[发明专利]一种基于centernet的anchor-based目标检测方法

说明书

本发明公开了一种基于centernet的anchor‑based目标检测方法。方法以关键点检测为基础，针对检测到的关键点通过anchor回归图像中目标的大小。以关键点确定目标位置的方式减少了anchor之间的互相干扰，并以此为基础减少传统anchor‑based算法中非极大值抑制的算法复杂度。和传统单阶段anchor‑based目标检测算法的不同之处在于本发明是以关键点检测为基础，非极大值抑制作用的对象是检测到的关键点所对应的预测框，两者相比，本发明提出的方法大大减少了非极大值抑制的计算量和设置超参数阈值的步骤，省去了调节模型的工作量。

技术领域

本发明涉及计算机视觉技术，具体涉及一种目标检测技术。

背景技术

目标检测是计算机视觉技术中重要的基本研究课题之一。目标检 测有两个子任务，分别为定位和识别。“定位”是找到感兴趣的物体 在图像上的位置坐标，“识别”是判断出感兴趣物体的类别。目标检 测技术的应用范围非常广泛，如：智能交通、军事目标侦测、医学机 器手手术、手机拍照，远程考试监考等。计算机视觉的很多任务如： 人脸识别、姿态识别、人群计数、实例分割也都是以目标检测为基础 的。随着硬件计算能力的不断提高，人工智能技术也得到了阶段性的 突破发展。基于深度学习的目标检测技术却得了令人瞩目的成果。基 于深度学习的目标检测技术不断发展，衍生出了anchor-based类型 的检测算法和anchorfree类型的检测算法，传统anchor-based目 标检测算法对于同一个目标通常有多个框同时进行回归，这就造成了 歧义性，不利于神经网络模型的训练和优化，如何切实有效的解决歧 义成为亟待解决的问题之一。

Anchor-based类型的算法会在训练之前先聚类数据集中的 anchor，得到聚类结果代表着数据集中目标大小的分布，通过在图 像的特征图(feature map)上利用anchor来提取相应的候选区域， 检测算法在提取出来的候选区域上进行回归和分类。Anchor-based算法的检测精度得益于anchor的聚类效果，根据anchor选取的候 选区域如果已经与目标很接近则算法的检测性能较好。传统 Anchor-based目标检测算法在检测的过程中产生了大量的预测框， 不同的预测框之间存在排斥，阻碍了模型的学习，成为了提升 anchor-based目标检测算法精度的阻碍；使用非极大值抑制提取优 质的检测框时需要消耗大量的计算时间，通常使用更底层的语言去加 速这一过程。

发明内容

本发明的目的在于克服现有技术中存在的缺陷，提出一种基于 centernet的anchor-based目标检测方法。以关键点检测为基础， 针对检测到的关键点通过anchor回归图像中目标的大小。以关键点 确定目标位置的方式减少了anchor之间的互相干扰，并以此为基础 减少传统anchor-based算法中非极大值抑制的算法复杂度。本发明 减少了非极大值抑制的计算复杂度，提高了检测结果的精度。

本发明采用以下技术方案：

一种基于centernet的anchor-based目标检测方法，其特征在 于，该方法包括如下步骤：

步骤1：对目标检测所需要用到的数据集进行聚类处理，得到数 据集中所有目标的尺度大小所形成的聚类；

步骤2：基于对数据集的聚类结果，设置网络模型最后输出的 anchor-based分支中anchor的数量和大小；

步骤3：对数据集中的图片做归一化处理，统一为相同的大小送 入卷积神经网络模块，卷积神经网络模块从图片中提取特征，得到图 片的特征信息；

步骤4：根据卷积神经网络模块提取的图片的特征信息，通过热 图模块确定目标的位置；通过偏移回归模块确定特征图中目标到原图 片的偏移量；