论文部分内容阅读
随着计算机视觉技术的高速发展,目标检测在公共安防、智慧城市、交通控制等众多领域得到广泛应用。与此同时,深度学习算法的发展使得目标检测系统的性能远远优于传统算法,并进一步推动了目标检测的应用。然而,由于大部分应用场景存在大量小像素目标,这类目标信息量少,并且特征不明显,小像素目标的检测仍然是计算机视觉领域的一个挑战。本文首先提出了两种常用场景下的小目标检测算法;其次,采集小目标数据集,并将本文提出的算法应用于人脸检测数据集、公开无人机场景数据集和实验采集数据集,计算小目标检测的客观指标;最后,将算法植入智能终端硬件系统,设计并编写对应软件,实现了小目标检测算法的应用。主要研究内容如下:(1)提出一种基于改进型生成对抗网络(Generative Adversarial Networks,GAN)的小脸检测算法SG-FACE。该算法首先将图像中像素较小的目标,通过生成对抗网络生成高分辨目标,然后将新目标作为人脸检测网络的输入,通过“中心凹”特征融合结构与多尺度检测结构,进一步完成人脸检测。实验结果表明,与传统的人脸检测相比,本文提出的SG-FACE小脸检测器不仅准确率高,而且漏检率低。该检测算法可靠性高,可有效用物复杂场景中的安防等系统中。,(2)提出了一种基于YOLOv3(You Only Look Once version3)网络结构的多尺度融合的小像素目标检测算法YOLO-D4。YOLO-D4通过深度学习网络融合从4个不同尺度提取的特征信息,实现不同层数语义信息的检测。YOLO-D4在训练集上使用K-means聚类算法来找到最佳先验,并增加了一个小目标检测器,运用四倍下采样的浅层特征与高层的特征信息融合的方法,充分融合了小物体目标的背景信息与语义信息,提高了模型对小物体特征的检测能力。将该算法应用于中高空小目标场景数据集,结果表明,与YOLOv3相比,本文提出的YOLO-D4算法平均精度均值(mean average precision,mAP)提高2.16%,中高空视角mAP提高1.76%,夜视场景下mAP提高5.51%,雾天场景下mAP提高2.66%。(3)基于智能终端的小目标检测系统实现。首先,将YOLO-D4算法移植到深度学习智能平台终端;其次,编写与之配套的软件;同时,采集实验数据集,进行数据扩增,提升实际应用场景下检测的性能;最后,在智能终端上进行实时的目标检测。结果表明,基于智能终端的小目标检测系统检测帧率达到15.8FPS,可以满足实时要求,能够有效检测不同环境场景下的小像素目标,具有良好的泛化能力和实际应用能力。综上所述,本文针对复杂场景中的小像素目标,提出了基于改进型生成对抗网络的小脸检测算法SG-FACE和基于YOLOv3网络结构的多尺度融合的小像素目标检测算法YOLO-D4,将算法移植至智能终端,编写配套软件,采集实际场景数据完成算法优化,实现了小目标检测算法、软件和硬件系统应用,完成了机器视觉相关算法的理论和实际应用开发。