[發明專利]一種基于權重的非極大值抑制的方法及裝置

在審

• 申請號: 201710517845.1
• 申請日: 2017-06-29
• 公開（公告）號: CN107301431A
• 公開（公告）日: 2017-10-27
• 發明（設計）人: 胡建國;林培祥;黃家誠;鄧成謙;晏斌;李凱祥
• 申請（專利權）人: 廣東順德中山大學卡內基梅隆大學國際聯合研究院;中山大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46;G06K9/03;G06K9/00
• 代理公司: 廣州粵高專利商標代理有限公司44102
• 代理人: 林麗明

技術領域

本發明涉及行人檢測技術領域，特別涉及一種基于權重的非極大值抑制的方法及裝置。

背景技術

傳統的非極大值抑制，NMS是許多計算機視覺算法的部分。當前的研究工作主要集中在特征提取、特征學習和分類器等方向，而非極大值抑制方向鮮有改進。目前常用的非極大值抑制算法是貪心策略，抑制時只使用了單一的重合面積信息，由于不同檢測模型的檢測信心分存在取值范圍不同，因此不同檢測模型在檢測同一目標時候，即使它在這個位置的檢測信心分是一致的，它代表的信心程度卻完全不一樣。舉個簡單例子，對于Grammar模型來說，它的檢測信心分si取值為(-∞，+∞)，因此當si＝0時候，則表示半自信，而對于檢測信心分取值為(0，1)的檢測模型來說，當si＝0.5時候，才表示半自信。因此，我們在將不同檢測模型進行結合的時候要重新調整，對其檢測信心分進行歸一化。而這個過程中存在一個問題正是模型A和模型B之間的檢測冗余問題，對同一行人進行重疊檢測，而傳統的非極大值抑制并不能消除這種問題。

發明內容

本發明的主要目的是提出一種基于權重的非極大值抑制的方法，旨在提高行人檢測的精準度。

為實現上述目的，本發明提出的基于權重的非極大值抑制的方法，包括如下步驟：對檢測目標的特征通過不同檢測模型進行檢測，檢測后每個檢測模型生成不同的檢測信心分，及不同檢則模型之間產生檢測冗余；建立檢測信心分的線性關系，求出最高檢測信心分的最終值；根據所求出的最高檢測信心分的最終值，更新檢測模型中最高檢測信心分；消除所產生的檢測冗余，確定檢測目標位置。

優選地，所述建立檢測信心分的線性關系，求出最高檢測信心分的最終值的步驟包括：根據檢測后每個檢測模型生成不同的檢測信心分，尋找信心分最高的檢測模型；以信心分最高的檢測模型為核心，建立相對低信心分的檢測模型與信心分最高的檢測模型之間的權重關系；當所述權重函數式的值大于預設闕值時，提取該相對低信心分的檢測模型的信心分，且去除該相對低信心分的檢測模型；以最高檢測信心分為基數，結合相對低信心分的檢測模型與信心分最高的檢測模型之間的權重關系，建立檢測信心分的線性關系，得到最高檢測信心分的最終值。

優選地，所述相對低信心分的檢測模型與信心分最高的檢測模型之間的權重函數式為：

其中，pl為相對低信心分的檢測模型對檢測目標檢測出的目標位置，ph為信心分最高的檢測模型對檢測目標檢測出的目標位置，area(ph∩pl)構建ph和pl交集層疊的區域圖，area(ph∪pl)構建ph和pl并集層疊的區域圖，overlaps(ph,pl)為ph和pl的對象重疊函數。

優選地，所述檢測信心分的線性關系為：

S_h+1＝S_h+Whl*S_l，

S_h為所有檢測模型對檢測目標的最高檢測信心分，Sh+1為檢測模型中最高檢測信心分的更新值，S_l為第i個檢測模型對檢測目標的檢測信心分，其中i∈(1,n),n表示的是檢測模型檢測到檢測目標的數目。

本發明還提出一種基于權重的非極大值抑制的裝置，包括檢測模塊，用于對檢測目標的特征通過不同檢測模型進行檢測，檢測后每個檢測模型生成不同的檢測信心分，及不同檢則模型之間產生檢測冗余；檢測信心分模塊，用于建立檢測信心分的線性關系，求出最高檢測信心分的最終值；更新模塊，用于根據所求出的最高檢測信心分的最終值，更新檢測模型中最高檢測信心分；確定模塊，用于消除所產生的檢測冗余，確定檢測目標位置。

優選地，所述檢測信心分模塊包括：尋找單元，用于根據檢測后每個檢測模型生成不同的檢測信心分，尋找信心分最高的檢測模型；建立單元，用于以信心分最高的檢測模型為核心，建立相對低信心分的檢測模型與信心分最高的檢測模型之間的權重關系；提取單元，用于當所述權重函數式的值大于預設闕值時，提取該相對低信心分的檢測模型的信心分，且去除該相對低信心分的檢測模型；檢測信心分單元，用于以最高檢測信心分為基數，結合相對低信心分的檢測模型與信心分最高的檢測模型之間的權重關系，建立檢測信心分的線性關系，得到最高檢測信心分的最終值。。

本發明技術方案通過基于權重的非極大值抑制方法，并沒有直接刪除相對信心分低的檢測模型，而是通過權重函數來權衡信心分低的檢測模型對信心分高的檢測模型的影響程度，將權重函數式的值代入檢測信心分的線性關系得到最終的信心分，提升了檢測模型判斷檢測目標位置的精準度。

附圖說明