[發明專利]一種基于合成數據集的目標檢測方法

有效

• 申請號: 201910348854.1
• 申請日: 2019-04-28
• 公開（公告）號: CN110084304B
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 陳文頡;孫洋洋;李婧;竇麗華;陳杰
• 申請（專利權）人: 北京理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京理工大學專利中心 11120
• 代理人: 溫子云

本發明公開了一種基于合成數據集的目標檢測方法，在3ds MAX軟件中給待檢測目標的三維模型添加真實環境圖片作為背景貼圖進而建立三維場景，渲染生成所需數量的合成圖像，并自動完成對圖像類別和標注框的標記，進而完成合成數據集構建；采用合成數據集作為訓練集，對目標檢測網絡進行訓練；訓練完成后用于進行目標檢測。使用本發明可以低成本快速獲取任何目標的標注數據集，解決了真實數據集標注成本高，特定場景下真實數據無法獲取的問題。進一步地，所設計的目標檢測網絡加入了SOMConv層，能夠提高網絡對真實數據的識別能力。

技術領域

本發明屬于目標檢測領域，涉及目標檢測中的合成數據集的構建及適用于合成數據集的目標檢測方法。

背景技術

在目標檢測任務中，基于深度學習的目標檢測算法已經完全超越了基于非深度學習方法的目標檢測算法，成為主流目標檢測算法。但是基于深度學習的目標檢測算法依賴于大規模的標注數據集。

目標檢測數據集構建是目標檢測任務中的一項關鍵技術。目標檢測數據集的樣本容量大小及種類多少很大程度上決定目標檢測算法的效果。目標檢測數據集構建過程中，會獲取大量待檢測目標圖片，然后對獲取到的圖片進行數據標注，數據標注過程中將圖片中的每個物體找出給出其對應類別，并把每個物體用框標注。數據集構建的數據標標注工作較為繁瑣，成本較高，目標檢測算法研究多在公開數據集上進行，公開數據集提供了大量標注圖片，節省了研究成本，但是在解決特定任務時，由于公開數據集的種類較少不能滿足特定需求。同時在某些特定場景下，如自動駕駛中的危險場景、某些非公開目標，此時目標圖像難以獲取，數據獲取成本較高。因此如何快速獲取待檢測目標圖像，進行數據標注進而完成目標檢測數據集構建是目標檢測任務目前亟待解決的問題之一。

發明內容

有鑒于此，在大量標注數據集獲取成本較高，特定場景下數據集難以獲取的情況下，本發明提出了一種利用計算機圖形學方法生成大量合成圖像，并對合成圖像進行自動標注構建合成圖像數據集的方法。

同時，由于合成圖像數據集與待檢測真實目標存在一定的差異，本發明針對合成數據集作為訓練集的情況設計了一種命名為SOM R-CNN的目標檢測方法，該SOM R-CNN目標檢測方法通過引入競爭機制，構建SOMConv層，使其適用于合成圖像數據集，進而提高檢測效果。

為了解決上述技術問題，本發明是這樣實現的：

一種基于合成數據集的目標檢測方法，包括：

步驟一、3ds MAX軟件將待檢測目標的三維模型和真實環境圖片組合，通過渲染生成所需數量的合成圖像，并進行目標類別和位置的標注，得到合成數據集；

步驟二、采用合成數據集作為訓練集，對目標檢測網絡進行訓練：

所述目標檢測網絡的構建方式為：將自組織特征映射網絡與卷積層結合，構建SOMConv層；所述SOMConv層對輸入的特征圖進行卷積并計算激活值，得到特征圖；對不同特征圖上處在同一位置的激活值進行由大到小的排序，前n個特征保持大小不變，其余特征全部設定為0；n為正整數；

將SOMConv層加入Faster R-CNN網絡的分類定位網絡中，加入位置在分類定位網絡的特征提取網絡內且位于第一個卷積層之后，形成SOM R-CNN網絡，即所述目標檢測網絡；

步驟三、待檢測圖像輸入訓練完成的SOM R-CNN網絡，獲得檢測結果。

較佳地，步驟二中，所述n的取值為前一層卷積層輸出的特征圖數目乘以SOMConv層給定的比率p。

較佳地，所述SOM Conv層設置在特征提取網絡的第二層。

較佳地，所述步驟一為：

在3ds MAX軟件中給待檢測目標的三維模型添加真實環境圖片作為背景貼圖進而建立三維場景，渲染生成所需數量的合成圖像；