[发明专利]一种基于深度学习和图像处理的小物件检测方法

说明书

本发明涉及图像处理领域，更具体的，涉及一种基于深度学习和图像处理的小物件检测方法，本发明通过把原始Inception模块的5x5的卷积替换为两个3x3的卷积核，保留了更多的细节，同时为了加快训练速度和输出一致性，在每个分支的最后加入了BN，即Batch Normalization,进行批量归一化处理，同时引入残差网络结构，增加准确率，而且本发明采用反卷积增强相邻两层的高层和底层的上下文信息，将上层反卷积的结果与底层卷积曾像素对齐一一相加，得到的新的特征图作为检测的特征图，可以提高对小物体的识别，本发明在不影响传统SSD的高FPS的前提下，提高传统SSD对小物体检测的准确率。

技术领域

本发明涉及图像处理领域，更具体的，涉及一种基于深度学习和图像处理的小物件检测方法。

背景技术

目前，常用的对物体进行检测的算法是SSD，即Single Shot MultiBoxDetection。SSD是一种基于深度学习的端到端的检测框架，它的框架主要分为两个部分：第一部分是位于前端的卷积神经网络(VGG16)，用于对目标进行特征提取，后端是多尺度特征检测网络，将前段网络产生的特征层进行不同尺度条件下的特征提取；然后将Conv4_3,Conv7，Conv8_2，Conv9_2，Conv10_2,Conv11_2各层进行卷积得到坐标位置和置信度得分，最后通过非极大值抑制(non maximum suppression，NMS)得到结果。

但是由于SSD是采用的是多尺度检测的方法，这种方法会减少计算量有很高的FPS，并且由于是在不同尺度的特征图上进行检测，不同尺度的特征图上的卷积感受野就会不同，特别是在高层卷积层，它的感受野就会很大，提取的特征也很抽象，所以对小物体的和细节的检测上很不敏感。

发明内容

为了解决现有技术中SSD检测算法对小物件检测不敏感的不足，本发明提供了一种基于深度学习和图像处理的小物件检测方法。

为实现以上发明目的，采用的技术方案是：

一种基于深度学习和图像处理的小物件检测方法，包括以下步骤：

步骤S1：获取数据集，数据集中包括已标注的物体类别信息和目标框的左上(x_min,y_min)和右下(x_max,y_max)两个点的坐标信息的原始图片，从数据集的训练集中任意选取一张带标签信息的图片，将图片调整到300x300的大小作为输入；

步骤S2：将图片沿着水平(0，150)(300，150)和竖直方向(150，0)(150，300)分割成大小为150x150的4部分P1，P2，P3，P4；另外取以(75，75)(225，75)(75，225)(225，225)为四个顶点坐标的图像作为第5部分P5；

步骤S3：根据每张输入图片带的目标框的左上和右下两个坐标信息(x_min,y_min),(x_max,y_max)判断图片中的物体有没有被分割，并根据物体被分割的情况修改坐标；

步骤S4：运用三次内插法对图片进行插值，使被分割的大小为150x150的5部分图片P1、P2、P3、P4、P5与原始图片300x300的大小相同，并命名为F1，F2，F3，F4，F5，同时将步骤S3得到的修改后的坐标乘以2并进行更新；

步骤S5：对F1，F2，F3，F4，F5五张图片的每一张经VGG16网络提取特征，再用3x3x1024大小的卷积核进行卷积得到大小为19x19x1024的Conv6特征图，再继续用1x1x1024大小的卷积核进行卷积得到大小为19x19x1024的Conv7特征图；