[发明专利]一种基于特征纹理增强的目标检测方法

说明书

本发明公开了一种基于特征纹理增强的目标检测方法，包括：步骤1、采集目标图像数据，采用多尺度图像特征提取主干网络对目标图像进行特征提取，得到包含特征信息的特征信息图；步骤2、采用纹理增强特征提议网络TEFPN对所述特征信息图进行纹理增强，得到特征增强后的目标提议框；步骤3、将目标提议框输入基于全卷积操作的检测网络，所述检测网络包含分类网络和回归网络，分别输出对应的分类结果和定位结果，完成目标检测任务。本发明的目标检测方法准确率高，效率高，能显著降低人为主观性对检测结果的干扰，在多种复杂的目标检测任务中都具有较高的鲁棒性。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种基于特征纹理增强的目标检测方法。

背景技术

在计算机视觉领域中，关于二维图像中目标的自动化检测任务是一个研究热点。目标检测技术在智能监控、自动驾驶、工业智能化检测等方面都具有广泛的应用价值。

目前主流的目标检测方法主要基于传统图像处理和深度学习两种技术实现。后者能够通过深层的卷积网络学习到图像数据的抽象特征，并根据这些特征实现目标的自动检测，相较于前者，后者具有更强的检测能力。

但目前一些通用的目标检测方法对于各类目标数据的泛用性和适应性还较低，检测精度上仍存在提升的空间。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于特征纹理增强的目标检测方法。

为实现上述技术目的，本发明采取的技术方案为：

一种基于特征纹理增强的目标检测方法，包括如下步骤：

步骤1、采集目标图像数据，采用多尺度图像特征提取主干网络对目标图像进行特征提取，得到包含特征信息的特征信息图；

步骤2、采用纹理增强特征提议网络TEFPN对所述特征信息图进行纹理增强，得到特征增强后的目标提议框；

步骤3、将目标提议框输入基于全卷积操作的检测网络，所述检测网络包含分类网络和回归网络，分别输出对应的分类结果和定位结果，完成目标检测任务。

为优化上述技术方案，采取的具体措施还包括：

上述的步骤1所述多尺度图像特征提取主干网络包含按先后顺序串式连接卷积层特征提取模块和特征双向融合模块；

卷积层特征提取模块由14个残差卷积操作块和4层池化操作块构成；

其中，残差卷积操作块按照{2,3,3,3,3}的分配数组成共五个卷积组{C1,C2,C3,C4,C5}，4层池化操作块分别嵌在前四个卷积组，即C1,C2,C3,C4的尾端；

经过池化操作块后，卷积层特征提取模块中的各卷积组输出尺度大小不同的特征信息图；

特征双向融合模块以卷积层特征提取模块中各卷积组输出的尺度大小不同的特征信息图为输入，采用自顶向下和自底向上的双向特征信息的融合方式，输出两个经过特征融合后的特征信息图output1，output2，其中，output1，output2分别自顶向下融合方式得到的特征信息图和自底向上融合方式得到的特征信息图；

所述双向特征信息的融合方式具体如下：

；

；

其中，和分别表示上采样和下采样函数；

表示第i个卷积组的输出特征信息图；

H和W分别是输入的目标图像的长和宽；

等均表示在特征信息图中的像素索引。