[發明專利]一種基于卷積區域重配準的單階段目標檢測方法

有效

• 申請號: 202011533529.1
• 申請日: 2020-12-22
• 公開（公告）號: CN112529095B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 陳思寶;呂建春;代北敏;張克林;王文中;呂強;湯進;王雪雁
• 申請（專利權）人: 合肥市正茂科技有限公司
• 主分類號: G06V10/82
• 分類號: G06V10/82;G06V10/764;G06V10/766;G06V10/774;G06N3/045;G06N3/0464;G06N3/084
• 代理公司: 合肥天明專利事務所(普通合伙) 34115
• 代理人: 婁岳

本發明公開了一種基于卷積區域重配準的單階段目標檢測方法，包括獲取檢測圖片的訓練集；對訓練集的訓練圖片和測試圖片進行像素的標準化并將圖片縮放至相同大小；建立深度卷積神經網絡結構，利用損失函數及所述訓練集進行訓練得到網絡模型；根據網絡模型對測試圖片測試，基于第一階段的坐標回歸結果，對卷積核采樣區域進行重新定位，在特征金字塔的基礎上判斷前景目標區域的具體類別并進行第二階段的坐標回歸；對獲得的檢測結果通過非極大值抑制的方法進行后處理，獲得最終的檢測結果。本發明能夠根據圖片中目標的不同大小，自適應地調整第二階段檢測時卷積核的感受野，獲取更加完整的特征信息，從而達到更好的目標檢測效果。

技術領域

本發明涉及深度神經網絡目標檢測技術領域，特別涉及一種基于卷積區域重配準的單階段目標檢測方法。

背景技術

隨著深度學習技術的發展，基于深度學習的目標檢測技術越來越受到人們的重視，應用范圍也逐漸擴大，小到智能手機的攝像頭，大到工業生產的流水線，都有目標檢測技術的用武之地。傳統的目標檢測技術需要專業人員針對特定的應用場景，設計相應的特征提取器和分類器，如HOG特征(Histogram?of?Oriented?Gradient簡寫，代表方向梯度直方圖)和SVM分類器(Support?Vector?Machine簡寫，代表支持向量機)等。但是傳統目標檢測檢測技術應用場景單一，可移植性與魯棒性較差，每次重新部署或者改變檢測對象都需要重新設計特征提取器與分類器，局限性較大。

自深度學習技術出現后，目標檢測技術也得到了突飛猛進的發展，許多檢測框架被提出并且很快就被應用于工業生產和實際生活中。現有的檢測框架主要分為單階段檢測框架和雙階段檢測框架。其中，單階段檢測框架包括SSD、YOLO等，雙階段檢測框架包括Faster-RCNN、Mask-RCNN等。雙階段檢測框架具有更復雜的特征提取結構，在特征提取網絡的基礎上，使用區域特征池化等方法，更好地提取待檢測區域的卷積特征，并且在分類層中使用全連接層的方式進行分類。更復雜的特征提取手段和更多的參數量使得雙階段檢測框架的檢測準確率更高。

現有技術的不足之處在于，在很多實際應用場景中，其對檢測精度的要求并不十分苛刻，但是要求足夠快的檢測速度，尤其是在一些實時檢測項目中。雙階段檢測框架由于其耗費的算力資源和檢測時間都較高，所以難以滿足實際要求。相反，單階段檢測框架依賴其統一的全卷積特性，可以實現更快的檢測速度，且在簡單場景下的同樣能夠達到較高的檢測精度。但是當場景變化較大以及待檢測的目標在圖像中的尺寸變化較為劇烈，尤其是待檢測目標具有不同的旋轉角度的情況下，普通的單階段檢測方法不能很好地解決這些問題，容易導致目標的漏檢與誤檢，從而影響最終的檢測效果。

發明內容

本發明的目的克服現有技術存在的不足，為實現以上目的，采用一種基于卷積區域重配準的單階段目標檢測方法，以解決上述背景技術中提出的問題。

一種基于卷積區域重配準的單階段目標檢測方法，包括：

獲取檢測圖片的訓練集；

對訓練集的訓練圖片和測試圖片進行圖片標準化；

建立深度卷積神經網絡結構，利用損失函數及所述訓練集進行訓練得到網絡模型；

根據網絡模型對測試圖片測試，進行計算面積交并比以及非極大值抑制，得到最終的檢測結果。

作為本發明的進一步的方案：所述獲取檢測圖片的訓練集的具體步驟包括：

獲取檢測圖片的訓練集，所述訓練集包括M張訓練圖片為X＝{X₁,X₂,…,X_m,…,X_M}，其中X_m表示第m張訓練圖片；