一种基于对角线网络的无锚框目标检测方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114863136A(43)申请公布日2022.08.05(21)申请号202210576106.0(22)申请日2022.05.25(71)申请人中国人民解放军陆军炮兵防空兵学院地址230071安徽省合肥市蜀山区黄山路451号(72)发明人李从利秦晓燕刘永峰袁广林琚长瑞韦哲魏沛杰陈超逸(74)专利代理机构合肥市浩智运专利代理事务所(普通合伙)34124专利代理师朱文振(51)Int.Cl.G06V10/46(2022.01)权利要求书3页说明书10页附图2页(54)发明名称一种基于对角线网络的无锚框目标检测方法及系统(57)摘要本发明提供一种基于对角线网络的无锚框目标检测方法及系统包括：利用沙漏网络提取输入图像深度特征并进行池化操作，据以获取关键点热力图、嵌入特征向量特征图及偏移量特征图；利用对角线网络处理关键点热力图，根据置信度对关键点进行排序，选择前k个置信度的关键点作为目标关键点，得到左上角、右下角及中心点的关键点位置及关键点类别信息；基于Fisher准则，设计嵌入向量学习损失函数进行关键点组合配对训练，利用中心关键点对初步配对结果进一步甄别；利用预测矩形和标注矩形框的对角线中心点的距离、长度、斜率度量损失设计用于目标预测框回归训练的对角线损失。解决了锚框设计困难、样本不平衡及检测精度低的技术问题。CN114863136ACN114863136A权利要求书1/3页1.一种基于对角线网络的无锚框目标检测方法，其特征在于，所述方法包括：S1、采集输入图像，利用沙漏网络HourglassNet作为骨干网络提取所述输入图像的深度特征，对所述深度特征进行角点池化及中心池化操作，据以获取关键点热力图、嵌入特征向量特征图及偏移量特征图；S2、利用对角线网络根据FocalLoss损失处理所述关键点热力图，根据各所述关键点热力图的置信度对关键点进行排序，选择前k个置信度的所述关键点作为目标关键点，得到所述左上角、所述右下角及所述中心点的关键点位置及关键点类别信息；S3、根据所述关键点位置及所述关键点类别信息计算每个左上角与k个右下角关键点的嵌入特征向量的距离，据以配对所述左上角与所述右下角关键点得到关键点组合配对，以构造目标预测框，当存在同类中心关键点落入候选目标框的中心区域时，判定当前目标预测框为真；S4、利用Fisher线性判别分析方法，采用下述逻辑处理得到所述分组配对损失：其中，根据所述关键点组合配对，利用所述分组配对损失进行网络训练，据以获取适用的目标检测网络；S5、以所述目标检测网络学习所述偏移量特征图中的左上角偏移量(Δxtl，Δytl)和所述右下角关键点的偏移量(Δxbr，Δybr)，以下述逻辑处理得对角线回归损失：LossL＝αLdis+βLsize+γLshape据以回归处理所述目标预测框，精细定位所述目标预测框(xtl+Δxtl，ytl+Δytl，xbr+Δxbr，ybr+Δybr)，其中，Ldis、Lsize和Lshape分别是对角线中心点距离、对角线长度差和对角线倾斜角差。2.根据权利要求1所述的一种基于对角线网络的无锚框目标检测方法，其特征在于，所述步骤S1中的关键点热力图包括：左上角、右下角和中心点的关键点。3.根据权利要求1所述的一种基于对角线网络的无锚框目标检测方法，其特征在于，所述步骤S2中利用下述逻辑处理得到所述FocalLoss损失：其中，pcij为关键点热力图上位置(i，j)是第c类目标的置信度，N为图像中目标的数量，α和β是控制每个点贡献的超参数。4.根据权利要求1所述的一种基于对角线网络的无锚框目标检测方法，其特征在于，所述步骤S2中对所述关键点排序操作包括：降序排序。5.根据权利要求1所述的一种基于对角线网络的无锚框目标检测方法，其特征在于，所述步骤S3包括：S31、配对处理所述左上角、右下角和中心点的所述关键点，将同一目标的所述关键点分成一组，据以构造所述目标预测框；S32、处理每一个左上角与k个右下角的所述关键点的关键点位置及所述关键点类别信2CN114863136A权利要求书2/3页息，以得到所述嵌入特征向量的距离；S33、判断所述嵌入特征向量的距离是否小于或等于预设阈值，并且判断所述关键点类别信息是否一致；S34、若是，则配对处理所述左上角、右下角和中心点的所述关键点并将所述关键点组合配对加入到候选目标集合；S35、若否，则不进行配对操作。6.根据权利要求1所述的一种基于对角线网络的无锚框目标检测方法，其特征在于，所述步骤S3还包括：S31’、判断当前的所述中心点是否落入所述目标预测框的几何中心区域，且该所述中心点的嵌入特征是否与所述目标预测框的左上角和右下角的嵌入特征相似；S32’、若是，则判定当前所述目标预测框为真；