一种遮挡物体检测方法和装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114187491A(43)申请公布日2022.03.15(21)申请号202210143660.X(22)申请日2022.02.17(71)申请人中国科学院微电子研究所地址100029北京市朝阳区北土城西路3号(72)发明人林美伶史朝坤胡子骏郝悦星赵政杰(74)专利代理机构北京天达知识产权代理事务所(普通合伙)11386代理人牛洪瑜(51)Int.Cl.G06V10/774(2022.01)G06K9/62(2022.01)G06N3/08(2006.01)G06T7/73(2017.01)G06V10/764(2022.01)权利要求书2页说明书12页附图4页(54)发明名称一种遮挡物体检测方法和装置(57)摘要本发明涉及一种遮挡物体检测方法和装置，属于图像处理技术领域，解决现有方法无法检测形状大小各异的物体之间是否发生遮挡且无法将相互遮挡的物体与其他物体区分开的问题。该方法包括：获得处于密集场景的训练图像和待识别图像并将训练图像和待识别图像进行预处理；对预处理的训练图像中待识别目标的类别和位置坐标进行标注；建立改进的神经网络模型并利用标注的训练图像对改进的神经网络模型进行训练以获得检测模型，改进的神经网络模型包括CBAM注意力模块以增强检测模型对待识别目标的特征提取能力；通过检测模型对待识别图像中的遮挡物体进行检测以获得检测结果。该方法可提高遮挡物体的检测精度和定位精度以满足工业应用中对算法的精度要求。CN114187491ACN114187491A权利要求书1/2页1.一种遮挡物体检测方法，其特征在于，包括：获得处于密集场景的训练图像和待识别图像并将所述训练图像和所述待识别图像进行预处理；对预处理的所述训练图像中待识别目标的类别和位置坐标进行标注，其中，所述待识别目标包括相互遮挡物体的整体目标和单个目标；建立改进的神经网络模型并利用标注的训练图像对所述改进的神经网络模型进行训练以获得检测模型，其中，所述改进的神经网络模型包括CBAM注意力模块，所述CBAM注意力模块用于增强检测模型对所述待识别目标的特征提取能力；以及通过所述检测模型对待识别图像中的遮挡物体进行检测以获得检测结果，其中，所述检测结果包括所述待识别目标的类别、所述待识别目标的置信度以及所述待识别目标的边界框检测位置坐标。2.根据权利要求1所述的遮挡物体检测方法，其特征在于，所述CBAM注意力模块包括通道注意力模块和空间注意力模块，并且用于将输入特征图依次通过所述通道注意力模块和所述空间注意力模块进行筛选，获得重标定特征以强调重要特征并压缩不重要特征，其中，所述输入特征图是通过卷积块提取的特征图。3.根据权利要求2所述的遮挡物体检测方法，其特征在于，所述通道注意力模块，用于将输入特征图分别经过基于宽度和高度的全局最大池化和全局平均池化，然后分别通过多层感知机MLP进行卷积处理；将所述MLP的输出特征进行基于元素的加和处理，再经过sigmoid激活操作以生成通道注意力特征图。4.根据权利要求3所述的遮挡物体检测方法，其特征在于，所述空间注意力模块用于将所述通道注意力特征图和所述输入特征图做元素乘法处理，生成空间注意力模块的输入特征；对所述空间注意力模块的输入特征进行基于通道的全局最大池化处理和全局平均池化处理；将所述全局最大池化结果和所述全局平均池化结果进行基于通道的加和处理；将加和结果通过卷积处理降维为1个通道，再经过sigmoid生成空间注意力特征。5.根据权利要求1所述的遮挡物体检测方法，其特征在于，所述改进的神经网络模型进一步包括：改进的损失函数，所述改进的损失函数包括预测框和与所述预测框相对应的真实框之间的损失、预测框与其他真实框之间的损失、预测框与其他目标的预测框之间的损失和附加惩罚项，其中，所述附加惩罚项包括重叠损失、中心距离损失和宽高损失。6.根据权利要求5所述的遮挡物体检测方法，其特征在于，对所述改进的神经网络模型进行训练进一步包括：将处于密集场景中部分重叠的遮挡物体作为所述训练图像中的正样本图像并将不同背景的单个物体作为所述训练图像中的负样本图像；将所述标注的训练图像通过所述改进的神经网络模型的多次卷积处理和池化处理，提取出特征向量；根据所述特征向量确定训练图像的所述检测结果；通过改进的损失函数判断所述检测结果和所述训练图像的标注信息之间差异是否符合预设条件，其中，所述标注信息为所述训练图像包含的所述整体目标和所述单个目标的真实类别和覆盖所述整体目标和所述单个目标的边界框的真实位置坐标；以及如果所述差异不符合所述预设调节，则继续对所述改进的神经网络模型进行训练，否2CN114187491A权利要求书2/2页则所述改进的神经网络模型的训练完成以生成所述检测模型。7.