一种基于深度学习的目标检测方法技术

本发明专利技术公开了一种基于深度学习的目标检测方法，包括，将待检测的图像进行预处理，建立数据集，数据集包括目标样本数据集和非目标样本数据集；对数据集先后进行损失训练和回归训练，以扩充目标样本；提取所有目标样本的特征向量，以目标样本作为节点，根据特征向量确定邻接矩阵，建立带权无向图；基于深度学习构建初始目标检测模型，并通过带权无向图和非目标样本数据集中的训练集对初始目标检测模型进行第一次训练；若训练次数达到预设训练次数，则利用优化模块进行第二次训练；若在第二次训练后，损失函数收敛，则停止训练，获得目标检测模型，利用目标检测模型对输入的图像进行目标检测；本发明专利技术搭建的目标检测模型具有较好的鲁棒性。棒性。棒性。

【技术实现步骤摘要】
一种基于深度学习的目标检测方法


[0001]本专利技术涉及目标检测的
，尤其涉及一种基于深度学习的目标检测方法。

技术介绍

[0002]传统的目标检测算法可以分为区域选择、特征提取和分类器分类三步，通过人工选择图像特征进行特征提取，特征单一且鲁棒性较差。神经网络的出现改变了这种现状，它能够不依赖于人工提取特征，在图像分类领域有重大突破之后一直蓬勃发展，目前基于深度学习的目标检测算法已经成为目标检测研究的主流。
[0003]随着该领域的不断发展，目标检测算法的相关模型也层出不穷，人工优化流程的方式在庞大的模型数量面前也变得十分低效。而自动化的方式也需要大量的算力支持才能选出符合条件的模型，且时间成本过高。

技术实现思路

[0004]鉴于上述现有存在的问题，提出了本专利技术。
[0005]因此，本专利技术提供了一种基于深度学习的目标检测方法，能够解决现有的检测模型检测速度慢，以及小样本导致检测精度低的问题。
[0006]为解决上述技术问题，本专利技术提供如下技术方案，包括：将待检测的图像进行预处理，建立数据集，所述数据集包括目标样本数据集和非目标样本数据集；对所述数据集先后进行损失训练和回归训练，以扩充目标样本；提取所有目标样本的特征向量，以目标样本作为节点，根据所述特征向量确定邻接矩阵，建立带权无向图；基于深度学习构建初始目标检测模型，并通过带权无向图和非目标样本数据集中的训练集对所述初始目标检测模型进行第一次训练；若训练次数达到预设训练次数，则利用优化模块进行第二次训练；若在第二次训练后，损失函数收敛，则停止训练，获得目标检测模型，利用目标检测模型对输入的图像进行目标检测。
[0007]作为本专利技术所述的基于深度学习的目标检测方法的一种优选方案，其中：预处理包括降噪处理、二值化和归一化；通过滤波模块抑制待检测的图像中的噪声干扰，所述滤波模块包括多个二维滤波矩阵、绝光屏蔽存储单元，以及至少一个CMOS传感器阵列；通过CMOS传感器阵列曝光待检测的图像的至少N行光栅，并在t时将曝光产生的电荷转移至绝光屏蔽存储单元，以捕获待检测的图像中M*M像素区域的像素点；最后通过二维滤波矩阵对像素点的像素值进行卷积，完成降噪处理；对降噪后的图像进行二值化处理，获取二值图像，根据所述二值图像的连通域进行分割，以划分目标样本和非目标样本，获得非目标样本数据集，所述目标样本至少包括一个待检测物，所述非目标样本不包括待检测物；按照相同比例对包含不同尺寸待检测物的目标样本进行采样，获得数据块，并进行归一化操作，获得目标样本数据集；其中，将70%的数据集作为训练集，30%的数据集作为测试集。
[0008]作为本专利技术所述的基于深度学习的目标检测方法的一种优选方案，其中：损失训练和回归训练包括：采用交叉熵损失函数对数据集进行损失训练；采用Smooth L1损失函数
对目标样本数据集进行回归训练。
[0009]作为本专利技术所述的基于深度学习的目标检测方法的一种优选方案，其中：特征向量包括：提取所有目标样本的多层语义特征，并根据预设的采样率，对多层语义特征先后进行下采样和上采样，获得第一特征向量；将第一特征向量与多层语义特征进行融合，获得第二特征向量，并对第二特征向量先后进行卷积和下采样，获得特征向量。
[0010]作为本专利技术所述的基于深度学习的目标检测方法的一种优选方案，其中：建立带权无向图包括：根据特征向量确定邻接矩阵元素K
n，m
：其中，
µ
为距离函数，D
n
为节点n的特征向量，D
m
为节点m的特征向量；根据邻接矩阵元素K
n，m
建立带权无向图G：其中，K为邻接矩阵集合，R为节点间的边权。
[0011]作为本专利技术所述的基于深度学习的目标检测方法的一种优选方案，其中：构建初始目标检测模型包括：初始目标检测模型由卷积层、LSTM层、残差网络层、全连接层和输出层构成；所述卷积层包括卷积核为3*3的第一卷积层、LSTM层、卷积核为1*1的第二卷积层和卷积核为5*5的第三卷积层；残差网络层包括卷积核为1*1的第四卷积层、池化窗口为2*2的空间金字塔池化层、卷积核为3*3的第五卷积层和卷积核为1*1的第六卷积层；第一卷积层作为初始目标检测模型的输入层，LSTM层分别连接第一卷积层的输出和第二卷积层的输入，第二卷积层通过Leaky ReLU激活函数输出到第三卷积层，第三卷积层通过ReLU激活函数输出到第四卷积层，第四卷积层、空间金字塔池化层、第五卷积层和第六卷积层间通过MaxOut激活函数输出，通过全连接层对第六卷积层提取的特征进行非线性组合，输出到输出层，输出层通过softmax函数输出检测结果。
[0012]作为本专利技术所述的基于深度学习的目标检测方法的一种优选方案，其中：第一次训练包括：将30%的带权无向图和非目标样本数据集中的训练集输入初始目标检测模型，通过随机梯度下降法进行第一次训练，在训练次数达到20次时，冻结第一卷积、LSTM层和第二卷积层，使用剩余70%的带权无向图和非目标样本数据集中的训练集训练除第一卷积、LSTM层和第二卷积层之外的其余层，当训练次数达到预设训练次数时进行第二次训练。
[0013]作为本专利技术所述的基于深度学习的目标检测方法的一种优选方案，其中：优化模块包括：设置学习率，基于第一次训练后获得的模型权重N构建损失函数Loss：其中，y为初始目标检测模型的输出值，为初始目标检测模型的预测值，λ为平衡因子，γ为学习率，L
pos
为目标样本的损失值，L
neg
为非目标样本的损失值；利用WOA算法进行第二次训练，当损失函数值达到最小，即收敛时，停止训练，获得最优模型权重。
[0014]作为本专利技术所述的基于深度学习的目标检测方法的一种优选方案，其中：第二次训练包括：将平衡因子和模型权重作为鲸鱼个体，初始化鲸鱼个体数、最大迭代次数T和初
始目标检测模型神经元的个数；随机生成鲸鱼个体的位置，并计算鲸鱼个体的适应度；更新鲸鱼个体的位置，计算此时鲸鱼个体的适应度，根据适应度选取最优个体；当损失函数值达到最小且模型精度满足要求时停止训练，获得最优模型权重；其中，鲸鱼个体的适应度包括：F=1/ Loss式中，F为鲸鱼个体的适应度。
[0015]作为本专利技术所述的基于深度学习的目标检测方法的一种优选方案，其中：模型精度包括：将测试集输入至第一次训练后的模型中进行测试，采用准确率ACC进行精度评价。
[0016]本专利技术的有益效果：本专利技术基于深度学习搭建目标检测模型，同时通过设置二次训练机制对目标检测模型进行优化训练，具有较好的鲁棒性。
附图说明
[0017]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：图1为本专利技术第一个实施例所述的基于深度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的目标检测方法，其特征在于，包括：将待检测的图像进行预处理，建立数据集，所述数据集包括目标样本数据集和非目标样本数据集；对所述数据集先后进行损失训练和回归训练，以扩充目标样本；提取所有目标样本的特征向量，以目标样本作为节点，根据所述特征向量确定邻接矩阵，建立带权无向图；基于深度学习构建初始目标检测模型，并通过带权无向图和非目标样本数据集中的训练集对所述初始目标检测模型进行第一次训练；若训练次数达到预设训练次数，则利用优化模块进行第二次训练；若在第二次训练后，损失函数收敛，则停止训练，获得目标检测模型，利用目标检测模型对输入的图像进行目标检测。2.如权利要求1所述的基于深度学习的目标检测方法，其特征在于，预处理包括降噪处理、二值化和归一化；通过滤波模块抑制待检测的图像中的噪声干扰，所述滤波模块包括多个二维滤波矩阵、绝光屏蔽存储单元，以及至少一个CMOS传感器阵列；通过CMOS传感器阵列曝光待检测的图像的至少N行光栅，并在t时将曝光产生的电荷转移至绝光屏蔽存储单元，以捕获待检测的图像中M*M像素区域的像素点；最后通过二维滤波矩阵对像素点的像素值进行卷积，完成降噪处理；对降噪后的图像进行二值化处理，获取二值图像，根据所述二值图像的连通域进行分割，以划分目标样本和非目标样本，获得非目标样本数据集，所述目标样本至少包括一个待检测物，所述非目标样本不包括待检测物；按照相同比例对包含不同尺寸待检测物的目标样本进行采样，获得数据块，并进行归一化操作，获得目标样本数据集；其中，将70%的数据集作为训练集，30%的数据集作为测试集。3.如权利要求1所述的基于深度学习的目标检测方法，其特征在于，损失训练和回归训练包括：采用交叉熵损失函数对数据集进行损失训练；采用Smooth L1损失函数对目标样本数据集进行回归训练。4.如权利要求2或3所述的基于深度学习的目标检测方法，其特征在于，特征向量包括：提取所有目标样本的多层语义特征，并根据预设的采样率，对多层语义特征先后进行下采样和上采样，获得第一特征向量；将第一特征向量与多层语义特征进行融合，获得第二特征向量，并对第二特征向量先后进行卷积和下采样，获得特征向量。5.如权利要求4所述的基于深度学习的目标检测方法，其特征在于，建立带权无向图包括：根据特征向量确定邻接矩阵元素K
n，m
：其中，
µ
为距离函数，D
n
为节点n的特征向量，D
m
为节点m的特征向量；
根据邻接矩阵元素K
n，m
建立带权无向图G：其中，K为...

【专利技术属性】
技术研发人员：韩德红，杜益龙，圣道翠，
申请(专利权)人：南京金瀚途科技有限公司，
类型：发明
国别省市：