[发明专利]一种图像中极小物体检测方法及系统、存储介质及终端

说明书

本发明提供一种图像中极小物体检测方法及系统、存储介质及终端，包括获取输入图像，进行至少四组的卷积；后四组卷积得到的特征图分别为第一特征图、第二特征图、第三特征图和第四特征图；对第二特征图进行第一次数上采样得到第五特征图，对第三特征图进行第二次数上采样得到第六特征图，对第四特征图进行第三次数上采样得到第七特征图；将第一特征图、第五特征图、第六特征图和第七特征图连接得到第八特征图；对第八特征图进行卷积得到第九特征图；对第九特征图进行卷积得到第十特征图；基于第十特征图检测输入图像中的极小物体。本发明的图像中极小物体检测方法及系统、存储介质及终端实现图像中极小物体的检测，保证了图像检测的可靠性和有效性。

技术领域

本发明涉及图像处理的技术领域，特别是涉及一种图像中极小物体检测方法及系统、存储介质及终端。

背景技术

目标检测(object detection)，就是在给定的一张图像中精确找到物体所在的位置，并标注出物体的类别。现有技术中，目标检测算法主要是基于深度学习模型，主要包括以下两大类：

(1)one-stage检测算法，其不需要候选区域(region proposal)阶段，直接产生物体的类别概率和位置坐标值，经过单次检测即可直接得到最终的检测结果，因此有着更快的检测速度，比较典型的算法如YOLO、SSD、Retina-Net。

(2)two-stage检测算法，用相应的Region Proposal算法从输入图片中生成建议目标候选区域，将所有的候选区域送入分类器进行分类。

目标检测模型的主要性能指标是检测准确度和速度，对于准确度，目标检测要考虑物体的定位准确性，而不单单是分类准确度。一般情况下，two-stage算法在准确度上有优势，而one-stage算法在速度上有优势。

然而，无论是one-stage检测算法还是two-stage检测算法，只对图片中普通尺寸的物体检测有良好的效果，均没有考虑到如尺寸小于20*20像素的极小物体的检测，因而导致极小物体漏检的情况发生。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种图像中极小物体检测方法及系统、存储介质及终端，基于能够检测极小物体的神经网络实现图像中极小物体的检测，保证了图像检测的可靠性和有效性。

为实现上述目的及其他相关目的，本发明提供一种图像中极小物体检测方法，包括以下步骤：获取输入图像；对所述输入图像连续进行至少四组的卷积、池化和非线性函数激活操作；其中，后四组卷积、池化和非线性函数激活操作得到的特征图分别为第一特征图、第二特征图、第三特征图和第四特征图；对所述第二特征图进行第一次数上采样操作得到第五特征图，对所述第三特征图进行第二次数上采样操作得到第六特征图，对所述第四特征图进行第三次数上采样操作得到第七特征图；对所述第一特征图、所述第五特征图、所述第六特征图和所述第七特征图进行连接，得到第八特征图；对所述第八特征图进行第一预设次数卷积、池化和非线性函数激活操作，得到第九特征图；对所述第九特征图进行第二预设次数卷积、池化和非线性函数激活操作，得到第十特征图；基于所述第十特征图检测所述输入图像中的极小物体。

于本发明一实施例中，还包括对所述输入图像进行预处理，以基于预处理后的输入图像进行六次的卷积、池化和非线性函数激活操作。

于本发明一实施例中，所述后四组卷积、池化和非线性函数激活操作分别对应两次、八次、八次和四次的连续卷积、池化和非线性函数激活操作。

于本发明一实施例中，所述第一次数、所述第二次数和所述第三次数分别为一次、两次和三次；所述第一预设次数为五次，所述第二预设次数为一次。

对应地，本发明提供一种图像中极小物体检测系统，包括获取模块、第一卷积模块、上采样模块、连接模块、第二卷积模块、第三卷积模块和检测模块；

所述获取模块用于获取输入图像；