[發明專利]一種兩階段的手部目標檢測方法

在審

• 申請號: 202011085890.2
• 申請日: 2020-10-12
• 公開（公告）號: CN112183435A
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 盧麗;閆超;胡二建
• 申請（專利權）人: 河南威虎智能科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/46;G06K9/62;G06K9/72;G06N3/04
• 代理公司: 鄭州宏海知識產權代理事務所(普通合伙) 41184
• 代理人: 李曉

1.一種兩階段的手部目標檢測方法，其特征在于，該手部目標檢測包括以下步驟：

S1、獲取包含手部目標的樣本圖像集；

S2、搭建手部目標檢測網絡模型；

S3、將包含手部目標的樣本圖像輸入到手部目標檢測網絡模型，手部目標檢測網絡模型對每個樣本圖像生成熱力圖并進行特征提取，然后分為兩階段實現檢測任務：第一階段是利用關鍵點檢測生成候選框集合，并設定置信度閾值和非極大值抑制算法篩選候選框集合；第二階段是提取候選框映射的特征信息和擴展候選框映射的上下文特征信息，采用拼接方式融合成特征塊，最后利用特征塊進行目標分類檢測、定位；每個階段都使用分類損失函數和位置回歸損失函數計算損失值；

S4、輸出手部目標分類檢測結果。

2.根據權利要求1所述的兩階段的手部目標檢測方法，其特征在于，所述S2中，手部目標檢測網絡模型的網絡結構依次包括：從前至后將卷積層、批歸一化層、激活函數層、深度可分離卷積層、批歸一化層、特征相加融合層封裝成倒置殘差模塊；以及從前至后將深度可分離卷積層、特征拼接層、批歸一化層、激活函數層組成混合深度可分離卷積模塊；從前至后按卷積層、批歸一化層、激活函數層、混合深度可分離卷積模塊、倒置殘差模塊、拉平層、全連接層的規則依次堆疊組成手部目標檢測網絡模型的主干部分，所述手部目標檢測網絡模型的主干網絡包含2個混合深度可分離卷積模塊、3個倒置殘差模塊，其中混合深度可分離卷積模塊的步長分別為1、2，倒置殘差模塊步長都為1。

3.根據權利要求1所述的兩階段的手部目標檢測方法，其特征在于，所述S2中，第一階段的具體步驟為：

對預測熱力圖進行分類、回歸，通過坐標變化構成候選框集合，對候選框進行篩選，最后輸出最優的候選框集合；輸出候選框集合中需將預測得到的候選框與真實檢測框計算交并比IOU值，

計算公式為：

其中，A表示預測得到的候選框，B表示真實檢測框；

IOU值大于0.7的設為正樣本，小于0.3設為負樣本，并設置正樣本和負樣本比例為1：2，樣本總數為256，設定置信度閾值為0.2。

4.根據權利要求1所述的兩階段的手部目標檢測方法，其特征在于，所述S2中的損失函數中分類損失函數采用焦點損失函數，位置回歸損失函數使用平滑L1損失函數，焦點損失函數中阿爾法參數設為0.7，伽馬參數設為2.5。

5.根據權利要求2所述的兩階段的手部目標檢測方法，其特征在于，所述S2中的激活函數層采用參數修正線性單元層。

6.根據權利要求1所述的兩階段的手部目標檢測方法，其特征在于，使用分類損失函數和位置回歸損失函數計算損失值之前，利用預先設定的優化策略優化損失值，并設置相關超參數，迭代計算，直至損失值收斂。

7.根據權利要求6所述的兩階段的手部目標檢測方法，其特征在于，所述優化策略是將學習率初始化設為0.01，余弦學習率預熱衰減法變化學習率的值，并且采用帶動量參數的隨機梯度下降法作為優化器，優化權重參數；相關超參數主要是將批處理大小設為256，批歸一化層的動量參數設為0.95，L2懲罰項衰減率為0.001，總迭代次數設為100000。