[发明专利]一种基于维度分解的候选区域提取方法

说明书

本发明公开一种维度分解的候选区域提取方法，包括以下步骤：S1、选取并划分数据集；S2、构建候选区域网络RPN；S3、使用预训练检测器模型和候选区域网络RPN一起训练得到模型；S4、用测试集对得到的模型进行测试，评估模型性能，本发明对anchor进行改进，使得其能很好适应不同的检测器，具体表现在对目标的宽高解耦来分解检测维度，从而减轻目标形状变化对检测造成的影响，而且本发明提出的RPN可以直接用于不同的检测模型，任务和数据集，而无需修改任何超参数或进行专门的优化。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于维度分解的候选区域提取方法。

背景技术

近年来，由于卷积神经网络(简称CNN)的发展和应用，许多计算机视觉领域的任务得到了较大的发展，其中目标检测的是计算机视觉中的一项重要的任务，目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域，通过计算机视觉减少对人力资本的消耗，具有重要的现实意义。因此，目标检测也就成为了近年来理论和应用的研究热点，它是图像处理和计算机视觉学科的重要分支，也是智能监控系统的核心部分，同时目标检测也是泛身份识别领域的一个基础性的算法，对后续的人脸识别、步态识别、人群计数、实例分割等任务起着至关重要的作用。由于深度学习的广泛运用，目标检测算法得到了较为快速的发展，基于深度学习的两种目标检测算法思路，分别为One-Stage目标检测算法和Two-Stage目标检测算法。

目前主流的目标检测算法主要是基于深度学习模型，大概可以分成两大类别：(1)One-Stage目标检测算法，这类检测算法不需要产生候选区域框的阶段，可以通过一个Stage直接产生物体的类别概率和位置坐标值，比较典型的算法有YOLO、SSD和CornerNet；(2)Two-Stage目标检测算法，这类检测算法将检测问题划分为两个阶段，第一个阶段首先产生候选区域(Region Proposals)，包含目标大概的位置信息，然后第二个阶段对候选区域进行分类和位置精修，这类算法的典型代表有R-CNN。Fast R-CNN，Faster R-CNN等。目标检测模型的主要性能指标是检测准确度和速度，其中准确度主要考虑物体的定位以及分类准确度。一般情况下，Two-Stage算法在准确度上有优势，而One-Stage算法在速度上有优势。不过，随着研究的发展，两类算法都在两个方面做改进，均能在准确度以及速度上取得较好的结果。

本发明的内容是对Two-Stage目标检测算法中第一阶段的候选区域产生的方法进行改进，传统的RPN都是基于anchor作为回归的参考，因而检测的性能会因为anchor的设置不同会很敏感，呈现出差异较大的性能表现，所以在传统的RPN中anchor的选择至关重要，人们难以设计合适的anchor来处理各种物体，对于不同检测器要设置不同的anchor。

发明内容

针对上述问题，本发明提供了一种基于维度分解的候选区域提取方法，通过维度分解的方法，将对四维向量的学习分解为对两个独立的二维向量的学习，分别降低了各自学习的难度，最后再重新进行组合。通过这种方法，能够有效地降低anchor的匹配复杂度，进而可以有效地提升RPN网络的性能。

本发明提出一种基于维度分解的候选区域提取方法，包括以下步骤：

S1、选取并划分数据集；

S2、构建候选区域网络RPN；

S3、使用预训练检测器模型和候选区域网络RPN一起训练得到模型；

S4、用测试集对得到的模型进行测试，评估模型性能。

2.根据权利要求1所述的一种基于维度分解的候选区域提取方法，其特征在于，所述步骤S1具体包括：