本發明公開了一種基于深度學習的圖像目標快速檢測方法，步驟為：1、建立基于深度學習的第一級Tiny?YOLO目標檢測模型和第二級Tiny?YOLO目標檢測模型；2、向第一級Tiny?YOLO目標檢測模型輸入含有目標的測試圖像，根據網絡輸出結果判斷檢測是否成功；若檢測成功，根據檢測區域與圖像分辨率的關系判斷目標是否為小目標；若不是小目標則輸出檢測結果；若為小目標則進行下一步；若檢測失敗，對輸入的圖片進行分塊處理，然后對分塊處理后的圖像進行第一級Tiny?YOLO網絡檢測；3、對第一級Tiny?YOLO網絡檢測輸出的檢測區域進行放大截取，然后輸入至第二級Tiny?YOLO網絡，進行檢測處理，得到輸出結果。本發明處理時間較短，識別可靠性高。

技術領域

本發明屬于圖像檢測識別技術領域，特別涉及一種基于深度學習的圖像目標快速檢測方法。

背景技術

圖像目標檢測一直是圖像處理領域的熱點，尤其針對小目標的高魯棒性、高準確性以及高實時性的檢測，具有重要的應用價值。本發明以軟管式自主空中加油的錐套目標檢測為例，展開方法的設計與實現。

軟管式自主空中加油可以大幅度提升無人機的續航能力，它是加油機與受油機通過編隊配合，由受油機自主定位前方加油機上錐套相對自身的位置，并通過精準的控制實現受油機與加油錐套的精準對接，其中受油機能夠自主準確的定位加油錐套的相對位置尤為關鍵，為后續的精確控制提供導航信息。目前，軟管式自主空中加油近距對接的定位導航手段為視覺導航輔助GPS/INS組合導航，視覺導航負責提供加油錐套與受油機之間的相對位置關系，在導航系統中起到了關鍵性的作用，而錐套目標的圖像檢測是視覺導航必不可少的環節，國內外眾多研究機構對錐套目標的檢測技術開展了大量的研究。

軟管式自主空中加油對錐套目標的檢測提出了很高的要求，一方面，要求錐套目標的檢測識別可靠性很高，尤其對于較遠距離錐套小目標需要有較高的檢測準確率以及成功率；另一方面對于圖像信息的處理時間要盡可能短，以保證很高的實時性。

目標檢測一直是圖像處理領域研究的熱點。如今，目標檢測方法主要分為兩大類：基于傳統圖像處理的目標檢測方法和基于深度學習的目標檢測方法。

傳統的目標檢測方法可表示為：目標特征提取-目標識別-目標定位。基于深度學習的目標檢測可表示為：圖像的深度特征提取-基于深度神經網絡的目標識別與定位。傳統的目標檢測算法場景適應性差，對于光照變化劇烈、目標被遮擋、背景干擾嚴重、目標較小的情況下檢測效果較差，因而逐漸被檢測精度高、魯棒性強的深度學習檢測算法所取代。基于深度學習的目標檢測主要可分為兩類：基于區域建議的目標檢測與識別算法，如R-CNN、Fast-R-CNN、Faster-R-CNN等；基于回歸的目標檢測與識別算法，如YOLO、SSD等，其中基于回歸的目標檢測算法實時性較好。

發明內容

發明目的：針對現有技術的問題，提供一種處理時間較短，識別可靠性高的基于深度學習的圖像目標快速檢測方法。

技術方案：為解決上述技術問題，本發明提供一種基于深度學習的圖像目標快速檢測方法，包括如下步驟：

(1)建立基于深度學習的第一級TinyYOLO目標檢測模型和第二級Tiny?YOLO目標檢測模型；

(2)向第一級Tiny?YOLO目標檢測模型輸入含有目標的測試圖像，網絡的最后一層輸出所有預測目標區域信息R₁:

R₁＝{r_i|r_i＝(x_i,y_i,w_i,h_i,p_i,c_1i,c_2i),i＝1,2,...,845}