一种基于非极大值抑制阈值优化的目标检测方法技术

本发明专利技术涉及目标检测技术领域，公开了一种基于非极大值抑制阈值优化的目标检测方法，包括：获取待检测目标数据；将待检测目标数据输入预先训练得到的目标检测模型，得到多个目标检测框与每个目标检测框的置信度；获取每个目标检测框的可见比；将每个目标检测框的置信度和可见比输入预先训练得到的非极大值抑制阈值预测模型，得到对应的非极大值抑制阈值；根据非极大值抑制阈值对所有目标检测框进行冗余框筛选，获得目标检测结果。本发明专利技术可以解决人工设定固定阈值无法应对动态变化的目标图像或者视频序列，同时能够显著改善人工设定固定阈值所造成的漏检、误检等问题，有利于提高重度遮挡场景中目标检测的准确率。重度遮挡场景中目标检测的准确率。重度遮挡场景中目标检测的准确率。

【技术实现步骤摘要】
一种基于非极大值抑制阈值优化的目标检测方法


[0001]本专利技术涉及目标检测
，尤其涉及一种基于非极大值抑制阈值优化的目标检测方法。

技术介绍

[0002]目标检测是对目标图像或者视频序列进行检测，判断是否存在目标并给每个目标实例精确定位。但在学校、车站等开放拥挤场景，以及腹腔镜手术场景下人体腔道、血管和神经密集等非结构化场景，密集目标之间重度交错遮挡（如人群、多种手术器械和多种组织器官），检测器无法区分每个目标之间的精确检测边界，使得检测过程中出现大量冗余错误的检测框，造成严重遮挡场景中的目标检测出现误检、漏检以及定位精度不高等情况。
[0003]在现有的目标检测方法中，通常采用传统的非极大值抑制方法或者软化非极大值抑制方法来消除冗余的检测框。但是，这两种非极大值抑制方法均是采用人工设定的非极大值抑制阈值，而阈值的设定会严重影响检测框的去除效果，当阈值设定过低时，由于重度遮挡场景目标间的重叠度（即交并比）非常高，很多正确的检测框会被判定为冗余框去除，从而导致严重的漏检；当阈值设定过高时，与真实框重叠度较高的假阳性检测框无法完全正确消除，导致大量的误检。此外，由于每张图像或者视频序列中的每帧图像，目标的遮挡程度是动态变化的，人工设定的固定阈值无法满足动态的变化情况。
[0004]因此，如何避免人工设定的固定阈值导致的漏检、误检和定位精度不高等问题，依然是当前的目标检测方法急需解决的问题。

技术实现思路

[0005]基于此，本专利技术要解决的技术问题在于克服现有的非极大值抑制方法，采用人工设定的固定阈值，容易导致漏检、误检和定位精度不高等问题，从而提供一种基于非极大值抑制阈值优化的目标检测方法。
[0006]为了解决上述问题，本专利技术实施例提供了一种基于非极大值抑制阈值优化的目标检测方法，包括：获取待检测目标数据；将所述待检测目标数据输入预先训练得到的目标检测模型，得到多个目标检测框与每个所述目标检测框的置信度；获取每个所述目标检测框的可见比；将每个所述目标检测框的置信度和可见比输入预先训练得到的非极大值抑制阈值预测模型，得到对应的非极大值抑制阈值；根据所述非极大值抑制阈值对所有所述目标检测框进行冗余框筛选，获得目标检测结果。
[0007]可选地，所述根据所述非极大值抑制阈值对所有所述目标检测框进行冗余框筛选，获得目标检测结果，包括：
根据所有的目标检测框构建候选检测框集合，并构建有效检测框集合；所述有效检测框集合为空集；从所述候选检测框集合中获取置信度最高的目标检测框为锚点框，并将所述锚点框转移至所述有效检测框集合；获取所述锚点框与所述候选检测框集合中其余的所述目标检测框的交并比；检测所述交并比是否小于等于所述锚点框对应的非极大值抑制阈值；若是，则将所述锚点框保留在所述有效检测框集合中，并在所述候选检测框集合为空集时，返回步骤：从所述候选检测框集合中获取置信度最高的目标检测框为锚点框，并将所述锚点框转移至有效检测框集合；直至检测到所述候选检测框集合为空集时，将最终的所述有效检测框集合确定为目标检测结。
[0008]可选地，所述获取待检测目标数据之前，方法还包括：获取目标数据集，并划分为训练子集、验证子集和测试子集；构建目标检测模型，并利用所述训练子集对所述目标检测模型进行训练优化；构建可见比评估模型，所述可见比评估模型定义为目标检测框中目标的可见边框与目标的全部边框之间的面积比；构建非极大值抑制阈值预测模型，并利用所述验证子集、优化的目标检测模型得到的目标检测框的置信度和所述可见比评估模型得到的目标检测框的可见比，训练优化所述非极大值抑制阈值预测模型；利用所述测试子集测试优化的目标检测模型和非极大值抑制阈值预测模型的准确率；检测准确率是否满足预设应用条件；若满足，则进入应用阶段。
[0009]可选地，所述目标检测模型包含骨干网络、区域候选网络和分类网络；所述骨干网络用于提取特征图，所述区域候选网络用于根据所述特征图生成目标检测框，所述分类网络用于计算所述目标检测框的置信度。
[0010]可选地，所述利用所述训练子集训练优化目标检测模型，包括：将所述训练子集中的目标数据输入目标检测模型，通过目标检测模型提取目标数据的特征图，将所述特征图输入区域候选网络获取目标检测框，同时将所述特征图输入分类网络获取目标检测框的置信度；采用梯度下降算法最小化边框回归损失，更新所述目标检测模型的参数，得到优化的目标检测模型；所述目标检测模型的参数更新过程为：，其中，、分别为下一次迭代和当前迭代时所述目标检测模型的参数，为参数更新时的学习率，为所述目标检测模型对目标数据的标签预测值，为标签真实值，为边框回归损失函数。
[0011]可选地，所述非极大值抑制阈值预测模型包含三层全连接层和激活函数层；所述全连接层用于获取所述目标检测框的置信度和可见比，所述激活函数层用于输出非极大值
抑制阈值。
[0012]可选地，所述训练优化所述非极大值抑制阈值预测模型，包括：根据构建非极大值抑制阈值预测模型的目标优化函数；所述目标优化函数定义为对于目标检测模型输出的初步检测结果，搜索能够使经过筛选的目标检测结果的准确率达到最高时的参数，表示为：，其中，为准确率，为优化的目标检测模型输出的初步检测结果，为非极大值抑制阈值预测模型的参数，为常规的非极大值抑制函数，为验证集；利用基于奖励机制的目标优化算法，采用梯度上升方式更新所述非极大值抑制阈值预测模型的参数，得到优化的非极大值抑制阈值预测模型；所述非极大值抑制阈值预测模型的参数更新过程为：，其中，、分别为下一次迭代和当前迭代时所述非极大值抑制阈值预测模型的参数，为参数更新时的学习率，为准确率与参数之间的梯度。
[0013]可选地，所述构建可见比评估模型，包括：检测所述目标检测框的目标重叠类型；在所述目标重叠类型为两个目标重叠时，确定重叠区域的主目标和干扰目标，并计算所述主目标的可见比；所述主目标的可见比的计算公式为：，其中，为主目标A的可见比，和分别为主目标A的检测框和干扰目标B的检测框；根据所述主目标的可见比，引入折扣因子和赫维赛德函数，构建可见比评估模型，所述可见比评估模型为：，其中，为折扣因子，为赫维赛德函数，为面积函数；所述折扣因子的计算公式为：，其中，为重叠区域I与主目标A的相似度，为重叠区域I与干扰目标B的相似度，且；所述赫维赛德函数为：
。
[0014]可选地，所述构建可见比评估模型，还包括：在所述目标重叠类型为三个或三个以上目标重叠时，根据每个重叠区域的面积比、折扣因子和赫维赛德函数，构建可见比评估模型，所述可见比评估模型为：，其中，为第个重叠区域，为第个重叠区域与干扰目标的相似度。
[0015]可选地，所述在所述目标重叠类型为两个目标重叠时，确定重叠区域的主目标和干扰目标，包括：获取重叠区域与每个目标之间的相似度；将相似度较高的目标确定为所述重叠区域中的主目标，以及将相似度较低的目标确定为所述重叠区域中的干扰目标。
[0016]本专利技术的实施例提供的技术方案可以具有以下有益效果：1）本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于非极大值抑制阈值优化的目标检测方法，其特征在于，包括：获取待检测目标数据；将所述待检测目标数据输入预先训练得到的目标检测模型，得到多个目标检测框与每个所述目标检测框的置信度；获取每个所述目标检测框的可见比；将每个所述目标检测框的置信度和可见比输入预先训练得到的非极大值抑制阈值预测模型，得到对应的非极大值抑制阈值；根据所述非极大值抑制阈值对所有所述目标检测框进行冗余框筛选，获得目标检测结果。2.根据权利要求1所述的基于非极大值抑制阈值优化的目标检测方法，其特征在于，所述根据所述非极大值抑制阈值对所有所述目标检测框进行冗余框筛选，获得目标检测结果，包括：根据所有的目标检测框构建候选检测框集合，并构建有效检测框集合；所述有效检测框集合为空集；从所述候选检测框集合中获取置信度最高的目标检测框为锚点框，并将所述锚点框转移至所述有效检测框集合；获取所述锚点框与所述候选检测框集合中其余的所述目标检测框的交并比；检测所述交并比是否小于等于所述锚点框对应的非极大值抑制阈值；若是，则将所述锚点框保留在所述有效检测框集合中，并在所述候选检测框集合为空集时，返回步骤：从所述候选检测框集合中获取置信度最高的目标检测框为锚点框，并将所述锚点框转移至有效检测框集合；直至检测到所述候选检测框集合为空集时，将最终的所述有效检测框集合确定为目标检测结果。3.根据权利要求1所述的基于非极大值抑制阈值优化的目标检测方法，其特征在于，所述获取待检测目标数据之前，方法还包括：获取目标数据集，并划分为训练子集、验证子集和测试子集；构建目标检测模型，并利用所述训练子集对所述目标检测模型进行训练优化；构建可见比评估模型，所述可见比评估模型定义为目标检测框中目标的可见边框与目标的全部边框之间的面积比；构建非极大值抑制阈值预测模型，并利用所述验证子集、优化的目标检测模型得到的目标检测框的置信度和所述可见比评估模型得到的目标检测框的可见比，训练优化所述非极大值抑制阈值预测模型；利用所述测试子集测试优化的目标检测模型和非极大值抑制阈值预测模型的准确率；检测准确率是否满足预设应用条件；若满足，则进入应用阶段。4.根据权利要求3所述的基于非极大值抑制阈值优化的目标检测方法，其特征在于，所述目标检测模型包含骨干网络、区域候选网络和分类网络；所述骨干网络用于提取特征图，所述区域候选网络用于根据所述特征图生成目标检测框，所述分类网络用于计算所述目标检测框的置信度。
5.根据权利要求4所述的基于非极大值抑制阈值优化的目标检测方法，其特征在于，所述利用所述训练子集训练优化目标检测模型，包括：将所述训练子集中的目标数据输入目标检测模型，通过目标检测模型提取目标数据的特征图，将所述特征图输入区域候选网络获取目标检测框，同时将所述特征图输入分类网络获取目标检测框的置信度；采用梯度下降算法最小化边框回归损失，更新所述目标...

【专利技术属性】
技术研发人员：刘敏，唐毅，张艺琼，边远，王耀南，
申请(专利权)人：湖南大学，
类型：发明
国别省市：