[发明专利]一种基于优化候选区域的Faster R-CNN目标检测方法

说明书

本发明公开了一种基于优化候选区域的Faster R‑CNN目标检测方法，该检测方法包含如下优化技术：在Faster R‑CNN网络中增加一个候选区域优化网络，对候选区域生成网络输出的目标候选区域进行目标或背景的二分类判别，排除判别为背景的无效候选区域，可以减少后续目标分类回归网络的计算量。本发明提出的目标检测方法，利用一个候选区域优化网络对Faster R‑CNN算法中的候选区域进行优化，减少候选区域生成网络输出的无效候选区域，在检测准确率基本保持不变的前提下，有效地提高了目标检测的效率。

技术领域

本发明涉及目标检测技术领域，具体涉及一种基于优化候选区域的Faster R-CNN目标检测方法。

背景技术

目标检测，就是从视频或者图像中检测出特定目标。目标检测技术属于计算机视觉领域，该技术特指分析处理目标视觉特征信息，然后对目标进行检测的计算机视觉技术，该技术在军事、视频监控、人机交互等领域有着广泛的应用。

由于目标检测技术具有广泛的应用，当前目标检测在计算机视觉领域占据重要地位。Faster R-CNN目标检测算法中，候选区域生成网络(RPN)输出的候选区域质量不高，存在大量无效的候选区域，这将增加后续目标分类回归网络的计算量和计算时间。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于优化候选区域的Faster R-CNN目标检测方法。

本发明的目的可以通过采取如下技术方案达到：

一种基于优化候选区域的Faster R-CNN目标检测方法，所述检测方法包括下列步骤：

S1、以深度学习CAFFE框架为实现平台，在原始的Faster R-CNN网络中增加一个候选区域优化网络，通过候选区域优化网络构成一个区域二分类器，候选区域优化网络的输入为候选区域生成网络的第一个卷积层输出的特征图和候选区域生成网络输出的目标候选区域，输出为优化的目标候选区域，其中第一个卷积层即特征映射层；

S2、利用卷积特征提取网络对输入图像进行特征提取，生成共享特征图；

S3、利用候选区域生成网络对生成的共享特征图进行处理，生成多种尺度和长宽比的目标候选区域；

S4、候选区域优化网络根据目标候选区域所包含的特征对目标候选区域进行目标/背景的二分类判别，然后排除被判别为背景的无效候选区域，得到优化后的目标候选区域；

S5、目标分类回归网络根据优化后的目标候选区域，从生成的共享特征图中提取区域特征，进行最终的目标类别判别以及目标边界框回归修正。

进一步地，所述候选区域优化网络的输入层为一个区域池化RoIpooling层，输出层为一个Softmax层，中间为若干隐层，所有层级联连接。

进一步地，所述步骤S4过程如下：

候选区域优化网络的区域池化RoIpooling层根据候选区域生成网络输出的目标候选区域，对候选区域生成网络的特征映射层输出的特征图进行区域池化，生成固定大小的区域特征，Softmax层输出每个目标候选区域是否包含目标或背景的2分类概率，最后只输出概率大于预设阈值的目标候选区域，即可排除大部分无效候选区域，得到优化后的目标候选区域。

进一步地，所述检测方法在步骤S2之前，还包括Faster R-CNN网络的训练步骤，过程如下：

使用原始Faster R-CNN算法的训练方法训练一个Faster R-CNN网络，首先利用ImageNet预训练模型参数初始化Faster R-CNN网络的卷积特征提取网络和目标分类回归网络的第1层和第2层网络，对其他层采用零均值，标准差为σ的高斯分布随机初始化，然后对Faster R-CNN网络进行端到端的近似联合训练。