[发明专利]一种基于对角线网络的无锚框目标检测方法及系统

说明书

本发明提供一种基于对角线网络的无锚框目标检测方法及系统包括：利用沙漏网络提取输入图像深度特征并进行池化操作，据以获取关键点热力图、嵌入特征向量特征图及偏移量特征图；利用对角线网络处理关键点热力图，根据置信度对关键点进行排序，选择前k个置信度的关键点作为目标关键点，得到左上角、右下角及中心点的关键点位置及关键点类别信息；基于Fisher准则，设计嵌入向量学习损失函数进行关键点组合配对训练，利用中心关键点对初步配对结果进一步甄别；利用预测矩形和标注矩形框的对角线中心点的距离、长度、斜率度量损失设计用于目标预测框回归训练的对角线损失。解决了锚框设计困难、样本不平衡及检测精度低的技术问题。

技术领域

本发明涉及计算机视觉领域，具体涉及一种基于对角线网络的无锚框目标检测方法及系统。

背景技术

目标检测是计算机视觉领域中的一个重要研究方向，其目的是预测图像中每个感兴趣目标的边界框位置和类别。目标检测在自动驾驶、视频监控、视觉制导和防空预警等领域有着广泛的应用。目前，基于深度学习的目标检测主要有基于锚框(Anchor-based)的目标检测方法和无锚框(Anchor-free)的目标检测方法两大类。

在研究早期，基于锚框的目标检测方法受到了广泛关注，显著提升了目标检测的精度和召回率，但是它仍然存在两个问题：一是锚框的布设需要设置大小、长宽比等参数，这需要较强的先验知识启发，因此设计一套合适的锚框比较困难；二是为了保证检测精度和召回率，需要布设大量锚框，这导致正负样本显著不平衡。

申请号为CN202011357230.5的发明专利《一种基于无锚框的遥感图像目标检测方法》包括以下：建立无锚框的遥感图像目标检测模型，包括：特征提取网络、特征金字塔和无锚框检测器；获取遥感图像，并进行滑动分区，分割得到小尺寸图像；将小尺寸图像输入到特征提取网络中，利用特征金字塔结构，得到三个不同尺度的特征图；将特征图分别输入到无锚框检测器中进行预测，得到目标预测结果；设计多指标融合的损失函数，利用目标预测结果和多指标融合的损失函数完成目标检测模型的训练，得到训练完成的目标检测模型；利用训练完成的目标检测模型进行遥感图像目标检测。该现有专利采用的多指标融合的损失函数融合类别损失函数Lclass、位置损失函数Lloc、偏置损失函数Loff和角度损失函数Lang，与本发明采用的对角线回归损失存在不同，且该现有专利未披露本申请采用的Fisher准则配对的技术方案，故该现有专利与本申请存在显著区别。传统技术中的存在基于关键点的无锚框目标检测方法首先检测目标框的若干个关键点，然后将它们配对组合作为目标候选框，进而实现目标检测。该类方法利用推、拉两个损失为每个关键点学习一个嵌入向量进行组合配对。现有在训练过程中，只是将推和拉损失进行简单的求和，并未将同一目标的相似性和不同目标的差异性作为整体考虑，这使得它学到的嵌入向量辨别性不强，关键点匹配错误，导致误检。另一方面，现有的无锚框目标检测方法在对关键点位置回归时，只考虑下采样造成的偏差，并未对目标框整体进行回归，这也导致了目标检测精度低。

综上，现有技术存在锚框设计困难、样本不平衡及检测精度低的技术问题。

发明内容

本发明所要解决的技术问题在于如何解决现有技术存在锚框设计困难、样本不平衡及检测精度低的技术问题。

本发明是采用以下技术方案解决上述技术问题的：一种基于对角线网络的无锚框目标检测方法包括：

S1、采集输入图像，利用沙漏网络Hourglass Net作为骨干网络提取所述输入图像的深度特征，对所述深度特征进行角点池化及中心池化操作，据以获取关键点热力图、嵌入特征向量特征图及偏移量特征图；

S2、利用对角线网络根据Focal Loss损失处理所述关键点热力图，根据各所述关键点热力图的置信度对关键点进行排序，选择前k个置信度的所述关键点作为目标关键点，得到所述左上角、所述右下角及所述中心点的关键点位置及关键点类别信息；