s4中，目标检测网络采...
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。