[发明专利]基于Grid R-CNN模型改进的目标检测方法及系统

说明书

本发明公开了一种基于Grid R‑CNN模型改进的目标检测方法及系统，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。本发明有益效果：本发明对图像进行复杂度处理，根据特征图复杂度所属的阈值范围特征提取网络的层数，能够提高特征提取的准确度。位置预测与形状预测相结合，通过不断提高检测器的阈值，提高了锚框的准确度。

技术领域

本发明涉及目标检测技术领域，尤其涉及一种基于Grid R-CNN(网格区域卷积神经网络)模型改进的目标检测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

随着计算机运算速度的提升，人工智能技术在多个领域不断取得新的成果。深度学习作为最重要的人工智能技术之一是机器学习和人工智能研究的最新趋势之一。

目标检测是计算机视觉领域要解决的基础任务之一，目标检测的目的是为了确定图像或视频中目标物体所在的位置以及目标的种类。随着对机器学习理论技术的研究，近十几年来对特定类目标的检测取得了很好的成果。但是现实的环境是复杂多样的，在检测目标的时候会遇到很多难题。随着深度学习概念的提出，对目标检测的研究也不再局限于对某类目标的检测，而是延伸到对多类目标的检测。

随着深度神经网络的提出，目标检测有了进一步的发展，总体划分为两种方法，基于锚框的目标检测方法和无锚的目标检测方法。基于锚框的方法是在图像上预设大量用于预测的锚点，并对这些锚点进行进一步的细化，最后得到准确的检测结果。无锚的方法是使用对象的中心点或中心区域来确定目标的位置。

随着图片复杂度的提升以及图片中包含信息的增加，目标检测也越来越困难，将目标准确的定位与分类更是目标检测的重中之重。

现有的目标检测方法虽然做到了端到端的训练，提高了目标检测的性能。但是普遍会产生大量的锚框，由于其锚框的尺寸是固定的，但是检测的目标物体的大小是不固定的，就会造成无法准确的检测极端大小的物体的问题。

Grid R-CNN是目前比较优秀的目标检测算法。虽然Grid R-CNN在锚框形状的确定方面做了一定的改进，但是该方法产生的锚框还是无法准确的标定出目标物体。并且在检测器方面Grid R-CNN使用了单一的IOU阈值的检测器进行检测，这样可能存在无法更加准确的定位锚框的问题。

发明内容

为了解决上述问题，本发明提出了一种基于Grid R-CNN模型改进的目标检测方法及系统。在该方法中，使用GA-RPN中的形状预测方法来代替Grid R-CNN的锚框预测，从而可以得到更加准确的锚框形状。同时，为解决重叠锚框选择问题，采用FSAF分支，与Grid R-CNN有锚分支并行做极大值抑制，从而选择出合适的锚框。

在本方法的实施方式中，采用如下技术方案：

一种基于Grid R-CNN模型改进的目标检测方法，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。

在另一些实施方式中，采用如下技术方案：