[发明专利]一种基于深度学习的高精度快速单类目标检测方法

权利要求书

1.一种基于深度学习的高精度快速单类目标检测方法，其特征在于，包括如下步骤：步骤一）设计神经网络：确定目标物的特性，所述特性包括：目标物是刚体或非刚体，目标物自成一体或作某个更大物体的一部分;确定在应用场景中该目标物的尺寸变化范围，根据目标物的特性和目标物的尺寸变化范围确定不同尺寸下神经元感受野需要覆盖的范围，再设计出特定深度的神经网络结构;所述步骤一）中，根据目标物在应用场景中出现的方式和距离，统计得到其尺寸变化的范围，以像素来记；

步骤二）神经网络的训练：搜集目标场景中包含有目标物体的图像数据并对每幅图像中的目标物进行标注，将标记后的图像数据作为网络学习的目标；执行标准的神经网络训练流程；

步骤三）神经网络训练完毕后，将测试的场景图像输入给神经网络，根据神经网络的输出即可定位目标。

2.如权利要求1所述的一种基于深度学习的高精度快速单类目标检测方法，其特征在于，所述步骤一）中，根据目标物的特性和目标物的尺寸变化范围确定神经网络的深度，同时选择网络的输出层，每个输出层将负责一个小范围尺度的目标，每个神经元的感受野将大于这个小范围尺度的上限；负责偏小范围的输出层偏浅层，负责大范围的输出层偏高层，使所有输出层的尺度组合后满足实际场景所需；采用残差网络结构作为神经网络的主干结构，对每一层的网络参数设置根据任务的复杂程度进行设定。

3.如权利要求1所述的一种基于深度学习的高精度快速单类目标检测方法，其特征在于，所述步骤二）中还搜集不包含目标物的纯场景图像。

4.如权利要求1所述的一种基于深度学习的高精度快速单类目标检测方法，其特征在于，所述步骤二）中采用人工的方式对每幅图像数据中的目标物进行标注；标注的方式为使用矩形框将目标物紧包，记录下矩形框在图像中的位置信息。

5.如权利要求1所述的一种基于深度学习的高精度快速单类目标检测方法，其特征在于，所述步骤二）中将所有的标注后的图像数据划分成两个部分：训练数据集和验证数据集；采用随机梯度下降算法使用训练数据集对神经网络进行训练；使用验证数据集在训练中阶段性地测试网络，查验网络是否已经训练完成。

6.如权利要求1所述的一种基于深度学习的高精度快速单类目标检测方法，其特征在于，所述步骤三）中，使用步骤二）中得到训练好的神经网络，以待检图像作为网络的输入，得到多个尺度下多个目标候选区域；使用非极大抑制的方法过滤多余的目标候选区域，最终得到确定的目标候选区域，即完成目标检测任务。