[發(fā)明專利]基于交并比覆蓋率損失與重定位策略的目標匹配方法

有效

• 申請?zhí)枺?/td>: 202110024883.X
• 申請日: 2021-01-08
• 公開（公告）號: CN113011417B
• 公開（公告）日: 2023-02-10
• 發(fā)明（設計）人: 陳逢軍;陸澤金
• 申請（專利權）人: 湖南大學
• 主分類號: G06V30/146
• 分類號: G06V30/146;G06V30/18;G06V30/19;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明公開了一種基于交并比覆蓋率損失與重定位策略的目標匹配方法。采用交并比覆蓋率損失訓練候選區(qū)域提取器，該候選區(qū)域提取器抗圖像畸變、噪聲、遮擋、背景干擾、光照變化等能力強；采用候選區(qū)驗證策略，對候選區(qū)域提取器產出的一系列候選區(qū)域進行篩選，從而降低圖像匹配的誤檢率并得到目標對象的粗定位位置；采用目標區(qū)域調整模塊和重定位策略獲得目標對象的精定位位置。本發(fā)明方法可以提高目標匹配的速度、精度以及魯棒性，適用于復雜場景下的目標匹配。

技術領域

本發(fā)明涉及一種目標匹配方法，具體是指基于交并比覆蓋率損失與重定位策略的目標匹配方法。

背景技術

目標匹配是計算機視覺中的一個常見問題，其目的是尋找特定目標對象在整個視野中的位置，被廣泛應用于目標追蹤、物體定位、機器人視覺感知等領域。

目前目標匹配常用的思路有兩種，一種是采用只關注候選區(qū)域與目標對象像素信息的相似度而不關注語義的模板匹配方法，該方法在遮擋、非剛性變換、光照、背景變化和尺度變化的影響下表現不佳；另一種是利用實例模板的語義信息進行目標匹配的實例檢測方法，但這種方式需要一系列實例級別的模板(無背景干擾下的目標對象輪廓圖)，實際應用中成本較高?，F有的目標匹配方法在目標追蹤、物體定位、機器人視視覺感知等對算法的定位精度、可靠性和魯棒性要求較高的領域還遠不能滿足需求。

為解決上述問題，本發(fā)明提出了一種新型實用目標匹配框架。通過研究不同的候選區(qū)域回歸策略，設計了一種新的損失函數稱為交并比覆蓋率損失，獲得比以往目標匹配方法更高的匹配精度；此外通過分析誤檢和匹配誤差產生的原因，設計出一套合理的候選區(qū)域驗證策略以降低目標匹配方法的誤檢率；提出通過目標區(qū)域調整和重定位策略來減少卷積神經網絡中的位置信息損失，從而提升目標匹配方法的匹配精度和魯棒性。

發(fā)明內容

本發(fā)明目的在于針對以往目標匹配方法匹配精度不佳、魯棒性差、定位時間長等方面的缺點，提出了一種基于交并比覆蓋率損失和重定位策略的目標匹配方法，實現了快速、精準、魯棒的目標匹配，適用于復雜環(huán)境下的實時目標匹配。

步驟一：利用交并比覆蓋率損失訓練候選區(qū)域提取器，候選區(qū)域提取器從輸入的場景圖像中提取帶有位置與置信度信息的候選區(qū)域；

步驟二：特征提取器對輸入的目標圖像進行特征提?。?/p>

步驟三：利用候選區(qū)域驗證策略，將不匹配的候選區(qū)域篩除，獲得目標區(qū)域的粗定位位置；

步驟四：目標區(qū)域調整模塊通過對目標區(qū)域的尺度與位置調整獲得目標感興趣區(qū)域，并利用重定位策略在目標感興趣區(qū)域內獲取目標區(qū)域的精定位位置。

進一步的，所述步驟一具體為：

Setp1：利用交并比覆蓋率損失訓練候選區(qū)域提取器，候選區(qū)域提取器是一種卷積神經網絡；交并比覆蓋率損失是距離約束項、交并比覆蓋率項和形狀約束項三項組成的一種損失函數；

所述交并比覆蓋率損失定義為：

所述距離約束項定義為：

其中，b_pr與b_pl是候選區(qū)域的右下角點與左上角點，b_gr與b_gl是目標對象的右下角與左上角，ρ(·)是歐幾里得距離，c是覆蓋目標對象與候選區(qū)域的最小矩形封閉區(qū)域的對角線長度；

所述交并比覆蓋率項定義為：

其中，B^pb與B^gt分別是候選區(qū)域與目標對象，α是交并比覆蓋率的權重參數；

所述形狀約束項定義為：