[发明专利]一种用于不规则图形的目标检测技术

说明书

本发明公开了一种用于不规则图形的目标检测方法，包括实验环境和算法研究两大部分。本发明的实验平台为ubuntu16.04操作系统，显卡为NVIDIA GeForce GTX 1080Ti。算法研究包括对自制数据集进行预处理和训练模型。整个系统的运行流程为：1.安装ubuntu16.04操作系统，配置Anaconda版本为Anaconda3，python版本为3.6.5，CUDA版本为10.0，cudnn版本为7.1。TensorFlow‑gpu 1.14.0版本以及其他所需要的安装包。2.对数据集进行预处理操作，该操作在装有Anaconda环境的pycharm中运行。3.对预处理过后的数据集使用MobileNet_V2_224_fpn算法进行目标检测。4.通过评价指标在测试集上对该模型进行评价。该发明的主要目的在于提高对不规则物体目标检测的准确性，增加目标检测技术的实用性和普遍性，推动人工智能的发展。

技术领域

本发明属于人工智能领域，涉及到一种目标检测——不规则图形的识别与定位技术。

背景技术

随着21世纪的到来，图像处理技术被广泛应用于各行各业中，包括人脸检测、人体检测、车辆检测、路况检测、海关检测等等。借助计算机的快速发展，图像分类和目标检测技术成为计算机视觉方面两个重点研究方向。图像分类就是从一幅图片中分辨出物体所属的类别，而目标检测就是在此基础上，对该物体进行定位并快速准确地输出图像所在的位置。目标检测技术能对能一张图片中我们所需要的物体和不需要的物体进行分类，且判断物体是否存在，若存在，则输出物体的具体位置。该技术能够实现对图像信息的快速归类，加强对目标的认知和了解。在深度学习大规模应用之前，通常用于关键点检测的传统方法有两类，一类是基于参数化模型的方法，另一类是基于多阶段迭代的级联形状回归。AlexNet在ImageNet图像分类挑战赛上取得大幅度超越第二名的最佳成绩，带动了卷积神经网络(Convolutional Neural Network，CNN)的发展，关键点检测任务也开始跨越到CNN时代。基于CNN人脸关键点检测方法也可以细分为两种，一种是使用卷积神经网络回归预测关键点的坐标，另一种方法是先使用卷积神经网络回归关键点的高斯热图，然后从热图中解码出关键点的坐标信息。轻量级神经网络架构的设计逐渐的进入了人们的视野，受到众多关注的轻量级模型设计也催生了一批经典的轻量级网络架构MobileNet-V1和MobileNet-V2，其核心是将标准卷积进行拆分来降低标准卷积的参数量。虽然目标检测技术已经取得了不错的进展，然而对于不规则物体的目标检测较少为人们所应用。因而如何对不规则物体进行准确快速地识别与定位是非常具有研究意义及实用价值的。

发明内容

由于MobileNet算法对目标检测技术的巨大优势，本发明提供一种基于该算法的MobileNet_V2_224_fpn不规则图形的目标检测系统，已解决现有算法中检测速度过慢，模型冗余及对重叠目标出现漏检等问题。其具体方案实施如下：

第一方面，本申请实例提供了一种不规则图形的目标检测的方法，包括：

数据集采用自己制作的数据集，共有13000张图片，包括网页爬虫抓取1000张前景，自己拍摄2000张真实场景图片，1000张目标四边形图片，利用脚本生成10000张虚拟图片，其中训练集和验证集占11000张，测试集占2000张。

安装Anaconda3.0、pycharm2019社区版。

在ubuntu16.04操作系统上下载并安装CUDA10.0和cudnn7.1。在Anaconda中配置虚拟环境，在虚拟环境中安装搭建TensorFlow、numpy、pandas、termcolor、tabulate、tqdm、pyarrow、 pyzmq、msgpack、pillow、matplotlib、scipy、opencv-python等程序所需要的包。

对数据集进行预处理，主要是格式转换，主要是将数据集转成.txt格式，然后将.txt转换成.xml格式，再将.xml文件转换成.int格式和.json格式。