[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

说明书

本发明公开了一种融合多感受野特征映射与高斯概率模型的老鼠检测方法，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，对上述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，完成老鼠的检测。本发明的有益效果是：有效的解决了CenterNet完全忽略了距离中心点很近的点的作用，尤其是对于具有小、形变较严重、遮挡面积大的老鼠，很容易将中心点定位到背景位置问题；对于具有小、形变较严重、遮挡面积大的老鼠具有良好的鲁棒性、检测速度快以及检测效果好。

技术领域

本发明涉及计算机视觉的目标检测技术领域，具体的说，是融合多感受野特征映射与高斯概率模型的老鼠检测方法。

背景技术

随着计算机技术的不断发展，计算机性能不断提高，作为计算机视觉四大领域之一的目标检测技术获得巨大发展，目标检测分为两大类：

第一，传统的目标检测方法，首先利用窗口遍历的方式寻找目标可能存在的位置，其次，需要手工选择特征，例如Haar特征、LBP特征、SIFT特征、HOG特征、CM特征等；最后，对特征进行分类，常用的分类器有Adaboost，SVM等。

第二，基于深度学习的目标检测方法，近年来，深度学习在目标检测领域中取得巨大突破，成为现如今最先进的方法，CNN在目标检测上的标志性成果是Girshick等在2015年提出的R-CNN(Region-based CNN)网络，在VOC上[19]测试的平均精度高达62.4％，是DPM算法的两倍。

此后，基于CNN的目标检测方法占有主导地位，主要分为两大类：

1)基于候选区域(Region Proposal，RP)的方法，代表作是SPP-net、Fast R-CNN、Faster R-CNN、R-FCN和Mask R-CNN等；

2)基于回归的方法，代表作是YOLO和SSD，YOLOv2，YOLOv3等；

3)基于Anchor-Free的方法，代表作为CornerNet和CenterNet。

传统的目标检测方法，需要手工的选择特征，其过程复杂，对于目标检测效果的优劣完全取决于研究人员的先验知识；以窗口区域遍历图像的方式检测目标，在检测过程中有很多冗余窗口，时间复杂度高，并且对于小目标、密集目标、形变较严重的目标、遮挡面积大的目标检测效果一般。第二，深度学习的目标检测方法，由于老鼠具有小、形变较严重、遮挡面积大等特点，基于候选区域的方法较为复杂，候选区域计算冗余，占用资源较大，不符合实时性准则；基于回归的方法需要设计者根据先验知识设计回归框的宽高比例以及大小，不利于对尺度多变的老鼠的检测，漏检较多。

发明内容

本发明的目的在于提供融合多感受野特征映射与高斯概率模型的老鼠检测方法，对于具有小、形变较严重、遮挡面积大的老能够有效的将中心点定位到背景位置，具有良好的鲁棒性、检测速度快、检测效果好。

本发明通过下述技术方案实现：

融合多感受野特征映射与高斯概率模型的老鼠检测方法，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，对上述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，完成老鼠的检测。

进一步地，为了更好的实现本发明，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S2：基于Centernet构建三个扩张率自适应的空洞卷积得到三种感受野的中心点热图；