[发明专利]基于特征金字塔网络的小目标船只检测方法及系统

说明书

本发明提供一种基于特征金字塔网络的小目标船只检测方法及系统，包括进行样本数据预处理,得到预处理后的图片；构建自底向上的卷积神经网络，在前向过程中，抽取不同大小的特征图构成初始特征金字塔；以上采样的方式构建自顶向下的卷积神经网络，通过横向连接将两部分网络融合，将上采样的结果和初始特征金字塔的相同大小的特征图融合成新的特征金字塔；利用特征金字塔内的特征图经过RPN网络处理后生成船只目标的候选区域；利用样本数据训练特征金字塔网络，采用训练好的特征金字塔网络实现小目标船只的检测。应用本发明可优化小型目标船只的检测结果。

技术领域

本发明属于基于计算机视觉的船只检测技术领域，特别涉及基于特征金字塔网络的小目标船只检测方法及系统。

背景技术

因为复杂的背景以及船只种类大小的多样性，近海船只的实时检测一直是军事民用领域的难题，实时性导致无法使用遥感和雷达影像，只能用视觉影像能够实时检测。

在目标检测中，对弱小目标的检测又极为重要。“弱小目标”这个概念最初来源于军事领域，在进行空间导弹拦截时，目标与拦截器距离较远(一般几千公里)，而在成像平面呈现为一个或者几个像素的大小，称为“小目标”。由于目标太小，很容易被噪声和各种杂波(云杂波、海杂波)淹没，所以又称为“弱目标”。小物体在许多现实世界的应用中非常普遍，例如交通标志检测，用于高级自动驾驶的行人检测以及海上的船只检测。一般小目标的定义是由相对尺寸大小决定的，如果目标尺寸的长宽是原图像尺寸的0.1，即认为它是小目标。

一般的深度学习模型通常无法检测到非常小的物体，因为丰富的表现很难从它们质量差的外观和结构中学习。一种情况是目标太远难以检测，如下图中的最左边的小型船只总是无法正确检测。对于海上预警，当船只较远位置就能够成功检测并锁定位置的话，面对紧急情况时就有充分的反应时间来进行预防。另一种情况是目标自身太小难以检测，如下图所示，右边的小渔船很难检测出来。对于海上预警，也会存在小渔船的违规行为，如果无法准确识别，将导致相关部门无法做出及时的处理

为了研究如何从环岛监控视频系统中快速准确地检测出小目标船只。纵观国内外的船只检测方法现状，逐渐从基于手工提取船只特征建模传统方法转向基于深度学习的卷积神经网络。卷积神经网络从感兴趣区域(RoI)学习深层次的代表，并根据学习的表现进行分类，如Faster R-CNN和YOLOv2。这些网络对于具有高分辨率，清晰外观和结构的大型物体可以很好地工作，从中可以了解辨别特征。但是，他们通常无法检测到非常小的对象，因为丰富的表示形式很难从其质量差的外观和结构中学习。

在目标检测里面，有限计算量情况下，网络的深度(对应到感受野)与步长通常是一对矛盾的东西，常用的网络结构对应的步长一般会比较大(如32)，而图像中的小物体甚至会小于步长的大小，造成的结果就是小物体的检测性能急剧下降。传统解决这个问题的思路包括：(1)多尺度训练和测试。即将图像做成不同的尺度，然后不同尺度的图像生成对应的不同尺度的特征。然而这样的方法由于很高的时间及计算量消耗，难以在实际中应用。(2)特征分层。网络没有上采样过程，即从网络不同层抽取不同尺度的特征进行预测。这样的方法问题在于直接强行让不同层学习同样的语义信息。而对于卷积神经网络而言，不同深度对应着不同层次的语义特征，浅层网络分辨率高，学的更多是细节特征，深层网络分辨率低，学的更多是语义特征。因此本领域亟待提出更具有实用价值的技术方案。

发明内容

本发明的目的就在于克服现有技术存在的缺点和不足，结合环岛监控系统的数据特性，提供一种基于特征金字塔网络的小目标船只的检测技术方案。

本发明提供一种基于特征金字塔网络的小目标船只检测方法，包括以下步骤：

步骤①，进行样本数据预处理，得到预处理后的图片；所述样本数据相应标注船只类型和位置数据；

步骤②，构建自底向上的卷积神经网络，在前向过程中，抽取不同大小的特征图构成初始特征金字塔；将步骤①经过预处理后的图片作为输入，经过网络处理后，生成不同尺度的特征图；