[发明专利]一种轻量级的文身检测方法

说明书

一种轻量级的文身检测方法属于计算机视觉领域。本发明首先进行文身数据的准备，然后构建基于YOLOv5的单阶段轻量级目标检测框架：把主干网络的提取的深度卷积特征构建特征金字塔，再提取金字塔上三个不同尺度的特征图送入Head层得到最终的结果。针对文身图像的特点，本发明额外引入了直方图损失，目的是使网络更加关注文身图案区域，提升文身检测的性能。本发明在维持文身检测的精度的同时显著降低了参数量和计算量，为实用化提供了技术积累。

技术领域

本发明属于计算机视觉领域。

背景技术

随着互联网应用的快速发展，越来越多的人会选择在一些互联网应用上传图像或视频，不可避免的会出现违法违规的内容，以往需要雇佣大量的审核员人工仔细地检查这些内容，成本较高且易出错。近年来，随着人工智能技术的飞速发展，使用人工智能辅助工作人员进行互联网内容的审查是发展的必然趋势。图像中的文身在某些应用场景中是违规的，又因文身表观、大小差异极大，因此开发出适合文身图案检测的目标检测技术至关重要。在保证文身检测精度的同时，提升检测的速度，是文身检测技术落地的关键。为此，本发明提出一种轻量级的文身检测方法。

与其他对象物检测相比，文身检测有以下挑战：首先，文身区域尺度变化大，文身既可以占满皮肤，处于整个背部，也可能只文在皮肤的局部区域；其次，文身的数据较少，并且获取困难，现有的数据集有限，在训练检测模型时会产生过拟合，从而导致模型学习效率低、鲁棒性差、泛化不足差等问题。这些问题使得将现有对象物检测方法直接应用在文身检测上难以获得满意的效果。在检测速度方面，现有目标检测框架主要有两个分支：单阶段方法和二阶段方法。单阶段方法直接回归目标类别概率和预测框位置坐标，在检测速度上优势明显；二阶段方法分离了预测框位置坐标回归和目标分类，检测准确度较高。YOLOv5是最新的单阶段轻量级目标检测网络的代表方法之一，也是当前速度最快的目标检测方法之一，拥有高精度和高灵活度等特点。

本发明首次提出用于文身检测任务的轻量级目标检测框架，利用目前最轻量最快速的目标检测网络YOLOv5作为主体框架。在构建该网络框架的基础上，根据文身图像的特点，定义了直方图损失。并基于大规模数据上的预训练模型，以及在少量的公开文身数据集及人工标注的互联网文身图片数据上通过迁移学习的策略进行了训练，增强模型的泛化性和鲁棒性。最后，把训练过的最终模型在测试数据上测试，取得了令人满意的性能和速度。

发明内容

本发明为解决上述提到的文身检测任务存在的问题以及现有方法用于检测文身的缺陷，提出一种基于YOLOv5的轻量级目标检测方法，并根据文身图像特点修改，额外定义直方图损失来约束网络，提升文身检测的性能。本发明在实现快速的模型推理的同时保持了较高的目标检测精度。

如图所示，本发明分为数据准备、YOLOv5文身检测网络的构建、定义直方图损失和网络训练及测试四个步骤。

步骤1、数据准备阶段。

训练数据包括两部分，一部分来自公开数据集DeMSI和BIVTatt，一部分从互联网上爬虫获取并手工标注包围框。共6000张图片。

步骤2、YOLOv5文身检测网络的构建。本方法中的网络模型由以下模块构成：

1)主干网络。本发明使用的主干网络为CSPDarknet，称作跨阶段局部网络。它是CSPNet和DarkNet的结合，特点是减少计算量并且增强特征的表达能力，增强卷积神经网络的学习能力，从而提升检测准确率。

2)Neck。该模块的作用是生成特征金字塔。特征金字塔会增强模型对于不同缩放尺度对象的检测，从而能够识别不同尺度的同一个物体。

3)Head。该模块用于最终检测部分，用于对象物的定位和分类。它在特征图上应用锚定框，并生成带有类概率、对象得分和包围框的最终输出向量。