[发明专利]融合多感受野特征映射与高斯概率模型的老鼠检测方法

权利要求书

1.融合多感受野特征映射与高斯概率模型的老鼠检测方法，其特征在于：基于Anchor-Free的CenterNet方法，将输入图像通过三个不同扩张率的扩张卷积，得到三种不同尺度的中心点热图，再与高斯分布的标准差自适应的高斯概率模型相结合，对经过Centernet处理的热图和三个不同尺度的感受野的中心点热图做加性融合构建多尺度感受野高斯加权结构，完成老鼠的检测；具体包括以下步骤：

步骤S1：构建高斯半径自适应的高斯滤波器；

步骤S11：令I∈D^W*H*3为输入图像；其中W为输入图像的宽，H为输入图像的高；

步骤S12：通过CenterNet标签中心点c，中心点c的位置为p∈D²；

步骤S13：将中心点c对应到低分辨率图上，对中心点c的坐标转化为中心点坐标其中R为CenterNet输入与输出的比值；

步骤S14：将低分辨率图的中心点坐标通过高斯核函数生成为关键中心热力图当物体中心位置对应的值为1时为标签热力图；

步骤S15：设定自适应的高斯分布的标准差r为：

其中：式(1)中w表示低分辨中心点标签热力图的宽；

h表示低分辨中心点标签热力图的高；

o为超参数，表示高斯分布的标准差与w的最小比值；

步骤S16：构建高斯核，高斯核为：

步骤S2：基于Centernet构建三个扩张率自适应的空洞卷积得到三种不同尺度的感受野的中心点热图；

步骤S3：将三种不同尺度的感受野的中心点热图与高斯概率模型相结合，并对四种不同感受野的中心点热图做加性融合，构建多尺度感受野高斯加权结构。

2.根据权利要求1所述的融合多感受野特征映射与高斯概率模型的老鼠检测方法，其特征在于：所述步骤S2具体包括以下步骤：

步骤S21：将输入图像经过Centernet处理，得到用于预测中心点类别以及位置的热图U₀、用于预测宽高的热图Y_wh、用于预测偏置的热图Y_Off；

步骤S22：对于热图U₀分别做三种不同扩张率的空洞卷积得到U₁，U₂，U₃三个不同尺度的感受野的中心点热图；所述中心点热图U₁，U₂，U₃的扩张率设置为标准差r的1、0.5、0.25倍。

3.根据权利要求2所述的融合多感受野特征映射与高斯概率模型的老鼠检测方法，其特征在于：所述步骤S22中对于热图U₀分别做三种不同扩张率的空洞卷积得到U₁，U₂，U₃三个不同尺度的感受野的中心点热图采用的滤波器的大小为3*3；三种不同扩张率的空洞卷积的输入通道数为64，输出通道数为类别数；设定输出通道为1。

4.根据权利要求2所述的融合多感受野特征映射与高斯概率模型的老鼠检测方法，其特征在于：所述步骤S3具体包括以下步骤：

步骤S31：将步骤S22中的中心点热图U₁，U₂，U₃与高斯概率模型相结合；设定多尺度感受野高斯加权结构的权重G_i；

步骤S32：对用于预测中心点类别以及位置的热图U₀、与高斯概率模型相结合后的中心点热图U₁，U₂，U₃做加性融合；得到用于中心点类别以及位置预测的中心点热图Y_hm；

步骤S33：根据用于预测宽高的热图Y_wh、用于预测偏置的热图Y_Off、用于中心点类别以及位置预测的中心点热图Y_hm分别与步骤S14中的标签热力图求取交叉熵损失函数，并将交叉熵损失函数用于训练网络参数；从而训练和预测出老鼠的高宽，老鼠中心点的位置以及类别概率，中心点位置的偏移；完成检测。