[发明专利]一种具有旋转适应性的目标检测方法及系统

说明书

一种具有旋转适应性的目标检测方法及系统，对待检测图像进行特征提取，得到初级特征图像；对初级特征图像中的每个点，使用目标检测模型中训练好的候选框信息进行回归，得到回归结果；根据回归结果进行筛选和非极大值抑制，得到候选目标信息；候选目标信息包括像素点属于目标的概率、目标的位置、目标的尺寸和角度；对候选目标信息进行旋转采样和RoIPooling，或者，旋转采样和RoIAlign，或者，旋转池化操作，得到特征图；对特征图进行回归，得到目标检测结果，目标检测结果包括目标的位置、大小、目标类别和角度。本发明解决了目标检测问题中对于旋转物体的适应性问题，使得本发明不仅可以返回物体的位置、尺寸和类别，还可以返回物体的角度。

技术领域

本发明涉及一种具有旋转适应性的目标检测方法及系统。

背景技术

目标检测是一项具有挑战性的计算机视觉任务，同时在诸多领域有应用前景，包含人脸识别、搜寻抢险、智能交通等等。传统的目标检测方法主要通过人为设计待检测目标的特征，从而实现目标检测，该方法非常繁琐，同时由于目标特征难提取、不稳定等特性，使得这种方式既低效、又缺乏鲁棒性。近年来随着深度学习方法的提出和应用，目标检测任务的相关领域也获得了诸多里程碑的成果，在目标的检测精度和检测速度方面都取得了巨大提升。基于深度学习的目标检测方法主要分为单步检测和两步检测，单步检测算法检测速度快，但牺牲了一部分精度，难以达到高精度检测要求，两步检测算法首先提取候选区域，再对候选区域进行定位和分类，具有较高精度，但检测速度慢，难以满足实时性要求。

在一个算力有限的微型计算设备上对图像中的旋转物体进行实时的目标检测是一个比较困难的问题。旋转目标检测通常出现在配合机器人引导中的旋转物体检测或者是倾斜的物体检测当中，现有的深度神经网络旋转目标检测方法依赖比较厚重的基础神经网络提取图像特征，使得方法难以在微型计算设备上运行，对网络进行量化、剪枝或设计轻量化的网络结构是一大趋势。同时，常见的深度神经网络旋转目标检测方法并不能给出运动物体的姿态，比如车辆的朝向。

当前目标检测主要输出信息为目标物体的位置(x_c，y_c)、大小(w，h)和类别(即目标物体是什么物体)，并没有输出物体的角度，如果是长宽比比较大的物体，旋转后的外包矩形区域仅仅占据了有效面积的很小的一部分，目标检测的准确率和精度都会下降。一些场景中，为了配合机器人的抓取和拣选，也需要输出物体的旋转角度，配合机械手姿态完成物体的抓取。本发明重点解决目标检测问题中对于旋转物体的适应性问题。

发明内容

如上所述，本发明重点解决目标检测问题中对于旋转物体的适应性问题，使得本发明不仅可以返回物体的位置、尺寸和类别，还可以返回物体的角度，从而可以实现机器人抓取、拣选等复杂场景的识别需求。

根据第一方面，一种实施例中提供一种具有旋转适应性的目标检测方法，包括：

获取待检测图像；

将所述待检测图像输入到目标检测模型中进行处理，得到目标检测结果；其中所述将所述待检测图像输入到目标检测模型中进行处理，包括：

对所述待检测图像进行特征提取，得到初级特征图像；

对所述初级特征图像中的每个点，使用所述目标检测模型中训练好的候选框信息进行回归，得到回归结果；所述回归结果包括角度的回归、角度类别的回归、位置参数的回归和类别的回归；其中，所述角度类别用于表示回归的角度与真实角度是相等还是相差180度，位置参数包括回归的候选框的中心点的位置、长度、宽度和角度，类别的回归表示当前点属于目标的概率；

根据所述回归结果进行筛选和非极大值抑制，得到候选目标信息；所述候选目标信息包括像素点属于目标的概率、目标的位置、目标的尺寸和角度；

对所述候选目标信息进行处理，得到特征图；该处理包括旋转采样和RoIPooling，或者，旋转采样和RoIAlign，或者，旋转池化；