[發明專利]一種密集型目標檢測計量方法

有效

• 申請號: 202010085239.9
• 申請日: 2020-02-10
• 公開（公告）號: CN111339839B
• 公開（公告）日: 2023-10-03
• 發明（設計）人: 孫永海;盧炬康;周敏儀
• 申請（專利權）人: 廣州眾聚智能科技有限公司
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/25;G06V10/764;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 成都頂峰專利事務所(普通合伙) 51224
• 代理人: 曾凱

本發明涉及圖像識別技術領域，其目的在于提供一種密集型目標檢測計量方法。本發明包括以下步驟：將待檢測的原始圖像輸入密集型目標檢測模型；密集型目標檢測模型對原始圖像中的目標區域進行定位，然后輸出目標區域的邊界框；根據目標區域的邊界框，對原始圖像進行剪裁，得到目標圖像及目標圖像的定位信息，并將目標圖像輸入分類模型；分類模型對目標圖像進行圖像分類，得到目標圖像的類別信息；將目標圖像的定位信息及其類別信息整合，過濾目標圖像中的冗余圖像，得到密集型目標的定位信息和類別信息。本發明所需訓練樣本減少，采集成本降低，同時可實現快速迭代更新。

技術領域

本發明涉及圖像識別技術領域，特別是涉及一種密集型目標檢測計量方法。

背景技術

密集型目標檢測任務，相較于一般目標檢測任務，難點在于圖像中物體數量非常龐大，少則幾十，多則幾百。物體緊緊依靠在一起，需要對一般目標檢測方法進行特定的調整。以全景貨架識別為例，全景貨架識別為拍攝多層(4層及以上，高在2.5m及以下)貨架，利用深度學習方法識別貨架上的商品類別和定位。在全景貨架場景下，前排貨物將近100+個商品緊密分布在一起，同時還是同類商品、相同顏色緊密連在一起。在這種場景下，使用攝像頭拍攝出來的圖像，會有商品成像面積過小、密度大、尺寸不一、類別數不勝數的情況，大大增加識別難度。

目前，密集型目標檢測任務，主要還是使用目標檢測識別方法，由于密集型目標有數量繁多，密度大、成像面積小的特性，一般都會加上業務限制，比如：在全景貨架中，有的是只使用一個攝像頭，先識別每排貨架區域，再識別貨架區域里面的商品；在人流檢測中，增設多個攝像頭，拍攝每個獨立區域，進而識別每個區域的行人。然而，現有技術中，通常使用一般的目標檢測訓練方法，在檢測目標更新時，需要大量訓練樣本重新對檢測模型進行訓練，采集成本高，同時不利于快速迭代更新。

發明內容

為了解決現有技術存在的上述問題，本發明提供了一種密集型目標檢測計量方法。

本發明采用的技術方案是：

一種密集型目標檢測計量方法，包括以下步驟：

將待檢測的原始圖像輸入密集型目標檢測模型；

密集型目標檢測模型對原始圖像中的目標區域進行定位，然后輸出目標區域的邊界框；

根據目標區域的邊界框，對原始圖像進行剪裁，得到目標圖像及目標圖像的定位信息，并將目標圖像輸入分類模型；

分類模型對目標圖像進行圖像分類，得到目標圖像的類別信息；

將目標圖像的定位信息及其類別信息整合，過濾目標圖像中的冗余圖像，得到密集型目標的定位信息和類別信息。

優選地，所述密集型目標檢測模型的訓練步驟如下：

向分類網絡輸入訓練數據集，然后對分類網絡進行訓練，得到分類模型；

對RetinaNet目標檢測模型進行調整，然后將分類模型組合到調整后的RetinaNet目標檢測模型中；

向調整后的RetinaNet目標檢測模型輸入不緊密分布的目標檢測數據，然后對調整后的RetinaNet目標檢測模型進行訓練，得到RetinaNet基礎模型；

向RetinaNet基礎模型輸入密集型目標檢測數據，然后對RetinaNet基礎模型進行訓練，得到密集型目標檢測模型。

進一步優選地，分類網絡為ResNet-50分類網絡，訓練數據集為ImageNet數據集。

進一步優選地，向調整后的RetinaNet目標檢測模型輸入不緊密分布的目標檢測數據、向RetinaNet基礎模型輸入密集型目標檢測數據后，均對目標檢測數據進行數據增強處理。