[发明专利]一种级联回归目标检测方法、装置及计算机可读存储介质

权利要求书

1.一种级联回归目标检测方法，其特征在于，包括以下步骤：

获取待检测图片，进行像素的标准化并缩放至相同大小；

将调整后的待检测图片输入至训练好的深度卷积神经网络模型中，所述深度卷积神经网络模型由带有标注信息的训练图片训练得到，且包括用于特征提取的骨干网络、用于分步调整预设框的级联的区域建议模块、用于微调预设框的级联的两路回归器模块、用于优化上述模块的距离损失函数和损失函数；

利用训练好的深度卷积神经网络模型对待检测图片进行检测，得到检测结果。

2.根据权利要求1所述的一种级联回归目标检测方法，其特征在于，所述骨干网络通过若干分辨率不同的特征预测层对图片进行特征提取；所述骨干网络包括ResNet系列网络或VGG系列网络中的一种，以及在此基础上添加的额外卷积网络。

3.根据权利要求2所述的一种级联回归目标检测方法，其特征在于，所述级联的区域建议模块根据提取的特征进行分类和回归，包括级联区域建议网络、特征融合模块以及分类回归模块；所述级联区域建议网络分两步微调预设框的大小和位置，产生区域建议；所述特征融合模块将不同尺度的特征融合一起；所述分类回归模块根据级联区域建议网络提供的区域建议，提取候选区域N×N的特征进行分类和回归。

4.根据权利要求3所述的一种级联回归目标检测方法，其特征在于，所述级联的两路回归器模块分别利用全连接架构和全卷积架构的神经网络作为回归分支，对同一个候选区域进行回归，调整候选区域的大小和位置，包括：

第一阶段：以预设框的位置为候选区域，提取出目标特征并且裁剪为指定的尺寸，分别输入两路回归分支进行预测，根据预测结果调整候选区域的大小和位置并提取两组特征，使用卷积神经网络对两组特征进行融合；

第二阶段：将第一阶段融合后的特征分别输入两路回归分支进行预测，根据预测结果调整候选区域的大小和位置并提取两组特征，使用卷积神经网络对两组特征进行融合；

第三阶段：将第二阶段融合后的特征分别输入两路回归分支进行预测，根据预测结果调整候选区域的大小和位置并提取两组特征，使用卷积神经网络对两组特征进行融合，得到最终预测的候选区域的大小和位置。

5.根据权利要求4所述的一种级联回归目标检测方法，其特征在于，所述距离损失函数在回归的每一个阶段，使用交叉熵函数对分类进行优化，使用Smooth L₁函数对回归进行优化，用于最小化两路回归分支的输出结果差距。

6.根据权利要求5所述的一种级联回归目标检测方法，其特征在于，所述距离损失函数定义包括：

其中Smooth L₁函数如下：

其中x^t是根据前一阶段两路回归分支预测的坐标融合的特征信息，f_b表示全连接层架构的回归分支，f_d表示全卷积架构的回归分支，i表示第i个候选区域的中心坐标以及宽和高。

7.根据权利要求1所述的一种级联回归目标检测方法，其特征在于，所述损失函数包括：级联的区域建议模块损失函数以及级联的两路回归器损失函数：

其中，Loss1为级联的区域建议模块损失函数，Loss2为级联的两路回归器的损失函数，其中，i表示预设锚框的下标，和分别表示下标为i的预设锚框的真实类别和位置偏移向量，c_i和t_i为第二阶段的多分类预测概率和坐标检测结果，N₁，N₂和N₃分别表示级联回归的第一阶段、第二阶段和第三阶段检测过程中的正样本数量，L_m为判断物体类别的多分类交叉熵损失，L_r为Smooth-L₁损失函数；总损失Loss为级联的区域建议模块损失函数和级联的两路回归器损失函数的加权和。