[发明专利]一种基于边界框关键点距离的目标检测方法

权利要求书

1.一种基于边界框关键点距离的目标检测方法，其特征在于，包括以下步骤：

步骤1：对原始图像通过人工标记检测目标物真实框得到标注完备的目标检测数据集；

步骤2：构建目标检测网络；

步骤3：将标注完备的目标检测数据集样本图像通过目标检测网络预测，得到标注完备的目标检测数据集样本图像中目标检测物体的预测框；

步骤4：利用标注完备的目标检测数据集样本图像中真实框的顶点坐标与预测框的顶点坐标构建最小覆盖矩形的横坐标最大值以及最小值、构建最小覆盖矩形的纵坐标最大值以及最小值，进一步得到最小覆盖矩形的顶点坐标；

步骤5：依次计算标注完备的目标检测数据集样本图像中预测框与真实框的中心点欧式平方距离、预测框与真实框对应顶点的欧式平方距离、最小覆盖矩形的对角线长度的欧式平方距离，进一步计算关键点交并比；

步骤6：结合关键点交并比以及样本阈值，将目标检测数据集中样本图像划分为正样本或负样本，进一步构建目标检测网络损失函数模型，结合正样本、负样本训练，得到优化后目标检测网络。

2.根据权利要求1所述的基于边界框关键点距离的目标检测方法，其特征在于：

步骤1所述标注完备的目标检测数据集中第k个样本图像中检测目标物体真实框的顶点坐标依次为：

A_k＝(a_k,x,a_k,y),B_k＝(b_k,x,b_k,y),C_k＝(c_k,x,c_k,y),D_k＝(d_k,x,d_k,y)；

其中，k∈[1,L]，L为标注完备的目标检测数据集中样本图像的数量，(a_k,x,a_k,y)为标注完备的目标检测数据集中第k个样本图像中检测目标物体真实框的左上角顶点坐标，(b_k,x,b_k,y)为标注完备的目标检测数据集中第k个样本图像中检测目标物体真实框的右上角顶点坐标，(c_k,x,c_k,y)为标注完备的目标检测数据集中第k个样本图像中检测目标物体真实框的左下角顶点坐标，(d_k,x,d_k,y)为标注完备的目标检测数据集中第k个样本图像中检测目标物体真实框的右下角顶点坐标；

步骤1所述标注完备的目标检测数据集中第k个样本图像中检测目标物体真实框的中心点坐标为：

H_k＝(h_k,x,h_k,y)

h_k,x＝|a_k,x-d_k,x|/2

h_k,y＝|a_k,y-b_k,x|/2

其中，k∈[1,L]，L为标注完备的目标检测数据集中样本图像的数量,(h_k,x,h_k,y)为标注完备的目标检测数据集中第k个样本图像中检测目标物体真实框的中心点坐标；

步骤1所述标注完备的目标检测数据集为：

train＝{data₁,data₂,...,data_L}

其中，L为标注完备的目标检测数据集中样本图像的数量，data_k为标注完备的目标检测数据集中第k个样本图像，k∈[1,L]，data_k(i,j)为标注完备的目标检测数据集中第k个样本图像中第i行第j列的像素值，i∈[1,M]，j∈[1,N]，M为样本图像中行的数量，N为样本图像中列的数量；

步骤1所述每个样本图像真实框内目标类别为：type_k；

type_k为标注完备的目标检测数据集中第k个样本图像检测框内目标类别，k∈[1,L]，L为标注完备的目标检测数据集中样本图像的数量；

步骤1所述神经网络训练数据集为：

{data_k,type_k},k∈[1,L]。