1.一种基于多层特征图融合的SSD目标检测算法,其特征在于,包括以下具体步骤:
步骤1)对图像进行预处理,将图像大小缩放成网络能够进行检测的尺寸;
步骤2)选取网络Darknet53作为特征提取网络;
步骤3)在网络Darknet53的后面额外增加三个卷积层,得到八个卷积层,并使用该网络对图像进行特征提取,得到特征图;
步骤4)对后五个特征图上采样操作后得到后六个特征图分辨率相同,并对其进行融合,将该融合的六层特征图使用卷积进行下采样操作,产生金字塔特征层次结构;
步骤5)将网络Darknet53的后两层及额外增加三个卷积层产生的五层特征图进行上采样操作,然后与金字塔特征层次结构中尺寸对应的特征图进行融合;
步骤6)在这六层融合后的特征图上使用一系列卷积产生最终的检测结果。
2.根据权利要求1所述的基于多层特征图融合的SSD目标检测算法,其特征在于,步骤1具体为:使用插值的方法将图像缩放成300×300的大小,可采用最近邻插值、线性插值或区域插值。
3.根据权利要求2所述的基于多层特征图融合的SSD目标检测算法,其特征在于,步骤4具体为:步骤4-1)将分辨率为300×300的图像,用网络Darknet53的后六层卷积层进行处理,得到分辨率为38×38、19×19、10×10、5×5、3×3、1×1的六个特征图;对后五个特征图上采样成38×38的特征图后融合这六个特征图,产生既包含目标细节信息又包含全局语义信息的特征图;本发明中融合操作均使用特征图连接操作;
步骤4-2)然后对这个融合后的特征图使用步长为2的卷积进行下采样产生金字塔特征层次结构。
4.根据权利要求3所述的基于多层特征图融合的SSD目标检测算法,其特征在于,步骤5具体为:分别使用线性插值放大分辨率分别为19×19、10×10、5×5、3×3、1×1的后五层特征图,得到38×38、19×19、10×10、5×5、3×3;将放大后的五个特征图与金字塔特征层次结构中尺寸对应的特征图进行融合。
5.根据权利要求4所述的基于多层特征图融合的SSD目标检测算法,其特征在于,步骤6具体为:步骤6-1)对于金字塔特征层次结构中融合后的38×38特征图中每个网格点cell预测4个框,每一个框包含(c+4)个值,其中c为类别数,4为相对于原始默认框的4个坐标偏移量;
对于金字塔特征层次结构中融合后的19×19特征图中每个网格点cell预测6个框,每一个框包含(c+4)个值;对于金字塔特征层次结构中融合后的10×10特征图中每个网格点cell预测6个框,每一个框包含(c+4)个值;对于金字塔特征层次结构中融合后的5×5特征图中每个网格点cell预测6个框,每一个框包含(c+4)个值;对于金字塔特征层次结构中融合后的3×3特征图中每个网格点cell预测4个框,每一个框包含(c+4)个值;对于金字塔特征层次结构中融合后的1×1特征图中每个网格点cell预测4个框,每一个框包含(c+4)个值;
步骤6-2)通过整合上述的输出数据,得到一系列目标框,设置阈值过滤掉置信度得分低的目标框,最后对保留的目标框进行非极大值抑制处理,去掉重复框,选取目标类别出现概率最高的目标框,并输出其具体坐标,得到最终结果。