[发明专利]基于深度可分离卷积及融合PAN的多级特征金字塔目标检测方法

说明书

本发明公开了一种基于深度可分离卷积及融合PAN的多级特征金字塔目标检测方法，属于目标检测领域。包括：1)数据采集：获取待检测目标的视频数据并进行切片，将连续的视频数据转换为连续的图像；2)对图像进行预处理；3)对预处理后的图像进行目标检测，利用深度可分离卷积及融合PAN的多级特征金字塔网络获得图像的多尺度融合特征图；4)根据多尺度融合特征图的感受野大小预定义多长宽比与多尺度的检测框，利用检测框完成对目标的定位与分类，实现对多尺度目标进行高精度的检测。本发明对特征金字塔进行了改进，在减少参数量和计算量的条件下加深网络参数，得到多尺度融合特征，这样可以提高检测目标的准确性和效率性。

技术领域

本发明属于目标检测领域，尤其涉及一种基于深度可分离卷积及融合PAN的多级特征金字塔目标检测方法。

背景技术

随着计算机算力的提高尤其是图形处理器的应用以及深度学习技术的发展，卷积神经网络在目标检测领域发展迅速。进入21世纪以来，与计算机算力有密切相关的视频图像处理也得到极大的发展。然而庞大的计算量和参数量对图像处理的运算量产生了较大的影响，传统的卷积神经网络和特征金字塔网络也很难处理多目标物体的图片。对于一些遮挡严重的、图像模糊的、因为距离远近而造成目标物体在图像中的大小不一样的，用传统金字塔网络不仅需要很多的参数量和计算量，而且检测出来的结果还不一定准确。

针对视频图像目标检测问题，本发明提出的基于深度可分离卷积，融合PAN结构的多级特征金字塔检测方法，不仅能很大程度上减少计算量和参数量，也能提升检测目标物体的性能。

发明内容

为了解决上述技术问题，本发明提出了一种基于深度可分离卷积及融合PAN的多级特征金字塔目标检测方法，用于处理视频、图像目标检测问题，主要技术手段包括深度可分离卷积神经网络、改进后的多级特征金字塔网络(即融合了PAN的多级FPN)，本发明的方法大大减少了计算量和参数量，能够提升运行速度。

为了实现上述目的，本发明采用的技术方案如下：

一种基于深度可分离卷积及融合PAN的多级特征金字塔目标检测方法，包括以下步骤：

1)数据采集：获取待检测目标的视频数据并进行切片，将连续的视频数据转换为连续的图像；

2)对图像进行预处理；

3)对预处理后的图像进行目标检测，利用深度可分离卷积及融合PAN的多级特征金字塔网络获得图像的多尺度融合特征图；

所述的深度可分离卷积及融合PAN的多级特征金字塔网络包括骨干网络、带有PAN结构的多级FPN网络；所述的骨干网络对输入图像下采样得到不同大小的特征图，每次下采样都采用深度可分离卷积，再通过上采样将特征图融合，获得包含不同深度特征的融合特征图，将融合特征图送入带有PAN结构的多级FPN网络；

所述的带有PAN结构的多级FPN网络由若干个结构相同的特征金字塔串联而成，每个特征金字塔的下采样层都由深度可分离卷积组成，上采样层由深度可分离卷积和上采样卷积构成；第一个特征金字塔的输入为骨干网络输出的融合特征图，将融合特征图与前一级特征金字塔最后一个上采样层的输出按通道方向连接，作为后一级特征金字塔的输入；不同的特征金字塔用来提取不同深度的特征，将每一级特征金字塔的输出按照通道方向连接，获得多尺度融合特征图；

4)根据多尺度融合特征图的感受野大小预定义多长宽比与多尺度的检测框，利用检测框完成对目标的定位与分类，实现对多尺度目标进行高精度的检测。

与现有技术相比，本发明的有益效果是：