[發明專利]基于Faster R-CNN的物品檢測方法及系統

在審

• 申請號: 201911270179.1
• 申請日: 2019-12-11
• 公開（公告）號: CN111144238A
• 公開（公告）日: 2020-05-12
• 發明（設計）人: 王璐;程秋菊;陳國平;裴一峰
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06N3/04
• 代理公司: 重慶輝騰律師事務所 50215
• 代理人: 王海軍

1.一種基于Faster R-CNN的物品檢測方法，其特征在于，所述方法步驟包括：

S1：獲取待檢測的毫米波圖像，并對毫米波圖像進行預處理；

S2：將預處理的毫米波圖像輸入到改進的Faster R-CNN模型中進行檢測；

S3：根據改進的Faster R-CNN模型檢測到的各類別的置信度和修正參數判斷物品的類別和物品所處的位置；

S4：對物品所處的位置進行標記，并將物品類別和所處位置在電腦上顯示出來；

步驟S2中進行檢測的過程包括：

S21：將預處理后的毫米波圖像輸入深度卷積神經網絡VGG19中，提取毫米波圖像的特征，生成特征圖；

S22：選取候選區域提取網絡的矩形候選區域，并將矩形候選區域映射在特征圖上，得到映射圖；

S23：將特征圖和映射圖輸入到分類回歸網絡中，得到候選區域對應各類別的置信度和修正參數；

在進行分類過程中，采用Inception Module模塊并結合LeNet-5的結構構建特征提取網絡模型；采用DepthWise可分離卷積技術將分類回歸網絡中的普通卷積拆分為區域和通道兩個部分，并在這兩個部分中進行卷積計算；

其中，Faster R-CNN表示基于深度卷積神將網絡的目標檢測模型，Inception Module表示卷積單元提取特征的分類網絡，LeNet-5為入門級的神經網絡模型，DepthWise表示深度分離卷積。

2.根據權利要求1所述的一種基于Faster R-CNN的物品檢測方法，其特征在于，所述深度卷積神經網絡VGG19包含19個隱藏層，即16個卷積層和3個全連接層。

3.根據權利要求1所述的一種基于Faster R-CNN的物品檢測方法，其特征在于，映射圖的獲取包括：

S221：將特征圖輸入到候選區提取網絡中，得到多種尺度和寬高比的矩形候選區域；

S222：使用候選區域提取網絡的多任務損失函數將候選區域的類別置信度和修正參數統一；

S223：根據候選區域的類別置信度和修正參數將矩形候選區域映射到特征圖中，得到映射圖。

4.根據權利要求3所述的一種基于Faster R-CNN的物品檢測方法，其特征在于，多任務損失函數的表達式為：

其中，i是基準框的序號，p_i是第i個基準框內包含待測目標的預測置信度，是第i個基準框的標簽，代表第i個基準框內包含待測目標，代表第i個基準框內不包含待測目標，t_i是基準框的預測修正參數，是基準框相對于目標標簽框的修正參數，N_cls和N_reg分別表示對多任務損失函數的兩個子項進行歸一化處理的結果，λ表示平衡參數，用于調節兩個子項的相對重要程度，L_cls(·)表示預測置信度的損失函數，L_reg(·)表示修正參數的損失函數。

5.根據權利要求1所述一種基于Faster R-CNN的物品檢測方法，其特征在于，分類回歸網絡處理特征圖和映射圖的過程包括：

S41：將特征圖和映射圖輸入到分類回歸網絡中；

S42：分類網絡中的Inception Module通過應用4個不同的卷積核，將輸入分為四個分支，利用不同尺度的卷積來提取特征；

S43：利用Depthwise可分離卷積改變卷積運算方式，即代替分類網絡中的3×3的卷積核；

S44：將四個分支得到的特征組合在一起，得到不同尺寸卷積核提取的融合特征；

S45：使用多任務損失函數將分類回歸網絡候選區域的類別置信度和修正參數統一。