[发明专利]一种基于深度学习的目标检测方法

说明书

本发明提出了一种基于深度学习的目标检测方法，属于机器视觉与自动化技术领域。其中该目标检测方法的核心是以深度网络为基础，通过提取不同深度的特征层数据，分别用来检测不同目标，实现对图像中不同大小目标检测。主要步骤为：1，建立深度网络，以较为成熟的网络为基础；2，提取每一个特征层，叫浅层的特征主要用来检测小目标，较深层特征多用于检测大目标；3，建立大目标和小目标同步检测；4，概率比较，确定最后的输出。本发明可以通过调整提取不同深度的特征层，实现对大小目标的偏好检测。

技术领域

本发明属于机器视觉与自动化技术领域，特别涉及一种基于深度学习的图像目标检测方法。

背景技术

目标检测在国防，工业等领域有着广泛的应用，如可见光跟踪，飞行器辅助导航，汽车无人驾驶，机器人位置估计等，但是用红外，超声波等传感器实现目标检测，由于检测特征单一，容易出现误检测。

图像传感器则与之不同，通过调整不同角度和位置，以及光照强度改变，可以获得加多较为丰富的现场信息，用合理的方法处理图像信息是实现精确目标检测的关键。

目前基于机器视觉的目标检测方法较多，主要分为两大类：一类是基于传统图像处理的目标检测方法，另一种是基于深度学习的目标检测方法。

基于深度学习的目标检测方法有取代基于传统目标检测方法的趋势。

基于机器视觉的目标检测方法，因为图像信息复杂多变，很难有一种检测方法可以适用于每个适用场合，而且在不同的场景有着不同的需求，如在工厂流水线上，要检测体积较小的零件，需要对小物体敏感；在自动驾驶场合需要对较大的物体检测。

发明内容

发明目的：针对目前一般目标检测方法，对于检测图像中大目标和小目标的侧重侧重不同，提供一种可以同时检测不同大小目标的方法，为不同的使用场合，提供可选方法。

技术方案：为了解决上述技术问题，本发明提供了一种基于深度学习的图像目标检测方法，包括如下主要主要步骤：

(1)建立基于深度学习的基本网络结构，可以采用一些比较成熟的CNN网络结构，如VGG等。

(2)特征层抽取，为了应对图像中不同大小的目标，抽取不同深度的特征层，在浅层的CNN特征层，具有较大范围，可以检测到较小的目标；而在深层的特征层上由于范围较小，只能检测到较大目标。

(3)分别用浅层和深层特征去检测图像中目标位置，最后确定目标检测网络的最终输出。

不同的特征层只能确定图像中不同尺度的目标的具体位置，而图像中不同目标所属类别，还需要用网络的最后后输出来确定。

对于目标在图像中的位置确定，并没有采取直接输出，而是通过在图像特征层上选取不同大小的先验框，用图像上目标的具体位置与不同的先验框做比较，确定具体哪一个先验框与目标实际位置相符，确定哪一个先验框应该被输出。

目标检测网络的运行包含结构为：待检测图像，网络架构，预测输出，先验框生成，测试图像坐标解码，先验框筛选，以及检测结果输出。

本发明具有以下有益效果：首先可以根据需要检测目标在图像中大小的不同，适当调整特征层提出的深浅程度，使其能满足需求，且不会造成资源浪费，其次是一次训练可以适应多种场合，因为训练时把所有特征层都提取出来，并加以矫正参数，使用时可根据需求提取。

附图说明

图1是先验框提取方式。

图2是检测框架训练结构。

图3是检测框架运行结构。

具体实施方式

以下将结合附图对本发明进行详细说明。