[发明专利]一种基于深度学习的目标检测方法和装置

说明书

本发明公开了一种基于深度学习的目标识别检测方法和装置，所述方法包括：数据采样步骤、特征提取步骤和目标检测步骤；所述数据采样步骤包括：对获取的待检测目标的原始图像进行多次下采样处理，得到多次采样数据；所述特征提取步骤包括：分别对所述多次的采样数据进行深层特征和抽象图像特征的提取，提取用于目标检测的图像特征；所述目标检测步骤包括：通过神经网络对多次采样的深层特征和抽象图像特征进行识别，确定所述原始图像中的待检测目标检测结果。本发明能够实现远距离空中小目标检测时高检出率、低虚景率。

技术领域

本发明涉及成像技术领域，特别是涉及一种基于深度学习的目标识别检测方法和装置。

背景技术

在国防安全、地形观测、民航保障等领域常需要对远距离目标进行探测，尤其在防空领域，更远的预警距离，意味着防空系统有更长的反应时间。然而，远距离目标在图像上常常呈现小目标特性，小目标像素数少，特征不明显，极易与背景混合。因此在检测时，虚警率高，检出率低。这使得小目标检测始终是是目标检测领域中的一个研究热点。

现存的目标检测算法主要分为两类，两阶段算法和单阶段算法。两阶段算法首先根据目标位置，提取出候选区域，然后在每个候选区域内部进行图像分类。该方法需要两次扫描图片，步骤繁琐，计算速度慢，无法满足实时性要求。单阶段算法是一种基于回归的端到端算法，该方法利用卷积神经网络同时预测目标的位置和类别，计算速度快，可用于实时性要求高的工程应用当中，但是预测密集目标和小目标时精度很低。

发明内容

本发明所要解决的技术问题是提供一种基于深度学习的目标识别检测方法和装置，实现远距离空中小目标检测时高检出率、低虚警率。

本发明公开了一种基于深度学习的目标检测方法，包括：数据采样步骤、特征提取步骤和目标检测步骤；

所述数据采样步骤包括：对获取的待检测目标的原始图像进行多次下采样处理，得到多次采样数据；

所述特征提取步骤包括：分别对所述多次的采样数据进行深层特征和抽象图像特征的提取，提取用于目标检测的图像特征；

所述目标检测步骤包括：通过神经网络对多次采样的深层特征和抽象图像特征进行识别，确定所述原始图像中的待检测目标检测结果。

优选地，所述方法之前包括：采集和搭建目标数据集，所述数据集包括鸟类图像数据和/或无人机图像数据。

优选地，对获取的待检测目标的原始图像进行多次下采样处理包括：

对所述原始图像进行多次不同尺度的目标图像采样，每次采样的步长为N单位像素，N为正整数。

优选地，分别对所述多次的采样数据进行深层特征和抽象图像特征的提取包括：

每次下采样获得的采样数据经过残差处理，提取用于位置识别的待检测目标特征；

将当前采样的待检测目标特征与前一次采样的待检测目标特征进行融合，将融合后的特征作为深层特征和抽象图像特征。

优选地，所述采样数据经过残差处理包括：

将所述采用数据分别经过3*3卷积层、1*1卷积层和残差层，所述残差层用来对所述采样数据增大网络深度时避免梯度消失。

优选地，采集和搭建目标数据集之后还包括：

对于数据集中不同尺度特征图的每一个单元格，利用先验框预测三个边界框，为每个边界框预测多个值，根据预测的所述多个值得到目标的中心坐标和目标的宽度和高度的预测结果。

优选地，根据预测的所述多个值得到目标的中心坐标和目标的宽度和高度的预测结果包括：