[发明专利]一种基于特征顶点组合的目标检测方法、可读存储介质

说明书

一种基于特征顶点组合的目标检测方法和可读存储介质，其中的方法将待检测图像输入预设的第一检测网络中得到特征顶点的信息，从第一检测网络中选择至少一个隐藏层输出的特征图和特征顶点的信息一起构造第二特征向量，将第二特征向量输入预设的第二检测网络中得到特征顶点的类别信息和姿态信息的校正量，使用姿态信息的校正量对特征顶点进行姿态校正，根据类别信息将特征顶点组成第一匹配结果，计算第一匹配结果相对于匹配模板的匹配分数以筛选得到第二匹配结果，根据第二匹配结果和匹配模板的几何变换关系补全其中缺失的特征顶点和连接关系，从而标识出目标物体。对有遮挡的物体和具有极端长宽比的物体，本方法有很好的检测准确度，且效率较高。

技术领域

本发明涉及机器视觉技术领域，具体涉及一种基于特征顶点组合的目标检测方法、可读存储介质。

背景技术

近年来，人工智能和大数据成为了国内外各大领域关注的焦点。在计算机视觉领域，基于深度学习的图像处理算法有着广泛的应用。使用图像和与图像一一对应的标注信息来训练卷积神经网络，训练完成后的卷积神经网络能够完成图像分类、目标检测和语义分割等工作。其中，目标检测卷积神经网络(以下简称：目标检测网络)在工业上有许许多多的应用，如对流水线上的产品进行识别和计数等。现有的基于深度学习的目标检测网络有YOLO、SSD、RCNN等，这些目标检测网络基于CNN(Convolutional Neural Network，卷积神经网络)搭建，并用样本图像和相应的标注信息进行训练，训练完成后，将待检测图像输入至目标检测网络中，得到特征图，通过对特征图进行计算得出检测结果(物体的种类、外接矩形的中心坐标和长宽)。目前，目标检测卷积神经网络在对物体进行目标检测上仍然面临着许多难点，如有遮挡物体的识别、具有极端尺度和形状的物体的识别等。

在实际的应用中，识别有遮挡的物体是目标检测的难点之一。在已有的技术中，优化对有遮挡的物体的识别效果，主要采用如下技术：对训练集图像进行增强，如使用噪声随机覆盖图像中待检测物体的一部分，或随机将图像中待检测物体的一部分的像素设置为固定像素值(如0)。但该方法的缺点是可能对训练数据引入过多噪声，从而使目标检测网络的收敛更加困难，而且这种对训练集图像的处理方式不一定与物体实际被遮挡的方式相同，因此在进行检测时仍可能得到错误的检测结果。

实现多尺度目标检测的方法主要有：特征金字塔，特征金字塔通过融合不同尺度的特征图，获得多个感受野不同的特征图，再分别对这些特征图进行分类和方框回归，得到检测结果，从而能在一定程度上检测不同尺度和形状的物体。此方法的缺点是增加了计算量，且待检测物体的长宽比需要在一个适中的区间(一般为1:3到3:1之间)，难以实现对极端长宽比物体的检测。

发明内容

本申请提供一种基于特征顶点组合的目标检测方法和可读存储介质，以解决现有的目标检测方法识别有遮挡物体和极端长宽比物体效果不佳的问题。

根据第一方面，一种实施例中提供一种基于特征顶点组合的目标检测方法，用于检测待检测图像中的一个或多个目标物体，其特征在于，所述目标检测方法包括：

获取待检测图像；

将所述待检测图像输入预先构建的第一检测网络中，得到所述待检测图像中的特征顶点的信息，所述特征顶点代表目标物体的局部特征，所述特征顶点的信息包括特征顶点的姿态信息和特征顶点所代表的局部特征的类别，所述特征顶点的姿态信息包括特征顶点的坐标，和特征顶点的外接矩形的长度、宽度，和/或特征顶点的外包矩形的长度、宽度和角度，所述特征顶点的坐标为特征顶点所代表的局部特征的几何中心的坐标；

从所述第一检测网络中选择至少一个隐藏层输出的特征图，根据特征顶点的坐标，以及特征顶点的外接矩形的长度、宽度或外包矩形的长度、宽度和角度，在所选择的特征图上相应的位置截取出部分特征图，根据所述部分特征图构造第一特征向量，得到和特征顶点数量相同且一一对应的第一特征向量，将特征顶点的信息和对应的所述第一特征向量合并得到第二特征向量；