[發(fā)明專利]一種目標(biāo)檢測系統(tǒng)、方法、裝置、設(shè)備及介質(zhì)

有效

• 申請?zhí)枺?/td>: 202110622240.5
• 申請日: 2021-06-04
• 公開（公告）號: CN113255682B
• 公開（公告）日: 2021-11-16
• 發(fā)明（設(shè)計）人: 廖丹萍
• 申請（專利權(quán)）人: 浙江智慧視頻安防創(chuàng)新中心有限公司
• 主分類號: G06K9/38
• 分類號: G06K9/38;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京辰權(quán)知識產(chǎn)權(quán)代理有限公司 11619
• 代理人: 谷波

本公開提供了一種目標(biāo)檢測系統(tǒng)、方法、裝置、介質(zhì)及設(shè)備，其中，所述系統(tǒng)包括：輸入模塊，用于接收輸出的圖像數(shù)據(jù)；特征提取模塊，用于將所述圖像數(shù)據(jù)經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)特征特取以得到提取特征圖；候選區(qū)域建議模塊，用于接收所述特征圖，輸出包含目標(biāo)的前景區(qū)域的粗略邊框位置和背景區(qū)域邊框位置；候選區(qū)域提取模塊，用于利用所述候選區(qū)域建議模塊輸出的邊框位置，從所述特征圖中裁剪出候選背景區(qū)域和前景區(qū)域，并將區(qū)域調(diào)整成相同大小，得到候選區(qū)域；檢測模塊，用于將得到的候選區(qū)域進行分類，并利用邊框回歸算法對前景候選區(qū)域的邊框位置進行進一步修正，得到檢測目標(biāo)的最終位置。

技術(shù)領(lǐng)域

本公開涉及深度學(xué)習(xí)技術(shù)領(lǐng)域，更為具體來說，本公開涉及一種目標(biāo)檢測系統(tǒng)、方法、裝置、設(shè)備及介質(zhì)。

背景技術(shù)

目標(biāo)檢測是計算機視覺和數(shù)字圖像處理的重要研究方向，廣泛應(yīng)用于機器人導(dǎo)航、智能視頻監(jiān)控、工業(yè)檢測、航空航天等諸多領(lǐng)域。目標(biāo)檢測的目標(biāo)是找出圖像中感興趣的對象，包含物體定位和物體分類兩個子任務(wù)，即同時確定物體的類別和位置。

目前，利用卷積神經(jīng)網(wǎng)絡(luò)結(jié)合大量圖片數(shù)據(jù)進行訓(xùn)練的目標(biāo)檢測模式已經(jīng)成為行業(yè)的主流方式。基于神經(jīng)網(wǎng)絡(luò)的算法基本上可以歸為兩類：以Faster R-CNN為代表的兩階段算法和以YOLO、SSD等為代表的一階段算法。

以Faster R-CNN為代表的兩階段模型大致包括五個模塊：

輸入模塊：該模塊接收輸入圖像。

特征提取模塊：該模塊將輸入圖像經(jīng)過一系列的卷積神經(jīng)網(wǎng)絡(luò)提取特征圖。

候選區(qū)域建議模塊(Region Proposal Network， RPN)：該模塊接收特征圖，輸出包含目標(biāo)的前景區(qū)域的粗略邊框位置和背景區(qū)域邊框位置。

候選區(qū)域提取模塊：該模塊利用RPN輸出的邊框位置，從特征圖中裁剪出候選背景區(qū)域和前景區(qū)域，并將候選區(qū)域調(diào)整成相同大小。

檢測模塊：該模塊將得到的候選區(qū)域進行分類，并利用邊框回歸算法對邊框位置進行進一步修正，得到檢測區(qū)域的最終位置。

檢測模塊需要將獲得的候選區(qū)域進行分類，判斷其屬于哪一類前景對象或者是背景。分類的前提步驟是構(gòu)建候選區(qū)特征圖訓(xùn)練集，包括候選區(qū)域?qū)?yīng)的特征圖和標(biāo)簽。候選區(qū)域的標(biāo)簽一般通過候選區(qū)域和真實邊框的交并比（intersection over union ，IoU)來確定。通常，檢測模塊會設(shè)定一個固定的IoU閾值。當(dāng)候選區(qū)域與某個真實邊框的IoU大于該IoU閾值，則其標(biāo)簽為真實邊框所包含的物體類別（正樣本）。若候選區(qū)域與所有真實邊框的IoU都小于IoU閾值，則其標(biāo)簽為背景類（負樣本）。實驗觀察發(fā)現(xiàn)，當(dāng)IoU的閾值設(shè)置得比較低的時候，會有大量的低質(zhì)量候選區(qū)域被貼上正樣本標(biāo)簽。在這種情況下，檢測器會產(chǎn)生較多的不準(zhǔn)確邊框。而當(dāng)IoU的閾值設(shè)置得比較高的時候，雖然候選區(qū)域質(zhì)量提高了，但是正樣本數(shù)量大大下降，模型容易過擬合。

發(fā)明內(nèi)容

為解決現(xiàn)有的基于深度學(xué)習(xí)的目標(biāo)檢測算法準(zhǔn)確度不夠高的技術(shù)問題，本公開提供了一種目標(biāo)檢測系統(tǒng)，包括：

輸入模塊，用于接收輸出的圖像數(shù)據(jù)；

特征提取模塊，用于將所述圖像數(shù)據(jù)經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)以提取特征圖；

候選區(qū)域建議模塊，用于接收所述特征圖，輸出包含目標(biāo)的前景區(qū)域的粗略邊框位置和背景區(qū)域邊框位置；

候選區(qū)域提取模塊，用于利用所述候選區(qū)域建議模塊輸出的邊框位置，從所述特征圖中裁剪出候選背景區(qū)域和前景區(qū)域，并將區(qū)域調(diào)整成相同大小，得到候選區(qū)域；

檢測模塊，用于將得到的候選區(qū)域進行分類，并利用邊框回歸算法對前景候選區(qū)域的邊框位置進行進一步修正，得到檢測目標(biāo)的最終位置。

進一步，