一种基于时间与空间上下文的预置摄像头目标检测算法

技术领域

本发明涉及深度学习、目标检测、小目标学习，具涉及到一种基于时间与空间上下文的预置摄像头目标检测算法。

背景技术

前基于深度学习的目标检测算法已经日益成熟，但是其对于目标检测的高准确率是建立在有足够数据集的支持下的，当数据集规模非常小时，识别的效果就会差强人意。而在实际的生产环境中，需要检测的异常目标，不管是在时间还是在空间上分布都是极少的，这就造成了数据集不可能很大。这就造成了对于这种异常目标的检测变得困难。最接近本发明的技术有：

(1)、R-CNN系列：包括R-CNN、Fast R-CNN、Faster R-CNN、 Mask R-CNN。传统方法由于滑窗效率低下，特征不够鲁棒等原因限制了目标检测的发展，导致其一直无法在工业界进行大规模落地。R-CNN 系列算法的出现很好的解决了这一系列问题：根据检测阶段的不同，我们可以将深度学习方法分为one-stage检测算法和two-stage检测算法两种。对于two-stage检测方法来说，它先生成了可能包含物体的候选区域Region Proposal，然后在对这个候选区域做进一步的分类和校准，得到最终的检测结果实现了快速高效的端到端的目标检测，但是在小数据集上R-CNN系列算法表现仍然差强人意。

(2)、元学习：元学习(Meta Learning)或者叫做“学会学习” (Learning tolearn)，它是要“学会如何学习”，即利用以往的知识经验来指导新任务的学习，具有学会学习的能力。元学习在小样本学习上具有较好的表现，然而当前的研究仍是百花齐放状态，仍在研究有效的算法。

发明内容

为解决在固定场景下小样本集的目标检测不准确问题，本文提出的技术方案为：

1、本发明提出一种基于时间与空间上下文的预置摄像头目标检测算法，通过对时间与空间上下文的学习，在小数据集上对异常目标也能达到较好的检测效果。算法包括以下步骤：

步骤(1)、将图片、摄像头位置信息、时间信息作为输入，输入进网络；

步骤(2)、将步骤(1)中输入，使用RPN提取的特征，

步骤(3)、将RPN提取的特征存入记忆库中；

步骤(4)、将记忆库中存取的特征与RPN提取的特征进行合并；

步骤(5)、同时对步骤(1)中的输入使用resnet50进行特征提取；

步骤(6)、将步骤(4)与步骤(5)所得到特征进行并联；

步骤(7)、将步骤(6)得到的结果输入分类器和进行遍框回归；

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于时间与空间上下文的预置摄像头目标检测算法的流程图。