[发明专利]一种图像目标检测方法及装置

说明书

本发明公开了一种图像目标检测方法及装置，方法包括：S1.在特征提取网络中，获取其中至少2个阶段的输出数据，并对所述输出数据进行融合，生成超特征图；S2.通过目标候选区域提取网络对所述超特征图进行候选区域提取，得到目标候选区域；S3.在所述超特征图和所述目标候选区域的基础上对目标进行标定。具有检测任意角度目标鲁棒性强，检测小目标准确度高等优点。

技术领域

本发明涉及图像处理领域，尤其涉及一种图像目标检测方法及装置。

背景技术

深度学习便是近年兴起的智能学习特征提取的一类算法，如图2所示，包括基于proposal的目标检测算法包括RCNN，SPP-NET，Fast RCNN和Faster RCNN等，基于回归的单卷积神经网络的目标检测方法有YOLO，YOLOv2和SSD等等。但是以上方法主要是针对自然场景下的目标检测，自然场景下的物体大多轮廓清晰，特征明显，呈水平或垂直位置。然而航拍图像中的目标小，方位多变，排列多样，背景复杂，这些特性使得自然场景下的经典目标检测算法无法直接移植使用。对于航拍图像中目标的检测，目前的方法大多数只实现了单类物体的检测，是为解决具体问题而提出，如检测电线，桥梁、船舶，车辆等等。航拍图像的检测方法可以主要分为两类，一类是多模型独立训练的方法，另一类是端到端训练的方法，即算法中的模型只有一个。

多模型独立训练的方法中，一部分方法先借用先验知识、特征算子或神经网络等构建获取图像特征的模型，然后利用训练好的分类器对特征进行分类和定位，实现对目标的检测。另一部分方法先对图像进行分割，定位目标可能存在的区域，然后利用训练好的分类器对区域中的目标分类和定位。这类方法大部分没有考虑物体角度变化和物体小给检测带来的影响。为了检测多角度的物体，Xu和Yu等人2017年在‘IEEE Transactions onIntelligent Transportation Systems’第99期的1至12页中提出了‘An enhanced viola-jones vehicle detection method from unmanned aerial vehicles imagery’。该方法通过旋转图片来改变道路和公路车辆的方位，然后直接使用Viola-Jone方法来检测道路上的车辆。该方法的核心是根据道路与图像水平之间的角度旋转图像。但该方法难以适用于图中没有道路作为旋转参考或更复杂的场景，且还是使用水平的矩形框标定物体。

端到端训练的方法基本是基于深度学习的目标检测算法。Tang和Zhou等人2017年‘Remote Sensing’第9(11)期中提出了‘Arbitrary-oriented vehicle detection inaerial imagery with single convolutional neural networks’(Oriented_SSD)，Yang和Sun等人2017年在‘Remote Sensing’第10(1)期中提出了‘Automatic ship detectionin remote sensing images from google earth of complex scenes based onmultiscale rotation dense feature pyramid networks’(R-DFPN)。这两种方法都实现了对任意角度的目标检测，且Oriented_SSD基于的SSD网络天然对小目标有不错的检测能力，R-DFPN则利用特征金字塔来提升算法对小目标的检测能力。但是这两种方法的计算较为复杂，并且分别只检测交通工具和船，是对具体问题的解决。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种检测任意角度目标鲁棒性高，检测小目标能力更好的图像目标检测方法及装置。

为解决上述技术问题，本发明提出的技术方案为：一种图像目标检测方法，S1.在特征提取网络中，获取其中至少2个阶段的输出数据，并对所述输出数据进行融合，生成超特征图；

S2.通过目标候选区域提取网络对所述超特征图进行候选区域提取，得到目标候选区域；