[发明专利]一种基于深度神经网络的密集小目标检测方法

说明书

本发明提出了一种基于深度神经网络的密集小目标检测方法，按照目标的类别的方式对目标进行锚点划分比例进行计算，采用目标的类别的方式对目标进行锚点划分比例进行计算，并采用k‑means聚类，获得各类初始锚点分配，避免因为各个类别的目标数量不平衡，离群值造成锚点干扰的问题；此种分配情况可以精确反应出小目标的细微变化，有效表征训练集中的小物体，使得模型容易收敛，在提高了检测精度和深度的同时，还可增加检测速度，实现实时检测；解决了现有技术对于小目标的检测无法做到对深度和检测速度的兼顾，不能很好预测小目标的位置从而影响检测精度，并且兼顾实时检测的缺点。

技术领域

本发明属于计算机神经网络图像识别技术领域，具体地说，涉及一种基于深度神经网络的密集小目标检测方法。

背景技术

随着计算机技术的发展，机器学习神经网络已经广泛用于图像智能识别等技术领域，并通过这些技术领域应用到各行各业中，其已经在潜移默化的改变人们的生活习惯。而在现有技术的图像识别中，对于精细的小目标的识别还存在着许多需要改进的地方。

如专利号为CN110503112 A，专利申请名称为《一种增强特征学习的小目标检测及识别方法》的专利文献中记载，其使用一种增强特征学习的小目标方法产生候选框，但是增加了网络的深度，使得小目标检测的速度降低，且该方法只针对了小目标进行改进，不能应对市场各种场景变化；

而如专利号为CN110298402 A，专利申请名称为《一种小目标检测性能优化方法》的专利文献中记载，其使用了yolov3固定的锚点产生方法，不能很好预测小目标位置从而影响小目标检测精度；

而如专利号为CN111275171 A，专利申请名称为《一种基于参数共享的多尺度超分重建的小目标检测方法》的专利文献中记载，其使用两阶段任务的目标检测与识别方法，不仅训练时间长，且不能达到实时检测。

发明内容

本发明针对现有技术对于小目标的检测无法做到对深度和检测速度的兼顾，不能很好预测小目标的位置从而影响检测精度，并且兼顾实时检测的缺点，提出了一种基于深度神经网络的密集小目标检测方法，按照目标的类别的方式对目标进行锚点划分比例进行计算，并采用kmeans聚类，获得各类初始锚点分配，此种分配情况可以精确反应出小目标的细微变化，有效表征训练集中的小物体，使得模型容易收敛，在提高了检测精度和深度的同时，还可增加检测速度，实现实时检测。

本发明具体实现内容如下：

本发明提出了一种基于深度神经网络的密集小目标检测方法，如图1所示，包括以下步骤：

步骤1：搭建摄像头，并采集图像；

步骤2：对采集的图像进行分类和预处理得到图像集，并将图像集划分为用于预训练的预训练集、用于验证的验证集以及用于测试的测试集；所述预处理包括对采集到的图像进行标注，并为每一张采集的图像中的待检测目标生成一个xml标注文件，所述标注文件中包括待检测的各类别目标的基础信息；

步骤3：基于目标分布情况，对预训练集中的图像进行计算，得到预训练集中的图像每一个类别目标的分布占比；

步骤4：对预训练集中的图像根据步骤3得到的分布占比进行抗干扰逐类别k-means聚类，获得各个类别的初始锚点的初始锚点分配比例；

步骤5：按照各个类别的初始锚点分配比例，使用yolo-tiny框架结合遗传算法进行模型训练；

步骤6：使用训练后的模型进行目标检测；具体为：首先对实际检测的图像进行图像填充，然后将图像填充后的图像送入到训练的模型中，进一步地生成锚点，接着采用非极大值抑制算法消除重叠框后生成最终的检测结果。

为了更好地实现本发明，进一步地，所述步骤3的具体操作为：