APP下载

密集场景的双通道耦合目标检测算法

2020-03-01刘洁瑜魏文晓

中国惯性技术学报 2020年5期
关键词:区域检测

刘洁瑜,魏文晓,赵 彤,沈 强

(1.火箭军工程大学,西安 710025;2.北部战区联合作战指挥中心,沈阳 110000)

图像制导是目前精确制导系统中常用的制导方式之一,通过安装在制导武器导引头的摄像机实施拍摄地面信息,对获取的图像进行实时分析处理确定目标的位置信息,因此目标检测算法既要有高实时性又要有高精确度[1]。在空对地这类特殊场景下,图像中包含的背景信息变化多样(光照,遮挡等),目标尺度较小,分布密集的目标较多,加大了检测难度。

近些年,深度学习技术发展迅猛,特别是卷积神经网络(Convolutional Neural Network,CNN)能够自动学习结构化特征,在计算机视觉领域发展迅速。将卷积神经网络应用到检测任务,充分利用了卷积神经网络强大的特征提取能力[2]。随后目标检测领域的发展趋于两大类检测算法,一类是双阶段算法,检测精度较高,但由于其分为两个阶段进行分类预测,速度受限;另一类是单阶段算法,其去除了生成候选区域的阶段,直接回归预测分类,检测速度快,但相比于双阶段算法检测精度有一定程度的降低。为此,众多学者通过增强算法中CNN 的表征能力[3,4]或者平衡正负样本[5,6]的方法提升单阶段算法的检测精度,使其可以与双阶段算法媲美。虽然基于CNN 的单阶段目标检测算法取得了一定的成果,但是在密集目标和小目标的检测上效果不佳。为了提升对小目标的检测精度,2016年Liu Wei 提出了SSD[7]算法,采用了一种多尺度预测的思想,在6 个不同特征层上同时预测候选边界,以适应图像中不同尺度的目标。……

登录APP查看全文

猜你喜欢

区域检测
永久基本农田集中区域“禁废”
分割区域
小波变换在PCB缺陷检测中的应用
关于四色猜想
分区域
基于严重区域的多PCC点暂降频次估计
区域