[發(fā)明專利]基于目標檢測網(wǎng)絡(luò)的多標簽物體檢測方法、系統(tǒng)、裝置

在審

• 申請?zhí)枺?/td>: 201910172679.5
• 申請日: 2019-03-07
• 公開（公告）號: CN109858569A
• 公開（公告）日: 2019-06-07
• 發(fā)明（設(shè)計）人: 楊國棟;田雨農(nóng);李恩;梁自澤;譚民;景奉水;高子舒;王昊;孫苑淞;陸偲蓰
• 申請（專利權(quán)）人: 中國科學(xué)院自動化研究所
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 北京市恒有知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11576
• 代理人: 郭文浩;尹文會

1.一種基于目標檢測網(wǎng)絡(luò)的多標簽物體檢測方法，其特征在于，包括：

步驟S10，獲取待檢測物體的圖像作為輸入圖像；

步驟S20，基于訓(xùn)練后的目標檢測網(wǎng)絡(luò)，依據(jù)所述輸入圖像，獲取待檢測物體的類別以及待檢測物體中心坐標、檢測矩形框長度和寬度；

步驟S30，輸出待檢測物體的類別以及待檢測物體中心坐標、檢測矩形框長度和寬度；

其中，所述的目標檢測網(wǎng)絡(luò)，為采用密集連接卷積網(wǎng)絡(luò)替代YOLO-V3網(wǎng)絡(luò)中分辨率低的特征層所得到的網(wǎng)絡(luò)。

2.根據(jù)權(quán)利要求1所述的基于目標檢測網(wǎng)絡(luò)的多標簽物體檢測方法，其特征在于，所述目標檢測網(wǎng)絡(luò)的訓(xùn)練步驟為：

步驟B10，將獲取的訓(xùn)練圖像集中每一個圖像根據(jù)標準格式調(diào)整圖像屬性，獲得標準化訓(xùn)練圖像集；

步驟B20，采用所述目標檢測網(wǎng)絡(luò)檢測標準化訓(xùn)練圖像集中一個批次的圖像，并計算所述目標檢測網(wǎng)絡(luò)各分類器的訓(xùn)練誤差值；

步驟B30，當未達到預(yù)設(shè)的訓(xùn)練次數(shù)或者所述訓(xùn)練誤差值不低于預(yù)設(shè)的閾值時，采用誤差反向傳播的方法，獲得各層參數(shù)的變化量并更新所述目標檢測網(wǎng)絡(luò)的參數(shù)；

步驟B40，采用所述更新后的目標檢測網(wǎng)絡(luò)按批次順序檢測標準化訓(xùn)練圖像集，并采用步驟B30的方法迭代更新所述目標檢測網(wǎng)絡(luò)的參數(shù)，直至達到預(yù)設(shè)的訓(xùn)練次數(shù)或者所述訓(xùn)練損失值低于預(yù)設(shè)的閾值，獲得訓(xùn)練好的目標檢測網(wǎng)絡(luò)。

3.根據(jù)權(quán)利要求2所述的基于目標檢測網(wǎng)絡(luò)的多標簽物體檢測方法，其特征在于，所述訓(xùn)練誤差，其計算方法為：

Loss＝Error_coord+Error_iou+Error_cls

其中，Loss為訓(xùn)練誤差，Error_coord為坐標預(yù)測誤差，Error_iou為預(yù)測邊界框和真實邊界框的重合度誤差，Error_cls為分類誤差。

4.根據(jù)權(quán)利要求3所述的基于目標檢測網(wǎng)絡(luò)的多標簽物體檢測方法，其特征在于，所述坐標預(yù)測誤差，其計算方法為：

其中，λ_corrd為坐標誤差的權(quán)重，S²為輸入圖像分割的格子數(shù)量，B為每個格子生成的邊界框數(shù)量，代表物體落入第i個格子的第j個邊界框內(nèi)，分別為邊界框的中心坐標的預(yù)測值，分別為邊界框的長度和寬度的預(yù)測值，x_i、y_i分別為邊界框的中心坐標的真實值，w_i、h_i分別為邊界框的長度和寬度的真實值。

5.根據(jù)權(quán)利要求3所述的基于目標檢測網(wǎng)絡(luò)的多標簽物體檢測方法，其特征在于，所述預(yù)測邊界框和真實邊界框的重合度誤差，其計算方法為：

其中，λ_noobj為預(yù)測邊界框和真實邊界框的重合度誤差的權(quán)重，S²為輸入圖像分割的格子數(shù)量，B為每個格子生成的邊界框數(shù)量，代表物體落入第i個格子的第j個邊界框內(nèi)，為預(yù)測類別置信度的預(yù)測值，C_i為置信度的真實值。

6.根據(jù)權(quán)利要求3所述的基于目標檢測網(wǎng)絡(luò)的多標簽物體檢測方法，其特征在于，所述分類誤差，其計算方法為：

其中，S²為輸入圖像分割的格子數(shù)量，B為每個格子生成的邊界框數(shù)量，代表物體落入第i個格子的第j個邊界框內(nèi)，代表第i個格子中的物體是類別c的概率的預(yù)測值，p_i(c)代表第i個格子中的物體是類別c的概率的真實值。

7.根據(jù)權(quán)利要求2所述的基于目標檢測網(wǎng)絡(luò)的多標簽物體檢測方法，其特征在于，步驟B10中“將獲取的訓(xùn)練圖像集中每一個圖像根據(jù)標準格式調(diào)整圖像屬性”之前，還包括對訓(xùn)練圖像集的增強處理步驟：

采用顏色均衡、亮度變換、角度變換、模糊處理中的一種或多種方法對所述訓(xùn)練圖像集中的圖像進行數(shù)據(jù)增強，獲得增強后的訓(xùn)練圖像集。