[发明专利]基于Grid R-CNN模型改进的目标检测方法及系统

权利要求书

1.一种基于Grid R-CNN模型改进的目标检测方法，其特征在于，包括：

获取待检测的目标图像，对所述图像进行图像复杂度处理，然后分配到不同的特征提取网络进行特征图的提取；

对于提取的特征图，利用网格引导定位来确定锚框的位置；

基于锚框位置，结合形状预测来动态确定锚框的形状，位置和形状确定有锚分支的锚框；

将所述有锚分支的锚框与FSAF分支并行处理，得到更加准确的锚框；

基于得到的锚框，利用级联检测器进行目标的分类和定位。

2.如权利要求1所述的一种基于Grid R-CNN模型改进的目标检测方法，其特征在于，对所述图像进行图像复杂度处理，具体过程包括：

计算需检测图片的复杂度，根据图像的复杂度所属的阈值范围确定特征提取的网络层数，将不同复杂度的图片输入不同层数的特征提取网络。

3.如权利要求1所述的一种基于Grid R-CNN模型改进的目标检测方法，其特征在于，利用网格引导定位来确定锚框的位置，具体过程为：

利用全卷积网络来预测预定义网格点的位置，在生成的网格点中选取概率值最大的一个点，作为预测锚框的位置定位。

4.如权利要求1所述的一种基于Grid R-CNN模型改进的目标检测方法，其特征在于，基于锚框位置，结合形状预测来动态确定有锚分支的锚框，具体包括：

利用GA-RPN的形状预测方法来动态确定锚框形状；所述锚框的尺寸动态可变。

5.如权利要求1所述的一种基于Grid R-CNN模型改进的目标检测方法，其特征在于，将所述有锚分支的锚框与FSAF分支并行处理，具体包括：

在所述有锚分支的基础上，额外添加两个无锚的卷积层，分别用于负责分支的分类和回归的预测。

6.如权利要求1所述的一种基于Grid R-CNN模型改进的目标检测方法，其特征在于，基于得到的锚框，利用级联检测器进行目标的分类和定位，具体过程为：

利用Cascade R-CNN的级联方法，通过级联多个检测器模块，训练每个检测器模型，设置三个阶段不断提高的IOU阈值，由上一个阶段检测器输出的锚框作为下一阶段池化的输入，通过不断提高的阈值得到更好的检测效果。

7.一种基于Grid R-CNN模型改进的目标检测系统，其特征在于，包括：

用于获取待检测的目标图像，对所述图像进行图像复杂度处理，然后分配到不同的特征提取网络进行特征图的提取的模块；

用于对于提取的特征图，利用网格引导定位来确定锚框的位置的模块；

用于基于锚框位置，结合形状预测来动态确定有锚分支的锚框的模块；

用于将所述有锚分支的锚框与FSAF分支并行处理，得到更加准确的锚框的模块；

用于基于得到的锚框，利用级联检测器进行目标的分类和定位的模块。

8.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-6任一项所述的基于Grid R-CNN模型改进的目标检测方法。

9.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-6任一项所述的基于Grid R-CNN模型改进的目标检测方法。