[发明专利]一种基于卷积区域重配准的单阶段目标检测方法

权利要求书

1.一种基于卷积区域重配准的单阶段目标检测方法，其特征在于，包括：

步骤S1、获取检测图片的训练集，所述训练集包括M张训练图片，以及与M张训练图片一一对应的M个标签，通过M个标签表示相应图片中的N个目标物体的类别与坐标信息，其中坐标信息包括表示标注物体的矩形框的宽度、高度、中心点横坐标、中心点纵坐标和旋转角度；

步骤S2、对训练集的训练图片和测试图片进行图片标准化；

步骤S3、建立深度卷积神经网络结构，利用损失函数及所述训练集进行训练得到网络模型，其具体步骤包括：

获取基础特征提取网络M和额外卷积网络MA；

在所述基础特征提取网络M和额外卷积网络MA的基础上搭建第一阶段的分类网络CLS₁和定位网络LOC₁；

在基础特征提取网络M和额外卷积网络MA的基础上构建特征金字塔网络，通过基础特征提取网络M和额外卷积网络MA生成F张第一阶段的特征图FEA₁，再根据构建的特征金字塔网络生成高分辨率的第二阶段的特征图FEA₂；

以所述第一阶段定位网络LOC₁的坐标检测结果LR₁对第一阶段的分类网络CLS₁和卷积网络的卷积区域CR₁进行重配准,得到重分配卷积区域CR₂，其中重配准步骤为：

根据第一阶段检测结果进行中心点偏移和长宽缩放，获得新的卷积区域及采样点位置，再通过双线性插值方法获得重配准后的采样点位置的特征值；

在所述第二阶段的特征图FEA₂和重分配卷积区域CR₂的基础上，进行第二阶段的分类与定位，得到第二阶段的分类网络CLS₂与定位网络LOC₂；

在第一阶段和第二阶段检测过程中进行损失函数定义；

进行训练集训练获得最终的网络模型；

步骤S4、根据网络模型对测试图片测试，进行计算面积交并比以及非极大值抑制，得到最终的检测结果，其具体步骤包括：

根据训练得到的网络模型，使用Q张测试图片的样本T进行测试，输入网络模型；

并将检测结果R＝{R₁,R₂,…,R_q,…,R_Q}以类别保存，其中R_q表示第q张测试图片的检测结果；

最后计算旋转后的矩形框之间的面积交并比，进行非极大值抑制，仅保留得分较大且相互重叠面积小的检测框，作为最终的检测结果；

所述非极大值抑制的步骤为：

对初始检测结果R_q中同类别下的每个检测框的预测得分分别进行重新降序排序，所述排序后结果为R'_q＝{R_c'₁,R_c'₂,…,R_c'_f,…,R_c'_F}，其中R_c'_f为排序后的第j类上的检测结果；

对R_c'_f中的任意一个检测框b，将其和所有预测得分小于当前得分的检测框之间进行面积交并比的计算，所述面积交并比计算公式为：

T＝area_b+area_bs；

I＝inter_w×inter_h；

U＝T-I；

IOU＝IU；

其中，area_b表示检测框b的面积，area_bs表示任一得分小于b的检测框bs的面积，inter_w与inter_h分别表示两个检测框相交区域的宽度和高度；

若两个检测框的面积交并比超过阈值t_iou，则舍弃得分较低的检测框bs。