[发明专利]一种基于级联神经网络的环视鱼眼图像目标检测方法

权利要求书

1.一种基于级联神经网络的环视鱼眼图像目标检测方法，其特征在于：包括以下步骤：

(1)构建融合可变形卷积和可变形池化的Cascade R-CNN环视鱼眼图像目标检测网络模型；

所述的融合可变形卷积和可变形池化的Cascade R-CNN环视鱼眼图像目标检测网络模型采用级联神经网络Cascade R-CNN，并对其进行了改进，其中，所述的级联神经网络Cascade R-CNN包括特征提取子网络，感兴趣区域ROI检测子网络，所述的特征提取子网络用于提取输入图片的目标检测候选区域，该子网络会产生多个目标检测候选区域；所述的感兴趣区域ROI检测子网络用于从提取的多个目标检测候选区域中识别与真实目标有较大IOU的候选区域，具体分为三个阶段，每个阶段设置一个IOU阈值，通过过滤掉不满足IOU阈值的边界框，每个阶段输出多个边界框，及其对应的分类分数，三个阶段的IOU阈值不断增加，最终输出一个分类分数C和边界框B；所述的改进之处在于将特征提取子网络替换为改进后的Resnet50网络；

其中，所述的改进后的Resnet50网络采用Resnet50网络，并对其进行改进，Resnet50网络依次包括五个阶段以及三个全连接层，第一阶段stage1依次包括两个卷积，一个池化；第二阶段stage2依次包括两个卷积，一个池化；第三阶段stage3依次包括三个固定卷积，一个固定池化；第四阶段stage4依次包括三个固定卷积，一个固定池化；第五阶段stage5依次包括三个固定卷积，一个固定池化；改进之处在于将第三、第四、第五阶段中的固定卷积和固定池化替换为可变形卷积和可变形池化；

所述的融合可变形卷积和可变形池化的Cascade R-CNN环视鱼眼图像目标检测网络模型的工作过程如下：首先输入的图像，经过特征提取子网络模块，得到图像的featuremaps，然后再将feature maps传入到感兴趣区域ROI检测子网络中进行候选区域处理，输出第一阶段的分类分数和边界框；再将第一阶段输出的边界框和feature maps进行融合，传入到第二阶段的感兴趣区域ROI检测子网络进行候选区域处理，输出第二阶段的分类分数和边界框；再将第二阶段输出的边界框和feature maps进行融合，传入到第三阶段的感兴趣区域ROI检测子网络进行候选区域处理，输出最后的分类分数和最终的检测结果。

(2)利用鱼眼图像公开数据集VOC-360对(1)构建的网络模型进行训练；

(3)给定任意环视鱼眼图像，将其输入到(2)中训练好的基于Cascade R-CNN网络模型中，模型输出检测结果，完成对检测目标的定位和矩形框标注。

2.根据权利要求1所述的一种基于级联神经网络的环视鱼眼图像目标检测方法，其特征在于：每一阶段的IOU(Intersection over Union)阈值界定值是逐级升高的，本方法采用的阈值是[0.5，0.6，0.7]。

3.根据权利要求1所述的一种基于级联神经网络的环视鱼眼图像目标检测方法，其特征在于：使用非极大值抑制过滤网络模型输出的检测结果，得到最终的检测结果。