本發(fā)明屬于計(jì)算機(jī)視覺領(lǐng)域，主要涉及目標(biāo)檢測(cè)算法，尤其是基于無錨框的輕量化目標(biāo)檢測(cè)方法。

背景技術(shù)：

1、隨著人工智能技術(shù)的發(fā)展與應(yīng)用，計(jì)算機(jī)視覺技術(shù)成為了一個(gè)熱門的研究方向。目標(biāo)檢測(cè)作為計(jì)算機(jī)視覺的一個(gè)重要領(lǐng)域，在現(xiàn)實(shí)生活中有著廣泛的應(yīng)用。近年來隨著人臉檢測(cè)、缺陷檢測(cè)、車輛檢測(cè)等領(lǐng)域的發(fā)展，許多目標(biāo)檢測(cè)場(chǎng)景需要依賴于嵌入式設(shè)備實(shí)現(xiàn)，對(duì)嵌入式設(shè)備中實(shí)現(xiàn)目標(biāo)檢測(cè)技術(shù)提出了更高的要求。

2、目標(biāo)檢測(cè)是具體以靜態(tài)圖像或者動(dòng)態(tài)連續(xù)圖像(視頻)為基礎(chǔ)，借助相應(yīng)技術(shù)手段對(duì)目標(biāo)物體及其位置進(jìn)行分析和識(shí)別的技術(shù)。目前，目標(biāo)檢測(cè)技術(shù)及相應(yīng)識(shí)別技術(shù)已經(jīng)成為航天航空、智能機(jī)器人、自動(dòng)導(dǎo)航、視頻監(jiān)控、缺陷檢測(cè)等領(lǐng)域的重要技術(shù)之一。目標(biāo)檢測(cè)技術(shù)的發(fā)展不僅極大地提高了計(jì)算機(jī)技術(shù)應(yīng)用的整體水平，同時(shí)也誕生了許多準(zhǔn)確高效用于目標(biāo)檢測(cè)的工具，為相關(guān)領(lǐng)域的創(chuàng)新發(fā)展提供了更加強(qiáng)大的技術(shù)支持。目標(biāo)檢測(cè)的方法分為兩類：基于手工特征的方法和基于深度學(xué)習(xí)的方法。基于手工特征的方法主要通過人工手動(dòng)設(shè)計(jì)特征的方法來實(shí)現(xiàn)，但是人工針對(duì)特定類別設(shè)計(jì)的這些特征算子并不具有普適性，仍存在算法十分復(fù)雜、效率過低、不夠準(zhǔn)確等缺陷，因此限制了其應(yīng)用水平?；谏疃葘W(xué)習(xí)的目標(biāo)檢測(cè)方法能夠彌補(bǔ)基于手工特征方法復(fù)雜、效率低、不準(zhǔn)確的缺陷，通過多層網(wǎng)絡(luò)自主的對(duì)輸入圖像的特征進(jìn)行采集，并提取出來，而不用再耗費(fèi)人力來對(duì)圖像的特征進(jìn)行手動(dòng)設(shè)計(jì)，既降低了算法分析復(fù)雜性，又提高了檢測(cè)效果和準(zhǔn)確性。但這些網(wǎng)絡(luò)模型在一定程度上不能同時(shí)兼?zhèn)錅?zhǔn)確率與速度的需求。因此對(duì)于現(xiàn)有的深度學(xué)習(xí)算法中所提出的各種目標(biāo)檢測(cè)網(wǎng)絡(luò)模型結(jié)構(gòu)仍要繼續(xù)進(jìn)行改進(jìn)研究，來進(jìn)一步推動(dòng)目標(biāo)檢測(cè)技術(shù)的發(fā)展。

3、以圖像處理技術(shù)為基礎(chǔ)的嵌入式目標(biāo)檢測(cè)算法存在運(yùn)行效率低、結(jié)果可靠性差等問題，需要對(duì)圖像檢測(cè)結(jié)果的準(zhǔn)確性以及檢測(cè)算法的速度進(jìn)行優(yōu)化改進(jìn)才能滿足應(yīng)用需要。近年來基于深度學(xué)習(xí)的圖像處理技術(shù)雖然發(fā)展十分迅速，但是其仍然存在著推理所需要的參數(shù)過多、計(jì)算量龐大和訓(xùn)練時(shí)模型所占用的存儲(chǔ)空間很大的特點(diǎn)。在現(xiàn)有的生產(chǎn)環(huán)境中，常見的嵌入式圖像平臺(tái)通常是在各種邊緣設(shè)備和便攜終端設(shè)備上使用的，而這些設(shè)備一般體積是有限的，因此其計(jì)算性能有限和存儲(chǔ)空間也十分有限，很難滿足深度神經(jīng)網(wǎng)絡(luò)推理所需的計(jì)算參數(shù)量和存儲(chǔ)空間需求，在一定程度上對(duì)于面向嵌入式平臺(tái)的深度學(xué)習(xí)相關(guān)技術(shù)的實(shí)際應(yīng)用產(chǎn)生了很大的阻礙。如何利用較少的參數(shù)量訓(xùn)練出高效的目標(biāo)檢測(cè)模型并部署到嵌入式設(shè)備上，仍然是當(dāng)前需要研究并解決的重要問題。

4、近年來，主要通過對(duì)主干網(wǎng)絡(luò)進(jìn)行輕量化處理和對(duì)目標(biāo)檢測(cè)算法進(jìn)行輕量化處理的方法，來減少推理時(shí)間和內(nèi)存資源的占用。以tiny-yolo?v3(redmon，j.，anda.farhadi.″yolov3：an?incremental?improvement.″arxiv?e-prints(2018).)為代表，通過將主干特征提取網(wǎng)絡(luò)進(jìn)行輕量化，極大的縮減了網(wǎng)絡(luò)的層數(shù)來減少參數(shù)量；mobilenet-ssd(zhang，y.，et?al.″the?implementation?of?cnn-based?object?detector?on?armembedded?platforms.″2018?ieee?16th?intl?conf?on?dependable，autonomic?andsecure?computing，16th?intl?conf?on?pervasive?intelligence?and?computing，4thintl?conf?on?big?data?intelligence?and?computing?and?cyber?science?andtechnology?congress(dasc/picom/datacom/cyberscitech)ieee，2018.)算法提出了使用dsc代替標(biāo)準(zhǔn)卷積的方法，從而大大削減了網(wǎng)絡(luò)參數(shù)量，使得模型速度有很大提升；tiny-dsod輕量化目標(biāo)檢測(cè)算法(li，y.，etal.″tiny-dsod：lightweight?object?detection?forresource-restricted?usages.″2018.)在提出使用dsc代替標(biāo)準(zhǔn)卷積方法的同時(shí)，提出ddb(depthwise?dense?block)模塊作為主干網(wǎng)絡(luò)，又將dsc與特征金字塔網(wǎng)絡(luò)(featurepyramid?network，fpn)相結(jié)合，提出d-fpn模塊，其檢測(cè)速度有大大提升；輕量化目標(biāo)檢測(cè)算法mnyolo(mobilenet-yolov4-tiny)(zhang，l.，et?al.″research?on?dual?modetarget?detection?algorithm?for?embedded?platform.″complexity?2021.8(2021)：1-8.)同樣采用dsc的卷積優(yōu)化方法減少參數(shù)量，使其適用于嵌入式平臺(tái)，同時(shí)提出了一種決策級(jí)融合檢測(cè)模型使其更加適用于實(shí)際工業(yè)場(chǎng)景；輕量化目標(biāo)檢測(cè)網(wǎng)絡(luò)ssd7-ffam(li，qing，y.lin，and?w.he.″ssd7-ffam：a?real-time?object?detection?network?friendlyto?embedded?devices?from?scratch.″applied?sciences?11.3(2021)：1096.)為使其適用于嵌入式設(shè)備，通過降低卷積層數(shù)來減少計(jì)算量，提出一種新的特征融合注意力機(jī)制ffam使其檢測(cè)精度有所提升。

技術(shù)實(shí)現(xiàn)思路

1、基于現(xiàn)有技術(shù)所存在的問題，本發(fā)明的目的是提供一種基于無錨框的輕量化目標(biāo)檢測(cè)方法，在盡量不降低模型速度的前提下，對(duì)其進(jìn)行精度的提升。能夠有效緩解實(shí)際應(yīng)用中需要部署目標(biāo)檢測(cè)模型的嵌入式設(shè)備由于資源有限，無法承載深層cnn目標(biāo)檢測(cè)網(wǎng)絡(luò)龐大的運(yùn)算參數(shù)量的問題。

2、本發(fā)明是通過以下技術(shù)方案實(shí)現(xiàn)的：

3、一種基于無錨框的輕量化目標(biāo)檢測(cè)方法，包括以下步驟：

4、步驟1：獲取訓(xùn)練數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集、測(cè)試數(shù)據(jù)集，其中訓(xùn)練集、驗(yàn)證集和測(cè)試集為包含各類目標(biāo)的圖像；

5、步驟2：使用經(jīng)典的單階段目標(biāo)檢測(cè)模型yolov4-tiny為基礎(chǔ)模型，該模型是yolov4的輕量化模型，在依次通過主干特征提取網(wǎng)絡(luò)(backbone)、特征融合網(wǎng)絡(luò)fpn后，特征圖輸入檢測(cè)頭網(wǎng)絡(luò)的預(yù)測(cè)過程采用基于錨框的方式，設(shè)置一些anchor規(guī)則來提取目標(biāo)預(yù)測(cè)框；

6、步驟3：初始化步驟2中目標(biāo)檢測(cè)網(wǎng)絡(luò)模型，選取優(yōu)化器，設(shè)置訓(xùn)練參數(shù)；

7、步驟4：改進(jìn)后的模型在主干特征提取網(wǎng)絡(luò)中進(jìn)行卷積的優(yōu)化，可以有效降低主干特征提取網(wǎng)絡(luò)的參數(shù)量，并提出一種先壓縮再擴(kuò)張?zhí)卣鞯淖⒁饬C(jī)制嵌入主干特征提取網(wǎng)絡(luò)的殘差模塊結(jié)構(gòu)中，有利于在進(jìn)行特征提取時(shí)更側(cè)重于提取對(duì)檢測(cè)出正確目標(biāo)更有表征力的特征；

8、步驟5：改進(jìn)后的模型沒有采用基于錨框的正樣本選擇方法，而是提出了一種基于無錨框的正樣本選擇方法來替代原始方法，該方法可以有效減少運(yùn)算參數(shù)量并加強(qiáng)正樣本提?。?/p>

9、步驟6：使用改進(jìn)后的網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；

10、步驟7：將訓(xùn)練好的模型進(jìn)行量化、剪枝和結(jié)構(gòu)上的優(yōu)化，進(jìn)一步提升模型的效率；

11、步驟8：加載優(yōu)化后的網(wǎng)絡(luò)模型，輸入測(cè)試集，獲取包括平均精度、精確度、召回率和f1值等各項(xiàng)評(píng)價(jià)指標(biāo)。通過圖像測(cè)試對(duì)改進(jìn)模型進(jìn)行可視化評(píng)價(jià)。

12、進(jìn)一步地，步驟1中采用pascal?voc?2007和pascal?voc?2012數(shù)據(jù)集，按一定比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。

13、步驟4中，在特征提取階段先使用1×1的卷積，先對(duì)特征圖進(jìn)行升維操作。然后在網(wǎng)絡(luò)結(jié)構(gòu)中添加改進(jìn)版關(guān)于通道的注意力機(jī)制，主要過程為對(duì)特征圖進(jìn)行全局平均池化，再通過1×1的卷積步驟來壓縮特征，之后再通過1×1的卷積步驟來擴(kuò)張?zhí)卣?。通過壓縮和擴(kuò)張通道數(shù)這兩個(gè)步驟最主要的優(yōu)勢(shì)是能夠有效地減少開銷，另外在一定程度上也可以達(dá)到將深層特征信息與淺層特征信息進(jìn)行一個(gè)融合的效果，有利于增強(qiáng)特征的提取。最后使用1×1的卷積進(jìn)行對(duì)得到的特征圖進(jìn)行降維的操作。將此步輸出的結(jié)果與在進(jìn)行升維前的結(jié)果引出一個(gè)捷徑分支在通道方向進(jìn)行拼接(concat)。

14、步驟5中，采用以目標(biāo)中心點(diǎn)為圓心做出一個(gè)圓形范圍，來進(jìn)一步擴(kuò)展有效特征信息的數(shù)目。規(guī)定了一個(gè)以長度r作為半徑的在特征圖上作出的一個(gè)圓形。其中r的計(jì)算公式定義為：

15、

16、其中，w和h分別代表目標(biāo)真實(shí)框的寬度和高度，α為一個(gè)可變的系數(shù)因子，α的值可以控制所規(guī)定正樣本的大小，取α＝0.5。