[發明專利]一種目標檢測器及其構建方法和應用

有效

• 申請號: 201910888965.1
• 申請日: 2019-09-19
• 公開（公告）號: CN110716792B
• 公開（公告）日: 2023-06-06
• 發明（設計）人: 胡靜;熊濤;盧鑫鑫;蔣侃;高翔;張旭陽;康愫愫
• 申請（專利權）人: 華中科技大學
• 主分類號: G06F9/46
• 分類號: G06F9/46;G06F18/24;G06N3/0464
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 曹葆青;李智

本發明公開了一種目標檢測器及其構建方法和應用，方法包括：搭建Faster?R?CNN目標檢測模型框架，包括區域建議網絡模塊RPN和多個級聯的多核多背景檢測結構；采用RPN生成訓練樣本集；基于訓練樣本集及其權重分布，采用損失函數迭代訓練多個級聯的多核多背景檢測結構，得到Faster?R?CNN目標檢測模型；其中每次迭代訓練時訓練完每一個多核多背景檢測結構后，更新權重分布且其中損失函數值大的訓練樣本則其權重大，并基于更新的權重分布以及當前多核多背景檢測結構產生的回歸樣本，訓練級聯的下一多核多背景檢測結構。本發明在Faster?R?CNN中引入多個級聯的多核多背景檢測結構，并基于權重分布及其更新進行訓練，提高整個檢測器分類精度，使其在復雜背景下有較好的檢測性能。

技術領域

本發明屬于目標檢測領域，更具體地，涉及一種目標檢測器及其構建方法和應用。

背景技術

目標檢測是一個復雜的問題，需要解決兩個主要任務，首先檢測器必須解決識別問題，區分目標和背景，并為其分配相應的類別標簽。其次，檢測器必須解決定位問題(也即回歸)，為目標分配準確的邊界框。這兩個任務都特別困難，因為圖像中有很多與目標特征十分接近的疑似目標，這會影響檢測器的判斷。因此，檢測器必須在抑制這些疑似目標的同時找到真正的目標。

當目標(特別是無人機)處于復雜背景中時，檢測器很難正確地檢測到目標，檢測器的性能會受到極大的影響。在復雜背景下進行目標檢測，主要有兩種情況會導致檢測性能變差：(1)背景被判別為目標。這種情況主要是因為背景的顏色、紋理等圖像特征與目標極為接近，導致檢測器誤檢，這樣會降低檢測的精確率。(2)目標被判斷為背景。這種情況主要是因為目標被物體遮擋，或者目標淹沒在背景中，檢測器沒有提取到足夠多的特征，導致檢測器漏檢，這樣會降低檢測的召回率。之所以出現以上情況，是因為在對建議區域進行分類時，背景置信度與前景置信度相差不大，所以導致誤判。

在目標檢測領域，主要包括傳統的目標檢測算法、基于分類方法的深度學習目標檢測算法以及基于回歸方法的深度學習目標檢測算法。傳統的目標檢測算法將目標檢測任務轉化為目標分類任務來解決。先是選取候選區域，再從候選區域中提取人工設計的特征，最后根據每個候選區域的特征訓練分類器?；诜诸惙椒ǖ纳疃葘W習目標檢測算法是兩階段(Two-stage)的檢測方法：首先通過提取圖像特征來產生建議區域(Region?proposal)，然后對建議區域進行進一步的分類和邊框回歸。很多目標檢測算法遵循這樣的思想(如R-CNN、Fast?R-CNN、Faster?R-CNN、R-FCN、Mask-RCNN、HyperNet等模型)?；诨貧w方法的深度學習目標檢測算法將檢測任務當成一個單一的回歸問題來處理。使用神經網絡框架直接從圖像中預測出邊界框的坐標、類別及其置信度。很多目標檢測算法遵循這樣的思想(如YOLO、YOLOv2、SSD、DSSD等模型)。

由于有些目標如無人機的檢測任務對準確率和定位精度方面要求更高，基于分類方法的深度學習目標檢測算法特別是Faster?R-CNN檢測方法具有優異的性能，然而，Faster?R-CNN檢測方法在背景復雜時容易將背景與目標混淆，其分類器對于目標和背景的分類得分的區分度不大，容易導致虛警或者漏檢。

發明內容

本發明提供一種目標檢測器及其構建方法和應用，用以解決現有目標檢測器存在的目標檢測易受背景干擾導致分類精度不高的技術問題。

本發明解決上述技術問題的技術方案如下：一種目標檢測器的構建方法，包括：

搭建Faster?R-CNN目標檢測模型框架，該框架包括區域建議網絡模塊和多個級聯的多核多背景檢測結構；

采用所述區域建議網絡模塊，生成訓練樣本集；

基于所述訓練樣本集及其權重分布，采用損失函數，迭代訓練所述多個級聯的多核多背景檢測結構，得到Faster?R-CNN目標檢測模型；