[发明专利]一种基于层间覆盖比的非极大抑制方法及系统

说明书

本发明公开了一种基于层间覆盖比的非极大抑制方法及系统，包括利用非极大抑制去除每个特征层内重叠度较高的检测框；去除后根据相邻特征层内检测框之间的相关性，筛选出能够很好地定位目标的检测框；优化所述筛选出的检测框，并将其输出。先通过层内NMS模块筛除相互重叠的检测框，再通过层间筛选模块筛选出可能识别同一目标物体的检测框，最后优选模块择优保留检测框；利用层间检测框的相关性筛选出可能识别同一目标物体的检测框；保留定位好的若干检测框和类别置信度高的检测框，提升了目标识别准确度和定位准确度。

技术领域

本发明涉及目标检测的技术领域，尤其涉及一种基于层间覆盖比的非极大抑制方法及系统。

背景技术

目标检测是机器视觉领域中的一个基本且具有挑战性的问题。它利用机器视觉设备获取图像来判断采集图像中是否存在目标物体，同时输出检测目标的位置和类别。近些年来，随着深度学习技术的快速发展，以卷积神经网络(CNN)为代表的深度学习模型在目标检测算法中广泛应用。

在当前主流的基于CNN的目标检测方法中，检测器通常会为一个目标物体生成多个检测结果，然后采用非极大抑制(NMS)方法去除错误的检测结果。以Faster R-CNN网络做目标检测为例，Faster RCNN网络在RPN和Fast R-CNN两个阶段中采用NMS相关方法去除冗余检测框。首先，卷积网络做特征提取得到多层不同尺度的特征图，然后通过区域提取网络(RPN)在每层特征图中生成大量可能含有目标的检测框，所有特征层内的检测框经过分类与回归后再通过NMS方法筛选检测框，随后通过Fast R-CNN检测器中的NMS方法精细化去除冗余检测框。然而，NMS方法过于依赖类别置信度，经常导致较好定位检测框的丢失。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有目标检测存在的问题，提出了本发明。

因此，本发明解决的技术问题是：传统方法只能衡量同一特征层内检测框之间的重叠程度，而无法衡量不同特征层内检测框之间的重叠度；在传统的非极大抑制过程中，部分定位好的检测框常因其类别置信度较低而被筛除并且没有充分利用相邻特征层内检测框之间的相关性，筛选的精确度较低。

为解决上述技术问题，本发明提供如下技术方案：利用非极大抑制去除每个特征层内重叠度较高的检测框；去除后根据相邻特征层内检测框之间的相关性，筛选出能够很好地定位目标的检测框；优化所述筛选出的检测框，并将其输出。

作为本发明所述的基于层间覆盖比的非极大抑制方法的一种优选方案，其中：所述利用非极大抑制去除每个特征层内重叠度较高的检测框包括，将每个特征层内的检测框依据类别置信度进行降序排序，利用参数COP判断所述特征层内检测框之间的重叠关系，去除相互重叠的所述检测框。

作为本发明所述的基于层间覆盖比的非极大抑制方法的一种优选方案，其中：所述利用参数COP判断所述特征层内检测框之间的重叠关系包括，将类别置信度最大的检测框设定为基准框，其余检测框设定为对照框，计算所述基准框与对照框的参数COP，并根据所述参数COP与设定阈值的关系，判断所述基准框与对照框是否存在重叠关系，若所述COP大于阈值，则表明所述基准框与对照框相互重叠，将所述基准框和对照框都从当前层检测框集合中去除同时添加所述基准框到空集合中，若所述COP小于阈值，则表明无重叠关系，将所述基准框从所述当前层检测框集合中去除同时添加所述基准框到所述空集合中。

作为本发明所述的基于层间覆盖比的非极大抑制方法的一种优选方案，其中：所述参数COP包括，所述参数COP定义为所述基准框与对照框的重叠区域在所述对照框中的所占比例，其计算公式表示为如下：