一種基于動態神經網絡的武裝人員裝備檢測方法和系統技術方案

一種基于動態神經網絡的武裝人員裝備檢測方法和系統，方法包括以下步驟：采用可變焦的高分辨率相機采集不同距離下的武裝人員圖像，對各圖像進行人員和裝備標注，形成裝備檢測數據集；構建動態神經網絡模型，所述動態神經網絡模型包括第一子網絡和第二子網絡，所述第一子網絡用于檢測圖像中的人類；當所述第一子網絡檢測圖像中包含人類時，提取人類ROI傳輸至第二子網絡；所述第二子網絡用于根據圖像的不同分辨率采用不同網絡深度處的分類器進行裝備檢測；基于所述裝備檢測數據集訓練所述動態神經網絡模型，得到訓練好的武裝人員裝備檢測模型；將待檢測圖像輸入所述武裝人員裝備檢測模型，得到待檢測圖像的武裝人員裝備檢測結果。結果。結果。

【技術實現步驟摘要】
一種基于動態神經網絡的武裝人員裝備檢測方法和系統


[0001]本專利技術涉及武裝人員裝備檢測
，尤其涉及一種基于動態神經網絡的武裝人員裝備檢測方法和系統。

技術介紹

[0002]在實際的偵察工作中，武裝人員身上攜帶的裝備較小，在1000 米的遠距離范圍內更難以辨別，需要加載結構復雜的深度網絡才能實現準確的識別。如何高效地采用深度網絡進行目標識別是難點之一。
[0003]在神經網絡中，低分辨率的小尺度特征往往要在深層級才能提取到，這些信息具有更多的語義信息，更適合進行識別工作。在傳統的深度學習方法中，往往將目標無差別地輸入到網絡中進行前向傳播，最后輸出結果。然而，對于一些在近距離采集到的高分辨率大尺寸目標，利用淺層特征便可以輕易地識別出來，將這些目標輸入到深層級往往會造成算力的冗余，影響識別算法的效率。

技術實現思路

[0004]鑒于上述的分析，本專利技術實施例旨在提供一種基于動態神經網絡的武裝人員裝備檢測方法和系統，用以解決現有深度網絡檢測效率低的問題。
[0005]一方面，本專利技術實施例提供了一種基于動態神經網絡的武裝人員裝備檢測方法，包括以下步驟：
[0006]采用可變焦的高分辨率相機采集不同距離下的武裝人員圖像，對各圖像進行人員和裝備標注，形成裝備檢測數據集；
[0007]構建動態神經網絡模型，所述動態神經網絡模型包括第一子網絡和第二子網絡，所述第一子網絡用于檢測圖像中的人類；當所述第一子網絡檢測圖像中包含人類時，提取人類ROI傳輸至第二子網絡；所述第二子網絡用于根據圖像的不同分辨率采用不同網絡深度處的分類器進行裝備檢測；基于所述裝備檢測數據集訓練所述動態神經網絡模型，得到訓練好的武裝人員裝備檢測模型；
[0008]將待檢測圖像輸入所述武裝人員裝備檢測模型，得到待檢測圖像的武裝人員裝備檢測結果。
[0009]基于上述技術方案的進一步改進，所述第二子網絡包括主干網絡單元、Neck網絡單元和預測單元；所述主干網絡單元用于提取不同尺度的特征圖；所述Neck網絡用于對主干網絡單元提取的不同尺度的特征圖進行上采樣和特征融合，獲得不同尺度的張量數據；所述預測單元包括多個淺層分類器，用于根據不同尺度的張量數據進行目標檢測；
[0010]所述Neck網絡單元中包括多級CSP和CBL組合塊，在所述不同級的CSP和CBL組合塊后連接淺層分類器，所述淺層分類器用于根據當前尺度的張量數據進行目標檢測。
[0011]進一步地，所述淺層分類器包括依次連接的卷積層、concat層和 sigmoid層；所述卷積層用于提取圖像特征，所述concat層用于對特征進行拼接，所述sigmoid層用于進行分
類；不同層級的淺層分類器的卷積核大小和個數不同。
[0012]進一步地，對各圖像進行人員和裝備標注，形成裝備檢測數據集，包括：
[0013]采用標注框對武裝人員圖像中的人員和裝備進行標注；
[0014]對標注后的圖像采用標注框尺度扭曲、標注框鏡像翻轉、圖像隨機縮放、圖像隨機裁剪和/或圖像隨機排布進行數據集增強，得到增強后的數據集，將增強前的數據集與增強后的數據集作為裝備檢測數據集。
[0015]進一步地，所述第二子網絡的預測框損失函數為：
[0016][0017]其中，dis_2表示預測框與標注框的中心點的歐氏距離，dis_C表示預測框與標注框的最小外接矩形的對角線距離，IOU表示預測框和標注框的交并比。
[0018]進一步地，在基于所述武裝人員圖像構建裝備檢測數據集之后，構建動態神經網絡模型之前，還包括：根據所述數據集中的所有圖像的標注框，確定所述動態神經網絡模型的初始錨框。
[0019]進一步地，根據所述數據集中的所有圖像的標注框，確定所述動態神經網絡模型的初始錨框，包括：
[0020]將所述數據集中各圖像等比例縮放至指定大小，得到縮放后的標注框；
[0021]對縮放后的標注框進行聚類，采用遺傳算法對每類標注框進行變異，基于預測正確率選擇最優標注框作為初始錨框。
[0022]進一步地，基于所述裝備檢測數據集訓練所述動態神經網絡模型，得到訓練好的武裝人員裝備檢測模型之后，還包括采用以下步驟對所述武裝人員裝備檢測模型進行剪枝：
[0023]對模型各通道進行稀疏化處理計算稀疏化處理后每個通道的尺度因子；
[0024]若尺度因子小于預設的閾值，則將該通道剪除；否則，保留該通道；
[0025]對剪枝后的模型進行重新訓練，得到訓練好的武裝人員裝備檢測模型。
[0026]另一方面，本專利技術實施例提供了一種基于動態神經網絡的武裝人員裝備檢測系統，包括以下模塊：
[0027]數據集構建模塊，用于采用可變焦的高分辨率相機采集不同距離下的武裝人員圖像，對各圖像進行人員和裝備標注，形成裝備檢測數據集；
[0028]模型訓練模塊，用于構建動態神經網絡模型，所述動態神經網絡模型包括第一子網絡和第二子網絡，所述第一子網絡用于檢測圖像中的人類；當所述第一子網絡檢測圖像中包含人類時，提取人類ROI傳輸至第二子網絡；所述第二子網絡用于根據圖像的不同分辨率采用不同網絡深度處的分類器進行裝備檢測；基于所述裝備檢測數據集訓練所述動態神經網絡模型，得到訓練好的武裝人員裝備檢測模型；
[0029]裝備檢測模塊，用于將待檢測圖像輸入所述武裝人員裝備檢測模型，得到待檢測圖像的武裝人員裝備檢測結果。
[0030]進一步地，所述第二子網絡包括主干網絡單元、Neck網絡單元和預測單元；所述主干網絡單元用于提取不同尺度的特征圖；所述Neck網絡用于對主干網絡單元提取的不同尺度的特征圖進行上采樣和特征融合，獲得不同尺度的張量數據；所述預測單元包括多個淺
層分類器，用于根據不同尺度的張量數據進行目標檢測；
[0031]所述Neck網絡單元中包括多級CSP和CBL組合塊，在所述不同級的CSP和CBL組合塊后連接淺層分類器，所述淺層分類器用于根據當前尺度的張量數據進行目標檢測。
[0032]與現有技術相比，本專利技術通過采用動態神經網絡模型構建武裝人員裝備檢測模型，對于不同分辨率的圖像，可以采用不同的網絡深度進行識別，從而減少冗余計算，提高檢測效率。
[0033]本專利技術中，上述各技術方案之間還可以相互組合，以實現更多的優選組合方案。本專利技術的其他特征和優點將在隨后的說明書中闡述，并且，部分優點可從說明書中變得顯而易見，或者通過實施本專利技術而了解。本專利技術的目的和其他優點可通過說明書以及附圖中所特別指出的內容中來實現和獲得。
附圖說明
[0034]附圖僅用于示出具體實施例的目的，而并不認為是對本專利技術的限制，在整個附圖中，相同的參考符號表示相同的部件。
[0035]圖1為本專利技術實施例基于動態神經網絡的武裝人員裝備檢測方法的流程圖；
[0036]圖2為本專利技術實施例基于動態神經網絡的武裝人員裝備檢測系統的框圖。
具體實施方式
[0037]下面結合附圖來具體描本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于動態神經網絡的武裝人員裝備檢測方法，其特征在于，包括以下步驟：采用可變焦的高分辨率相機采集不同距離下的武裝人員圖像，對各圖像進行人員和裝備標注，形成裝備檢測數據集；構建動態神經網絡模型，所述動態神經網絡模型包括第一子網絡和第二子網絡，所述第一子網絡用于檢測圖像中的人類；當所述第一子網絡檢測圖像中包含人類時，提取人類ROI傳輸至第二子網絡；所述第二子網絡用于根據圖像的不同分辨率采用不同網絡深度處的分類器進行裝備檢測；基于所述裝備檢測數據集訓練所述動態神經網絡模型，得到訓練好的武裝人員裝備檢測模型；將待檢測圖像輸入所述武裝人員裝備檢測模型，得到待檢測圖像的武裝人員裝備檢測結果。2.根據權利要求1所述的動態神經網絡的武裝人員裝備檢測方法，其特征在于，所述第二子網絡包括主干網絡單元、Neck網絡單元和預測單元；所述主干網絡單元用于提取不同尺度的特征圖；所述Neck網絡用于對主干網絡單元提取的不同尺度的特征圖進行上采樣和特征融合，獲得不同尺度的張量數據；所述預測單元包括多個淺層分類器，用于根據不同尺度的張量數據進行目標檢測；所述Neck網絡單元中包括多級CSP和CBL組合塊，在所述不同級的CSP和CBL組合塊后連接淺層分類器，所述淺層分類器用于根據當前尺度的張量數據進行目標檢測。3.根據權利要求2所述的動態神經網絡的武裝人員裝備檢測方法，其特征在于，所述淺層分類器包括依次連接的卷積層、concat層和sigmoid層；所述卷積層用于提取圖像特征，所述concat層用于對特征進行拼接，所述sigmoid層用于進行分類；不同層級的淺層分類器的卷積核大小和個數不同。4.根據權利要求1所述的動態神經網絡的武裝人員裝備檢測方法，其特征在于，對各圖像進行人員和裝備標注，形成裝備檢測數據集，包括：采用標注框對武裝人員圖像中的人員和裝備進行標注；對標注后的圖像采用標注框尺度扭曲、標注框鏡像翻轉、圖像隨機縮放、圖像隨機裁剪和/或圖像隨機排布進行數據集增強，得到增強后的數據集，將增強前的數據集與增強后的數據集作為裝備檢測數據集。5.根據權利要求4所述的動態神經網絡的武裝人員裝備檢測方法，其特征在于，所述第二子網絡的預測框損失函數為：其中，dis_2表示預測框與標注框的中心點的歐氏距離，dis_C表示預測框與標注框的最小外接矩形的對角線距離，IOU表示預測框和標注框的交并比。6.根據權利要求1所述的動態神經網絡的武裝人員裝備檢測方法，其特...

【專利技術屬性】
技術研發人員：趙小川，董憶雪，王子徹，樊迪，徐凱，邵佳星，何云峰，
申請(專利權)人：中國兵器工業計算機應用技術研究所，
類型：發明
國別省市：