一种基于卷积神经网络的目标边界实时检测方法.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CN111753956A(43)申请公布日2020.10.09(21)申请号202010556830.8(22)申请日2020.06.18(71)申请人南京邮电大学地址210000江苏省南京市雨花台区软件大道186号(72)发明人徐秋石岳文静陈志熊礼亮(74)专利代理机构南京瑞弘专利商标事务所(普通合伙)32249代理人秦秋星(51)Int.Cl.G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书4页附图1页(54)发明名称一种基于卷积神经网络的目标边界实时检测方法(57)摘要本发明公开一种基于卷积神经网络的目标边界实时检测方法，首先输入图片，提取该图片的特征图，预测边界框坐标和置信评分预测值。然后通过特征图得到引用边界框坐标，根据预测边界框坐标和引用边界框坐标计算出相关边界框坐标和实际边界框坐标，计算相关边界框和实际边界框的重叠值，对具有最大重叠部分的实际边界框设置最大重叠标记。最后根据重叠值，最大重叠标记和置信评分预测值计算引用边界框的置信评分，保留前N个具有最高置信评分的引用边界框，过滤其他边界框，得到最终结果。本发明将卷积神经网络用来提取特征图和作为输出层去计算边界框坐标和置信评分，通过多任务的损失函数训练卷积层，有效提高卷积神经网络的运行效率和计算精度。CN111753956ACN111753956A权利要求书1/2页1.一种基于卷积神经网络的目标边界实时检测方法，其特征在于，包括以下步骤：步骤1)将图片输入YOLO网络，得到只含像素值的特征图，预测边界框坐标和置信评分预测值；步骤2)以步骤1)中的特征图的左上角为原点，横向为x轴，纵向为y轴建立二维坐标系，将特征图分成W×H个均匀分布的长宽相等的网格，W和H分别是沿水平方向和垂直方向的网格数，在每个网格上计算K个引用边界框的坐标，K为预先设定的值，位置(i，j)网格上的引用边界框坐标为其中分别是第i行第j个网格的中心点的横坐标和纵坐标，分别是第k个引用边界框的宽和高，步骤1)中的预测边界框坐标表示方法是：位置(i，j)网格上的第k个预测边界框的坐标为步骤3)根据步骤2)中引用边界框坐标和预测边界框坐标计算出相关边界框坐标和实际边界框坐标，求得的在位置(i，j)网格上的第k个相关边界框的坐标为(δxijk，δyijk，δwijk，δhijk)，在位置(i，j)网格上的第k个实际边界框的坐标为步骤4)将步骤3)中求得的位置(i，j)网格上的相关边界框的坐标与实际边界框的坐标进行比较，计算两边界框的重叠值选择与当前相关边界框具有最大重叠的实际边界框，设置最大重叠标志Iijk；步骤5)步骤1)中的置信评分预测值γijk表示位置(i，j)网格上的第k个引用边界框的置信评分预测值，根据Iijk，和γijk计算出每个引用边界框的置信评分，将引用边界框按置信评分由大到小排序，保留前N个边界框，过滤多余的边界框以获得最终的检测结果。2.根据权利要求1所述的一种基于卷积神经网络的目标边界实时检测方法，其特征在于所述步骤3)具体如下：步骤31)对引用边界框和预测边界框根据如下公式计算在位置(i，j)网格上的第k个相关边界框坐标(δxijk，δyijk，δwijk，δhijk)：步骤32)对引用边界框和预测边界框根据如下公式计算在位置(i，j)网格上的第k个实际边界框坐标2CN111753956A权利要求书2/2页3.根据权利要求1所述的一种基于卷积神经网络的目标边界实时检测方法，其特征在于所述步骤4)具体如下：步骤41)对位置(i，j)网格上的相关边界框(δxijk，δyijk，δwijk，δhijk)，实际边界框坐标根据如下公式计算重叠值步骤42)对位置(i，j)网格上的所有实际边界框，比较设置最大重叠标志Iijk，其含义为：若在位置(i，j)网格上的第k个实际边界框与相关边界框具有最大重叠，即在i，j相同的情况下，若所有重叠值中的第k个重叠值最大，则Iijk的值为1，否则值为0。4.根据权利要求1所述的一种基于卷积神经网络的目标边界实时检测方法，其特征在于所述步骤5)具体如下：步骤51)对最大重叠标志Iijk，重叠值和置信评分预测值γijk，根据如下函数计算前N个具有最高置信评分的引用边界框的置信评分和：其中步骤52)对非前N个具有最高置信评分的引用边界框，即无用边界框，使用如下函数过滤这些多余的无用边界框：其中3CN111753956A说明书1/4页一种基于卷积神经网络的目标边界实时检测方法技术领域[0001]本发明涉及一种基于卷积神经网络的目标边界实时检测方法，属于计算机视觉、模式识别、机器学习等交叉技术领域。背景技术[0002]近年来，目标检测成为计算机视觉领域中的一