[发明专利]基于顶点距离与交并比多重优化目标检测器的方法与系统

说明书

本发明提供一种基于顶点距离与交并比多重优化目标检测器的方法与系统，包括：获取锚与标注框的交并比IOU；基于锚与标注框对应的四个顶点之间的归一化距离系数distance，修正交并比IOU，得到修正的交并比P‑IOU；基于修正的交并比P‑IOU重新界定正负样本；以及基于重新界定正负样本分类训练检测器。本发明提出了基于顶点距离与交并比多重优化目标检测器的方法，通过优化匹配机制从而优化检测器分类性能，减少误检。

本申请是基于申请日为2020年09月17日、申请号为202010979797.X、发明名称为基于顶点距离与交并比多重优化目标检测器的方法与系统的发明专利申请而提出的分案申请。

技术领域

本发明涉及图像处理技术领域，尤其是目标检测技术，具体而言涉及一种基于顶点距离与交并比多重优化目标检测器的方法与系统。

背景技术

在基于深度学习的图像处理中，比较棘手和难处理的问题在于控制目标检测的误检，所有的后续技术路线均需要立足于误检频率低的前提下。目前解决误检问题的常见技术方式有以下四种：增加更多的负样本训练数据集；基于在线难例挖掘方式的检测器训练优化；提高训练时正负样本界定的阈值以及RetinaNet提出的Focal Loss算法优化。

SSD系列算法（例如SSD、RetinaNet、RefineDet等）在行人、车辆等多宽高比的目标检测任务中，为了更好地匹配检测目标，通常会设置多种宽高比的锚anchor。常规的锚anchor匹配方式是计算其与标注框gt的IOU，如果IOU大于阈值即为正样本，且不计较哪些锚anchor与标注框gt更接近。这样会导致有些形状与gt差异较大，但IOU较高的锚anchor会被界定为正样本；在模型测试中这些差异较大的标注框一旦分类置信度较高，在NMS后会删除差异较小但分类置信度偏低的标注框，使得回归不准确，虽然与标注框gt有一定交集，但差异很大，容易导致误检出现。现有锚匹配机制流程包括计算每张图所有的锚与所有标注框gt之间的IOU。每个锚保留最高IOU以及此标注框gt的类别；如果最高IOU为0，则该锚的类别为背景，该锚即为负样本。所有锚的最高IOU大于训练设定的阈值时，保留此锚匹配的标注框gt类别，该锚即为正样本；小于或等于阈值时，将此锚匹配的标注框gt类别修改成背景，该锚即为负样本。将锚划分为正负样本后，再通过OHEM等方式，取所有正样本并挖掘部分负样本难例，参与检测器分类训练。

上述解决方式中，由于锚匹配机制中存在的问题，而前述四种常见方案都不涉及此，因此无法引导模型训练中解决这个问题。

现有技术文献：

专利文献1：CN111598175A 一种基于在线难例挖掘方式的检测器训练优化方法。

发明内容

本发明目的在于提供一种基于顶点距离与交并比多重优化目标检测器的方法与系统，通过结合与框的交并比IOU和归一化的顶点距离系数来判别两者的差异，提升检测器的性能，同时使用两种参数界定正负样本，扩大两者的差异，使得检测器分类能力更强，减少误检。

根据本发明目的的第一方面提出一种基于顶点距离与交并比多重优化目标检测器的方法，包括：

获取锚与标注框的交并比IOU；

基于锚与标注框对应的四个顶点之间的归一化距离系数distance，修正所述交并比IOU，得到修正交并比P-IOU；

基于修正交并比P-IOU重新界定正负样本；以及

基于重新界定正负样本分类训练检测器。

优选地，所述锚与标注框对应的四个顶点之间的归一化距离系数的获取包括以下过程：

获取锚与标注框相对应的四个点的直线距离p1、p2、p3和p4，其中锚与标注框均在同一平面内；

分别计算所有标注框的宽高平均值h_w；以及