一种基于关联规则的小目标检测方法与流程

本发明涉及目标检测，尤其涉及一种基于关联规则的小目标检测方法。

背景技术：

1、目标检测在过去几年中取得了显著的进展，它是姿态估计、行人检测、人脸检测、目标跟踪、自动驾驶等计算机视觉研究领域的研究基础。小目标检测长期以来是目标检测中的一个研究痛点，在我们生活中需要小目标检测的场景数不胜数。然而，由于小目标视觉特征较差、噪声较多，此外，用于小尺寸目标检测的大规模基准测试数据集仍然不够全面，小目标检测仍然是计算机视觉中最具有挑战性的任务之一。

2、经检索，中国专利申请号为cn202111214050.6的专利，公开了一种基于数字图像的目标检测方法、系统及电子设备，涉及模式识别技术领域。该方法首先获取待检测图像；然后将待检测图像输入至已完成训练的目标检测模型中，确定待检测图像中每个像素点包含目标的概率值；其中，目标检测模型用于将待检测图像下采样至3个不同尺度的特征图，并根据特征图的输出张量得到待检测图像中每个像素点对应的目标的概率值；最后根据待检测图像中每个像素点包含目标的概率值确定待检测图像的目标区域，并根据目标区域确定目标的检测结果。上述专利中的目标检测方法存在以下不足：其主要应用于文字的检测，对于其它的小目标检测的功能方面还有所不足。

技术实现思路

1、本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于关联规则的小目标检测方法。

2、为了实现上述目的，本发明采用了如下技术方案：

3、一种基于关联规则的小目标检测方法，包括：

4、数据预处理模块：负责输入图像的预处理工作，包括图像去噪、尺度归一化和增强处理，以提高小目标特征的可辨识性；

5、特征提取模块：采用pp-yolov8来自动学习和提取图像特征；

6、关联规则生成模块：通过分析训练数据集中的目标共现模式，生成关联规则；

7、目标检测模块：将提取的特征与关联规则结合，运用机器学习算法进行目标识别和定位；区分不同大小的目标并给予特定的检测策略；

8、后处理模块：对检测结果进行优化，包括非最大值抑制、边界框修正，以得到更准确的目标边界和置信度评估；

9、结果输出模块：将最终检测到的小目标以可视化的方式呈现，并提供接口供进一步分析和处理使用；

10、迭代优化模块：根据实际检测效果收集反馈信息，不断调整关联规则和检测模型参数，实现系统的持续迭代和优化。

11、优选的：所述数据预处理模块：进行图像去噪与归一化处理，并且采用高级图像增强技术，包括自适应直方图均衡化、局部对比度增强以及针对特定小目标特征的增强策略，具体为：

12、采用retinex理论进行色彩恒常性处理，以强化低对比度的小目标特征；

13、使用高斯-拉普拉斯金字塔进行边缘检测，突出小目标的边缘信息。

14、优选的：所述特征提取模块：在pp-yolov8模型基础上，采用注意力机制和特征融合技术，包括senet、fastdcn，以聚焦于小目标的特征并抑制背景噪声，具体为：

15、引入可变形卷积网络，通过学习卷积核的偏移来适应不规则形状的小目标；

16、集成双向特征金字塔网络结构，实现不同层级特征的更有效融合；

17、所述特征提取模块通过在标准卷积的基础上添加可学习的偏移量来提高模型对不规则形状小目标的适应性，具体公式为：

18、

19、其中，x(i)表示输入特征图，wk是卷积核权重，δpk是从可学习偏移场获得的偏移量，y(i)是输出特征图。

20、优选的：所述关联规则生成模块：不仅基于目标共现模式，还考虑时序信息和上下文环境因素，采用关联分析模型，具体为：

21、使用时间序列分析方法挖掘目标运动的动态关联规则；

22、利用图卷积网络对场景图结构进行分析，捕获空间关联性；

23、所述关联规则生成模块，基于时间序列分析预测时间序列数据中的未来值，具体如下：

24、yt＝c+φ1yt-1+…+φpyt-p+θ1∈t-1+…+θq∈t-q+∈t

25、其中，yt是当前值，φ和θ是模型参数，∈是误差项，在关联规则生成中，它帮助捕捉目标运动的动态模式。

26、优选的：所述目标检测模块：采用多尺度检测和锚点优化策略，提升对小目标的检测精度，具体为：

27、应用多尺度训练和测试策略，使网络更好地适应不同大小的输入图像；

28、采用k-means++算法优化锚点的选择，使其更贴合实际数据分布。

29、优选的：所述后处理模块：采用后处理算法提高检测精度，具体为：

30、使用贝叶斯优化算法调整nms的阈值，以适应不同的检测情境；

31、引入条件随机场模型对检测结果进行精细化修正。

32、优选的：所述迭代优化模块：采用在线学习机制和模型蒸馏技术，持续提升系统性能，具体为：

33、利用在线学习逐步更新关联规则和模型参数，确保系统适应不断变化的环境；

34、通过知识蒸馏将复杂模型的知识转移至轻量化模型，保持系统的实时性和部署便捷性；

35、所述迭代优化模块将复杂模型的知识转移到轻量化模型，以提高模型的运行效率和部署便捷性，具体如下：

36、ldistill(wt,s)＝alce(wt；x,y)+(1-a)lkd(s,wt；x)

37、其中，wt是教师模型，s是学生模型，lce是交叉熵损失，lkd是知识蒸馏损失。

38、优选的：包括如下步骤：

39、s1：数据预处理，输入原始图像数据；进行图像去噪处理；实施尺度归一化以匹配模型输入要求；应用色彩恒常性和局部对比度增强策略，改善小目标特征的可辨识性；

40、s2：特征提取，使用pp-yolov8自动学习图像特征；引入注意力机制和特征融合技术，通过senet、fastdcn等方法增强小目标的特征表征；应用可变形卷积网络适应小目标形状；

41、s3：关联规则应用，根据已挖掘的共现模式和时序信息，应用关联规则辅助识别潜在的小目标区域；利用图卷积网络分析场景图结构，获取空间关联性；

42、s4：目标检测与识别，在多尺度对象检测策略下，调整网络参数以适应不同大小的输入图像；运用优化后的锚点进行目标定位；结合多个模型的检测结果，使用集成学习提升最终的检测精度；

43、s5：后处理优化，执行非最大值抑制以剔除多余的候选框；利用边界框校正算法进行检测结果的精细调整；应用条件随机场模型对检测结果进行精细化修正；

44、s6：结果输出。

45、优选的：所述s6的结果输出方式为：

46、将检测结果叠加在原始图像上进行可视化呈现；提供时间序列分析结果展示，追踪目标运动趋势；通过交互式用户界面接收用户反馈用于后续模型优化。

47、优选的：所述特征提取模块基于可变形卷积网络，允许卷积核自由形变，以适应不规则形状的目标，这对于捕捉小目标的精细结构特别有效，具体公式为：

48、

49、其中，y(m,n)是输出特征图，x是输入特征图，k是可变形卷积核，b是偏置项。

50、优选的：所述检测方法还包括：反馈与模型迭代，收集用户反馈和新的数据样本进行在线学习，更新关联规则和模型参数；实施知识蒸馏将复杂模型知识转移至轻量化模型，确保系统的实时性；通过性能监控器持续评估系统的效率和准确度，并进行必要的调整。

51、本发明的有益效果为：

52、1.本发明通过整合关联规则和深度学习网络，有效提升了小目标的检测能力，尤其是在遥感图像、无人机航拍等大尺度场景下的应用表现突出；此外，在边境监控、反恐侦察、司法协助等领域具有广泛的应用潜力。

53、2.本发明通过不断收集反馈并优化模型，使系统能够自适应各种复杂环境，提高小目标检测的准确性和鲁棒性。