[發明專利]基于目標錨框優選策略的交通基建施工目標監測系統與方法

在審

• 申請號: 202110593594.1
• 申請日: 2021-05-28
• 公開（公告）號: CN113283349A
• 公開（公告）日: 2021-08-20
• 發明（設計）人: 張蘊靈;侯蕓;張鵬;龔婷婷;楊璇;王群;宋張亮;潘佩珠;李旺;董慶豪
• 申請（專利權）人: 中國公路工程咨詢集團有限公司;中咨數據有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了基于目標錨框優選策略的交通基建施工目標監測系統與方法，包括如下流程，步驟一：通過遙感圖像處理技術進行遙感圖像信息采集，并反饋到內部的圖像預處理模塊；步驟二：圖像預處理模塊對采集的圖像進行圖像增強、歸一化等相關預處理操作；步驟三：預處理結果自動輸入至卷積特征提取模塊，提取相應的多層級多尺度卷積特征，并通過所提候選框調優方案進行ROI區域定位和特征提取；步驟四：利用所提的候選框得分調優與候選框位置調優進行目標框精細處理。本發明利用圖像鄰域內多個可靠候選框的信息，構建準確可靠的最優候選框選擇策略，提升高分辨率遙感圖像中基建主體目標的定位與分類精度，候選框調優策略不僅能夠有效提取出具有真實目標的檢測框，還緩解檢測過程中對部分小尺度目標的漏檢。

技術領域

本發明涉及交通基建施工監測技術領域，具體為基于目標錨框優選策略的交通基建施工目標監測系統與方法。

背景技術

當前，基于錨框提取和分類的兩階段目標檢測方法仍是解決目標精確定位和分類的主流方案，例如R-CNN[1]、Fast R-CNN、Faster R-CNN。該類方法主要通過在特征圖候選區域上密集地放置不同尺度、長寬比的錨框，然后根據獲取的特征表述對這些錨框進行分類和回歸。通常目標的錨框在匹配閾值化后，一個目標對象將有多個粗配準的候選錨框，因此需要利用基于非極大抑制處理對候選結果進行篩選，得到最終唯一的檢測框。在R-CNN中，NMS被用來確定最終的錨點框的位置，對每個候選框送入分類器并根據類別分類概率做排序。然而，R-CNN實際需要非常多的候選區域以確保準確度，且很多區域是彼此重疊的。為了，FastR-CNN在此基礎上提出了選擇性搜索算法，降低前者預設的候選區域個數。但該策略仍依賴外部候選區域方法，為此FasterR-CNN提出了區域生成網絡(RPN,RegionProposal Network)，在特征圖每個點預測多個不同寬高比的錨點框。雖然Faster R-CNN的檢測精度較高，但每秒7幀的圖像處理效率仍制約著目標檢測方法的性能。因此，近些年SSD、YOLO等單階段目標檢測算法被提出，利用不同感受野(或最頂層感受野)的特征圖進行錨框分類和位置回歸，在一次前向傳播過程中同時完成目標的定位和分類任務。可以看出，這種檢測方法在時間效率上要優于兩階段目標檢測方法。但是，由于錨框的結構依賴于人工經驗設置，且小目標的特征來源于淺層網絡特征，導致SSD的檢測精度不及FasterR-CNN算法。除此之外，無論是單階段還是兩階段目標檢測算法，當面對多類別檢測任務時，如果對每類分別進行NMS，那么當檢測結果中包含兩個被分到不同類別的目標且其IoU較大時，會得到不可接受的結果。

當前，已有部分與本項目相關的基于深度學習目標檢測的專利被發表，具體的總結如下：

專利1：《CN110765886A》一種基于卷積神經網絡的道路目標檢測方法及裝置。該專利結合卷積神經網絡強大的層級特征圖生成能力，利用增強算法來突出目標在各個尺度層級的表征，隨后結合增強后的特征融合圖像、錨點框和真值信息進行監督訓練，實現圖像目標檢測及定位。該專利的增強特征圖使用是重點但也是其缺陷，這主要是因為他、增強算法是一個預設的方案，無法在后續的檢測過程根據圖像的特征分布、目標多樣性進行自適應調整。因此，檢測框的定位精度依賴于算法預設方案，無法適用于多樣性的建筑體目標。

專利2：《CN111461145A》一種基于卷積神經網絡進行目標檢測的方法。該專利將錨框區域獲取的局部特征圖信息輸入到卷積預測器，實現對目標邊界回歸和類別分類。其中，所設計的卷積預測器是通過利用分類正例錨框來訓練獲得。

因此亟需設計基于目標錨框優選策略的交通基建施工目標監測系統與方法來解決上述問題。

發明內容

本發明的目的在于提供基于目標錨框優選策略的交通基建施工目標監測系統與方法，以解決上述背景技術中提出因素問題。

為實現上述目的，本發明提供如下技術方案：基于目標錨框優選策略的交通基建施工目標監測系統與方法，包括如下系統工序流程：

步驟一：通過圖像遙感技術進行圖像遙感采集，并反饋到內部的圖像預處理模塊；