[发明专利]基于局部最大值的候选目标检测方法

说明书

一种基于局部极大值的候选目标检测方法、设备、装置及程序产品，该方法包括以下步骤：步骤S1：对输入的目标图像进行目标特征图提取；步骤S2：以提取的目标特征图作为RPN的输入，输出分类响应图；步骤S3：在分类响应图上检测局部极大值点；步骤S4：以局部极大值点对应的锚点产生多个候选框作为潜在存在目标的候选区域。通过使用RPN输出的分类响应图中的局部极大值而非全局统一的阈值来产生候选目标区域，可以使用非常少的候选目标区域达到非常高的召回率，从而能够获得同时具有高召回率和高准确度的候选区域。

所属技术领域

本发明涉及图像处理领域，特别是涉及图像中的目标检测方法。

背景技术

图像提取过程中，在进行目标物体检测时，一种常用的做法是首先进行候选目标区域检测，粗略找出图像中潜在存在目标的区域，然后再将逐个区域的特征输入到分类和回归网络中，预测候选区域的类别，以及精细地调整检测框的位置。在该过程中，第一阶段的候选目标区域检测相当重要，该阶段输出的候选目标区域是第二个阶段分类和回归的基础。通常来说，该阶段的检测不仅需要保证很高的召回率，同时还需要比较高的精确度。

现有的基于深度学习的候选目标区域检测方法中，为了保证高召回率，对于RPN(Region Proposal Network，候选区域检测网络)输出的响应图都是直接使用一个很低的阈值取出几千上万个候选框，然后再输入到第二个阶段进行分类和回归。这样的方式可以保证很高的召回率，但是代价是同时会输出更多不正确的候选框。这些错误的候选框会在模型训练的时候给第二个阶段的分类和回归带来很大的困扰，同时也会在模型用于预测的时候降低预测的速度。

图1和图2具体展示了现有技术的缺陷，如图1所示，使用现有技术提取候选框时，当使用的阈值较高(例如0.5)时，虽然可以得到精确的候选区域，但是同时也会丢失大量目标，造成低召回率的现象。而在图2中，当使用较低阈值(例如0.05)时，虽然可以保证高召回率，但是同时也会带来大量不正确的候选目标区域，为第二个阶段的分类和回归带来困扰，同时也会在模型用于预测的时候降低预测的速度。

发明内容

本发明主要目的在于解决候选区域检测过程中，高召回率和高精确度不能兼得的矛盾。本发明提出根据RPN(Region Proposal Network，候选区域检测网络)输出的分类响应图上的局部极大值来提取候选目标区域，而非现有技术采用的使用统一的全局阈值提取候选目标区域。因为RPN分类响应图上的局部极大值通常都能够很好的对应上某些具体目标，同时局部极大值点的数量相对使用全局阈值可以大大减少，使得该方法可以得到同时满足高召回率和高准确度的候选区域检测结果。相对于现有技术的方法通常会产生几千上万个候选框，本发明提出的方法通常只会产生几十上百个候选框，得到非常精确的候选区域检测结果。

本发明的目的在于提供一种基于局部最大值的候选目标检测方法，具体技术方案如下：

第一方面，本发明实施例提供了一种基于局部最大值的候选目标检测方法，该方法至少包括：

步骤S1：对输入的目标图像进行目标特征图提取；

步骤S2：以提取的目标特征图作为RPN的输入，输出分类响应图；

步骤S3：在分类响应图上检测局部极大值点；

步骤S4：以局部极大值点对应的锚点产生多个候选框作为潜在存在目标的候选区域。

第二方面，本发明实施例提供了一种基于局部最大值的候选目标检测设备，包括：

提取装置，用于对输入的目标图像进行目标特征图提取；

分类响应图输出装置，用于以提取的目标特征图作为RPN的输入，输出分类响应图；

局部极大值点获取装置，用于在分类响应图上检测局部极大值点；