基于卷积神经网络的室内密集目标检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114972954A(43)申请公布日2022.08.30(21)申请号202210638493.6G06T3/40(2006.01)(22)申请日2022.06.07(71)申请人沈阳航空航天大学地址110136辽宁省沈阳市道义经济开发区道义南大街37号(72)发明人石祥滨刘翠微张德园刘芳毕静武卫东李照奎彭晋文刘佳昊邢旭(74)专利代理机构沈阳维特专利商标事务所(普通合伙)21229专利代理师张倩怡(51)Int.Cl.G06V10/82(2022.01)G06V20/40(2022.01)G06V10/764(2022.01)权利要求书2页说明书7页附图2页(54)发明名称基于卷积神经网络的室内密集目标检测方法(57)摘要本发明提供了一种基于卷积神经网络的室内密集目标检测方法，包括：图像尺度归一化；图片的分类和定位，将尺度归一化的图片输入卷积神经网络模型，通过卷积神经网络模型进行向前推理，对尺度归一化的图片同时完成分类和定位，获取多个待检测目标的检测框；唯一检测框，使用非极大值抑制算法对每个待检测目标出现重复的检测框进行筛选，获取每个待检测目标的唯一检测框；检测目标的定位，通过图片的分类和定位，以及对检测框的筛选，得到的最终坐标信息和类别置信度在图片中以矩形框的形式表示，矩形框即为待检测目标的检测框，对每个待检测目标进行定位。提高待检测目标的检测速度，解决了由于摄像头视角引起的检测目标尺度变化。CN114972954ACN114972954A权利要求书1/2页1.一种基于卷积神经网络的室内密集目标检测方法，其特征在于，所述室内密集目标检测方法包括：图像尺度归一化，通过摄像头读取到的视频按照逐帧读取，统一每帧图片的尺寸，获取尺度归一化的图片；图片的分类和定位，将所述尺度归一化的图片输入卷积神经网络模型，通过所述卷积神经网络模型进行向前推理，对所述尺度归一化的图片同时完成分类和定位，获取多个待检测目标的检测框；唯一检测框，使用非极大值抑制算法对每个所述待检测目标出现重复的所述检测框进行筛选，获取每个所述待检测目标的唯一检测框；检测目标的定位，通过图片的分类和定位，以及对所述检测框的筛选，得到的最终坐标信息和类别置信度在所述图片中以矩形框的形式表示，所述矩形框即为待检测目标的检测框，对每个所述待检测目标进行定位。2.根据权利要求1所述的基于卷积神经网络的室内密集目标检测方法，其特征在于，所述图像尺度归一化包括：处理视频，将所述视频读取为图片；图片处理，所述图片通过OpenCV中双线性插值进行尺度归一化处理，将所述图片缩放为640×640像素的尺度归一化的图片。3.根据权利要求1所述的基于卷积神经网络的室内密集目标检测方法，其特征在于，所述图片的分类和定位包括：将所述归一化的图片输入卷积神经网络模型，通过所述卷积神经网络模型进行向前推理，获得多种尺度的特征图；缩小多种尺度的所述特征图，对缩小尺度后的所述特征图进行预测；使用特征金字塔对缩小尺度后的所述特征图进行拼接，通过所述特征金字塔得到输出结果；其中，所述输出结果包括所述待检测目标的位置坐标，即所述检测框左上角坐标以及所述检测框的长和宽、类别信息、置信度，以矩阵形式输出。4.根据权利要求3所述的基于卷积神经网络的室内密集目标检测方法，其特征在于，多种尺度的所述特征图为[320×320,160×160,80×80,40×40,20×20]，缩小尺度后的所述特征图为[80×80,40×40,20×20]。5.根据权利要求3所述的基于卷积神经网络的室内密集目标检测方法，其特征在于，所述唯一检测框包括：对所述输出结果的矩阵按类别分为集合，同一集合按所述检测目标所得的置信度从高到低排序；根据所述检测目标的遮挡情况设定超参数交并比阈值，每个类别的所述集合从置信度高的检测框开始，分别与其他检测框进行IoU计算，当IoU＞阈值，删除置信度较低的检测框，将置信度高的检测框移出作为输出结果，将得到的集合作为新集合；在得到的所述新集合中，重复上一步骤直至遍历该类别中的所有检测框；在对下一类别的集合重复上述两个步骤，直至遍历所有类别的集合，删除了冗余的检测框，获取每个所述待检测目标的唯一检测框。2CN114972954A权利要求书2/2页6.根据权利要求5所述的基于卷积神经网络的室内密集目标检测方法，其特征在于，所述IoU计算为：其中，P1，P2指的是卷积神经网络模型对同一待检测目标的不同检测框，P1∩P2指此两个检测框求交集，P1∪P2指此两检测框求并集。7.根据权利要求5所述的基于卷积神经网络的室内密集目标检测方法，其特征在于，所述超参数交并比阈值为0.3至0.7。8.根据权利要求5所述的基于卷积神经网络的室内密集目标检测方法，其特征在