[发明专利]一种基于边界框关键点距离的目标检测方法

说明书

本发明公开了一种基于边界框关键点距离的目标检测方法。在计算机视觉领域目标检测的研究中，正负样本分类和边界框回归损失是重中之重，关乎了目标检测内容物的定位精度和识别精度。目前目标检测方法中基于交并比的正负样本分类和框回归损失的研究虽然卓有成效，但仍然面临着诸多挑战。因此，本发明基于边界框关键点之间的距离发明了关键点交并比定义方法，针对正负样本分类不准确问题，该方法更加准确的描述边界框之间的差距。针对目前回归损失计算效率低，准确度差等问题，依据关键点交并比，设计一个新的回归损失函数。本发明所公开的方法能适用于各种类型的目标检测网络，对目标检测框的定位框取准确度和检测精度都有一定程度的提高。

技术领域

本发明属于计算机视觉目标检测技术领域，特别是涉及一种基于边界框关键点距离的目标检测方法。

背景技术

目标检测是计算机视觉技术中一个重要的研究与应用领域。目标检测技术利用图像作为最主要的视觉线索之一，被广泛地应用于图像以及视频内容物识别领域的诸多视觉任务中。开发高精度的、可实时检测的目标检测算法成为图像及视频分析领域的一个重要突破点。当前，运用真实框作为训练目标检测模型的基准，将生成的锚框同真实框之间的大小与距离差距用交并比表示成数值，并对量化后的交并比进行排序，从而将诸多预测框分类成为正负样本，以供后续更加精确的得出最接近真实框的预测框。在这个过程中，交并比的作用十分突出，不同定义方式的交并比对正负样本的分类以及边界框回归的准确性影响重大。

目前主流的交并比定义方式根据其实现的方式进行区分，可以概括为以下几种主要类型：

交并比函数(IOU)。交并比函数就是计算两个边界框交集和并集之比。在计算机视觉目标检测任务中，一般约定0.5为交并比的额定阈值，用来判断预测的边界框是否正确。当交并比大于等于0.5时，就说预测框对目标物的定位检测正确；如果预测框和真实框完美重叠，那么交并比就是1，因为此时交集就等于并集。所以交并比是衡量定位精确度的一种方式，只需要统计算法正确检测和定位目标内容物的次数，就可以用这样的定义判断目标定位是否准确。将交并比作为损失函数引入训练过程，可以更加准确的挑选出与真实框更接近的预测框，从而提高目标检测的精度。

广义交并比(GIOU)。在实际使用的过程中，交并比在优化框回归上存在一些缺陷。在轴对称的情况下，交并比可以直接当做回归损失，然而，当边界框不相交(即交并比的分子——交集为0)时，交并比的数量值恒为0，无法发挥度量的作用。因此广义交并比在交并比的基础上进行了新的定义，即：广义交并比就是在交并比的基础上添加一个惩罚项。这个惩罚项带来的作用是当交并比失效的时候，惩罚项可以很好的起到辅助度量的作用，使得广义交并比在整体上是具有度量价值和优化框回归的作用的。广义交并比的惩罚项是先找到两个边界框的最大覆盖框，用最大覆盖框与两框不相交的部分的面积作为分子，最大覆盖框面积作为分母，比值得到该惩罚项。

距离交并比(DIOU)。关键点交并比和广义交并比一样，都是在交并比(IOU)的基础上添加一个惩罚项，不同之处在于惩罚项的作用形式不同。由上述可知，广义交并比仍然通过边界框相交面积来定义交并比从而得到一个分类标准，而距离交并比首次提出使用中心点距离和两个边界框的最大覆盖矩形的对角线之比作为惩罚项，用距离的优化使得边界框回归的速度得到了极大的提高。同时还将边界框的宽高比也考虑存在内，设置了由两个超参数之积组成的二级惩罚项，使得预测框从位置，宽高比，相交区域三个方面同时向真实框靠近，能够得到更加精确的位置预测模型。