[发明专利]一种基于复杂背景下的小目标识别系统

说明书

本发明提供一种基于复杂背景下的小目标识别系统。一种基于复杂背景下的小目标识别系统，包括图片获取模块、图像增强模块、图片噪声过滤模块和目标识别模块。本发明通过运用先验框对特征图进行判断，当先验框映射的区域内有目标，可以直接进行分类，无需经过RPN网络进行复杂的计算，减少计算量。

技术领域

本发明涉及目标识别领域，尤其涉及一种基于复杂背景下的小目标识别系统。

背景技术

目标识别现在被广泛应用于各大领域中，例如生物勘测中，当人们需要对某一个地域的生物进行勘测和统计时，通常是在该地域安装隐蔽的摄像头对生物经常出没的地方进行监控，然后通过人们观看监控视频对生物目标进行观察，但是这种方案明显费时费力，所以将目标识别应用于此，通过计算机内置的目标识别算法对图片进行处理，对生物目标进行识别，无需人们费时观看视频，显然是更加实用的方案。

但是由于生物勘测时，有部分生物体型很小，并且地域环境较为复杂，所采集的图片具有较为复杂的背景，但包含小目标的图片通过目标识别算法进行检测，图片特征在不断卷积中特征不断聚合造成丢失，识别精度明显下降。

发明内容

为了克服现有复杂背景下的小目标识别精度下降的缺点，提供一种能够降低计算量、提高识别精度的工作量的基于复杂背景下的小目标识别系统。

为了解决上述技术问题，本发明提供一种基于复杂背景下的小目标识别系统，包括：

图片获取模块，用于采集图片信息，并将图片信息发送至图像增强模块；

图像增强模块，用于接收来自图片获取模块的图片信息，并通过阈值分割技术对图片信息内的背景进行去除，并将处理后的图片信息发送至图片噪声过滤模块；

图片噪声过滤模块，用于接收处理后的图片信息，将处理后的图片信息通过中值滤波法进行噪声的去除；

目标识别模块，用于获取降噪后的图片信息，并对图片中的目标进行标注和识别。

具体地，所述目标识别模块包括神经网络模型存储单元、神经网络训练单元、神经网络模型选取单元、小目标识别单元和标注单元；

所述神经网络模型存储单元用于储存训练好的神经网络模型和神经网络模型模板，所述神经网络模型采用Faster-RCNN算法，分为卷积层子模板、RPN网络、ROI Pooling层和分类层，其中卷积层子模板以VGG16网络作为基础，再加上SE模块处理层、采样层和特征融合层组成，其中的VGG16网络去除最后的池化层、全连接层和soft-max分类层，此时的VGG16网络由13个conv+relu层和4个Pooling层组成；

所述神经网络训练单元用于加载神经网络模型模板，并根据训练数据集对神经网络模型模板进行参数训练；

所述神经网络模型选取单元用于响应用户的操作从神经网络模型存储单元中选取对应的训练好的神经网络模型，并送入小目标识别单元；

所述小目标识别单元用于加载训练好的神经网络模型，并将获取的图片信息送入训练好的神经网络模型，训练好的神经网络模型对图片信息进行处理，生成目标类型标签和定位框坐标；

所述标注单元用于接收定位框坐标，并根据定位框坐标在图片上进行标注，标注的内容包括定位框和目标类型标签。

具体地，训练好的神经网络模型对图片信息进行处理的步骤如下：

S1：图片信息经过13个conv+relu层，对图片进行卷积计算和非线性变换，卷积核都为“3×3”，期间经过4个Pooling层，通过“2×2”的滤波器进行下采样；

S2：选取conv2和conv13层生成的特征图，分别通过SE模块处理层对特征图进行处理，生成的特征图分别记为F1和F2；