[发明专利]一种基于深度学习和图像处理的小物件检测方法

摘要

本发明涉及图像处理领域，更具体的，涉及一种基于深度学习和图像处理的小物件检测方法，本发明通过把原始Inception模块的5x5的卷积替换为两个3x3的卷积核，保留了更多的细节，同时为了加快训练速度和输出一致性，在每个分支的最后加入了BN，即Batch Normalization,进行批量归一化处理，同时引入残差网络结构，增加准确率，而且本发明采用反卷积增强相邻两层的高层和底层的上下文信息，将上层反卷积的结果与底层卷积曾像素对齐一一相加，得到的新的特征图作为检测的特征图，可以提高对小物体的识别，本发明在不影响传统SSD的高FPS的前提下，提高传统SSD对小物体检测的准确率。

主权项

1.一种基于深度学习和图像处理的小物件检测方法，其特征在于，包括以下步骤：步骤S1：获取数据集，数据集中包括已标注的物体类别信息和目标框的左上(x_min,y_min)和右下(x_max,y_max)两个点的坐标信息的原始图片，从数据集的训练集中任意选取一张带标签信息的图片，将图片调整到300x300的大小作为输入；步骤S2：将图片沿着水平(0，150)(300，150)和竖直方向(150，0)(150，300)分割成大小为150x150的4部分P1，P2，P3，P4；另外取以(75，75)(225，75)(75，225)(225，225)为四个顶点坐标的图像作为第5部分P5；步骤S3：根据每张输入图片带的目标框的左上和右下两个坐标信息(x_min,y_min),(x_max,y_max)判断图片中的物体有没有被分割，并根据物体被分割的情况修改坐标；步骤S4：运用三次内插法对图片进行插值，使被分割的大小为150x150的5部分图片P1、P2、P3、P4、P5与原始图片300x300的大小相同，并命名为F1，F2，F3，F4，F5，同时将步骤S3得到的修改后的坐标乘以2并进行更新；步骤S5：对F1，F2，F3，F4，F5五张图片的每一张经VGG16网络提取特征，再用3x3x1024大小的卷积核进行卷积得到大小为19x19x1024的Conv6特征图，再继续用1x1x1024大小的卷积核进行卷积得到大小为19x19x1024的Conv7特征图；步骤S6：将1x1,3x3，3x3的卷积核堆叠在一起,组成三个分支,每个分支的最后加入了BN，即Batch Normalization来进行批量归一化处理，将各个分支连接融合同时引入残差网络结构，将该结构命名为IRBNet卷积结构；步骤S7：由步骤S6得到的大小为19x19x1024的Conv7特征图，经过IRBNet卷积结构来提取特征，得到大小为10x10x512的特征图Conv8；Conv8经过IRBNet卷积得到大小为5x5x256的特征图Conv9；Conv9经过IRBNet卷积得到大小为3x3x256的特征图Conv10；Conv10经过IRBNet卷积得到大小为1x1x256的特征图Conv11；步骤S8：采用卷积核为3x3,步长为4的卷积方式对高层特征图进行反卷积，让其扩大两倍使得与上一底层大小一样，然后将对应位置的像素进行一一相加，得到的新的特征图大小与底层特征图大小一致，将该结构取名为HDPANet；步骤S9：将特征图Conv8经过步骤S8得到另一个大小为19x19x1024的特征图与Conv7相加得到特征图Conv7D，特征图Conv9经过步骤S8得到另一个大小为10x10x512的特征图与Conv8相加得到特征图Conv8D,特征图Conv10经过步骤S8步得到另一个大小为5x5x256的特征图与Conv9相加得到特征图Conv9D,特征图Conv11经过步骤S8得到另一个大小为3x3x256的特征图与Conv10相加得到特征图Conv10D；步骤S10：在Conv4_3和Conv10D以及Conv11特征图层用3x3的卷积核进行卷积得到通道数为4x(class+4)的特征图，在Conv7D,Conv8D,Conv9D特征图层用3x3的卷积核进行卷积得到通道数为6x(class+4)的特征图；步骤S11:F1，F2，F3，F4，F5通过步骤S1～S10得到各自对应的损失函数loss；在反向传播的时候通过随机梯度下降算法优化五个损失函数loss的总和total_loss，同时还设置训练迭代次数epoch，当total_loss稳定时候得到的网络参数即为最优解；步骤S12：在数据集中选取不带标签信息的图片，执行步骤S1以及步骤S2进行图片分割，并将分割好的图片放入到步骤S1～步骤S10训练好的网络中，再经过非极大值抑制进行过滤，最终得到F1，F2，F3，F4，F5这五张图的带预测类别label和预测坐标(x_{pred_min}，y_{pred_min})，(x_{pred_max}，y_{pred_max})；步骤S13:根据F1，F2，F3，F4，F5五张图片的预测类别label以及预测坐标对图片进行融合，最后的结果即为检测的最终结果。