技术特征：
1.一种基于方向梯度直方图与改进胶囊网络的目标检测方法，其特征在于，包括以下步骤：1)获得目标原始图像，使用标注工具标注目标位置，然后随机选取不同的图像作为训练集；2)将原始图像的方向梯度直方图与卷积特征图并联融合以结合图像的边缘轮廓特征与卷积核的视野特征，再以此作为改进胶囊网络的输入；3)改进胶囊网络利用并行卷积网络提取综合特征，通过去冗胶囊网络形成特征向量，并利用反卷积图像重构网络实现图像重构；4)利用3*3*256的卷积层和两个并行的1*1卷积核提取检测框中心点特征图和检测框尺度特征图，形成对应目标框并输出检测结果。2.根据权利要求1所述的基于方向梯度直方图与改进胶囊网络的目标检测方法，其特征在于：所述步骤2)中方向梯度直方图与卷积特征图并联融合的算法具体步骤为：2-1)归一化；首先对目标图像划分为4个单元格，对其中的每个单元格划分为9块，并进行gamma归一化处理，同时对gamma校正值进行参数寻优；归一化公式如下：行gamma归一化处理，同时对gamma校正值进行参数寻优；归一化公式如下：该式中τ表示块的特征向量，ε取值为较小的常数，表示目标图像第j个单元格中的第i块，f表示完成所有块特征向量归一化后的目标图像；2-2)从归一化后的图像中选择检测窗口，选择与图像纵横比相等并且不超过图像大小二分之一的检测窗口；2-3)从窗口中选择块，依据检测窗口选取长宽相等的矩形块；2-4)在块内划分cell单元，在矩形块内使用8*8像素大小的正方形cell作为块内特征提取最小单位对块进行划分；2-5)在cell内进行方向投影，在cell内划分9个方向，每20
°
为一角度范围提取方向信息，方向信息通过在x水平方向和y垂直方向上将灰度图像i与梯度模板u做卷积操作得到，数学公式如下：g
x
(x,y)＝h(x+1,y)-h(x-1,y)g
y
(x,y)＝h(x,y+1)-h(x,y-1)1)该式中h(x,y)表示对应坐标下的灰度值，g
x
表示水平方向梯度值，g
y
表示垂直方向梯度值，g表示梯度幅值，α表示梯度方向；2-6)在cell内进行归一化，在cell内统计各个方向角度范围的实际方向角度数量，得到方向直方图，选取角度方向最为集中的方向角度作为cell的方向；2-7)在块内构建hog特征，在块内统计各个cell的方向角度范围的实际方向角度数量，
得到方向直方图，选取角度方向最为集中的方向角度作为块的方向；2-8)如果未到达最后一个块，则返回步骤2-3)；2-9)如果未到达最后一个窗口，则返回步骤2-2)，否则得到方向梯度直方图；2-10)单行卷积，输入原始图像，使用一层单行卷积层对原始图像进行特征提取，得到卷积特征图；2-11)特征拼接，并联融合，将卷积特征图与方向梯度直方图进行维度连接，将两种特征图在第三个维度连接，得到28*28*1的图像。3.根据权利要求1所述的基于方向梯度直方图与改进胶囊网络的目标检测方法，其特征在于：所述步骤3)中改进胶囊网络算法具体步骤为：3-1)利用并行卷积网络提取综合特征；3-2)利用去冗胶囊网络生成特征向量；3-3)利用反卷积图像重构网络还原原始图像，并评估网络损失。4.根据权利要求3所述的基于方向梯度直方图与改进胶囊网络的目标检测方法，其特征在于：所述步骤3-1)并行卷积网络算法具体步骤为：3-1-1)首先使用并行卷积神经网络作为特征提取网络，将并联融合后的图像作为输入，图像大小为28*28*1，并行卷积神经网络在卷积层采用4个卷积核，卷积核大小分别为3、5、7、9，卷积核个数选定为32个，步长为2；3-1-2)边界填充，调节padding大小对原矩阵进行边界填充；3-1-3)特征提取，特征提取层的非线性函数采用prelu函数，其数学公式如下：prelu(x)＝max(0,x)+α*min(0,x)该式中，α为学习率；3-1-4)特征张量连接，第三个维度实现特征张量的连接，得到14*14*128的特征张量。5.根据权利要求3所述的基于方向梯度直方图与改进胶囊网络的目标检测方法，其特征在于：所述步骤3-2)去冗胶囊网络算法具体步骤为：3-2-1)输入去冗余，采用并行卷积网络的输出作为去冗主胶囊网络的输入，使用1*1的卷积核去除冗余胶囊使得经过特征提取后16*16的特征图转化为14*14的特征图像，精简胶囊数量至196个；3-2-2)输入胶囊标量u
i
；3-2-3)输入胶囊向量与变换矩阵相乘得到的向量数学公式如下该式中w
ij
为变换矩阵；3-2-4)将向量与耦合系数c
ij
进行加权求和得到加权和s
j
，数学公式如下：3-2-5)使用非线性函数对s
j
进行压缩并前向传播，数学公式如下：
该式中s
j
表示加权和，v
j
表示非线性压缩函数；3-2-6)使用softmax方程更新耦合系数c
ij
，数学公式如下：该式中表示动态路由更新后的耦合系数，的初始值设为0，v
j
表示非线性压缩函数，向量即为胶囊向量与变换矩阵相乘所得；3-2-7)若对v
j
的更新次数＝胶囊数量k，则将最后得到的即为最后输出的v
j
，即表征第j个类别的特征向量，否则，返回步骤3-2-2)。6.根据权利要求3所述的基于方向梯度直方图与改进胶囊网络的目标检测方法，其特征在于：所述步骤3-3)反卷积图像重构网络算法具体步骤为：3-3-1)图像输入，输入图像的大小为14*14，特征输入为5*5，卷积核大小分别为3、5、7、9，卷积核个数选定为32个，步长为2，通过调节填充使得输出图像为28*28，输入与反卷积之后的输出图像大小公式如下：该式中表示输出图像大小，s表示步长，表示输入图像大小，k表示卷积核大小，p表示padding，即填充大小；3-3-2)封装信息拆分，对于胶囊中的6272个神经元，通过全连接层转化为14*14*32的张量，将该张量与并行卷积网络中的连接在第三个维度相组合使得14*14*32的张量变为14*14*160的张量；3-3-3)去冗余反卷积，对14*14*160的张量使用1*1的卷积核进行去冗，最终得到14*14*32的张量，与并行卷积层中相对应的卷积核的进行反卷积操作，生成最终的重构图像。7.根据权利要求1所述的基于方向梯度直方图与改进胶囊网络的目标检测方法，其特征在于：所述步骤4)提取检测框中心点特征图和检测框尺度特征图，形成对应目标框并输出检测结果具体步骤为：4-1)图像输入，以重构图像作为大小为3*3、输出通道为256的卷积层的输入；4-2)提取中心特征图，以1*1卷积核提取检测框中心点特征图，记对象中心点的坐标标记为正值，而非对象中心点坐标标记为负值；4-3)提取尺度特征图，以并行的1*1卷积核提取检测框尺度特征图，尺度特征图中的尺度即为检测框的长和宽；4-4)输出图像，融合中心特征图与尺度特征图完成对象目标检测。
技术总结
本发明公开一种基于方向梯度直方图与改进胶囊网络的目标检测方法，通过将目标图像的方向梯度直方图与卷积特征图并联融合以结合图像的边缘轮廓特征与卷积核的视野特征，再以此作为改进胶囊网络的输入。改进胶囊网络利用并行卷积网络提取综合特征，通过去冗胶囊网络形成特征向量，并利用反卷积图像重构网络实现图像重构，训练网络模型。最后利用3*3*256的卷积层和两个并行的1*1卷积核提取检测框中心点特征图和检测框尺度特征图，形成对应目标框并输出检测结果。输出检测结果。输出检测结果。
技术研发人员：史振宁 章妍妍 倪宇昊 余晨晨 林晨曦
受保护的技术使用者：河海大学
技术研发日：2022.03.10
技术公布日：2022/6/28