[发明专利]一种改进的Centernet复杂环境目标检测方法

权利要求书

1.一种改进的Centernet的复杂环境目标检测方法，其特征在于，包括：

S1、改进现有的CenterNet网络结构，改进后的CenterNet网络结构包括：用于特征提取的骨干网络、用于特征聚合的特征聚合网络以及分支预测输出头网络；

所述分支预测输出头网络具体包括三个分支，分别为：热度图预测分支、宽高预测分支以及目标中心点偏移量预测分支；热度图预测分支输出层数设置为目标类别数，目标中心点偏移量预测分支的输出层数为2，宽高预测分支输出层数为2*K，K为宽高概率分布向量长度，高宽预测分支的输出为宽高概率分布向量；

把宽高预测分支的输出取最大的前d个值以及均值，组合后，通过两个卷积层以及Sigmoid激活层后的结果和热度图预测分支结果直接相乘，作为热度图预测分支的最终结果；

S2、训练数据集通过热度图预测分支生成标签图，将生成的标签图输入步骤S1改进后的CenterNet网络进行训练；

S3、将待检测图片输入训练完成的改进后的CenterNet网络；

S4、对步骤S3改进后的CenterNet网络的输出进行解析，得到目标预测框；步骤S4所述解析中对宽高输出分支的解析具体为：通过积分得到最终的宽高信息。

2.根据权利要求1所述的一种改进的Centernet的复杂环境目标检测方法，其特征在于，步骤S2训练数据集通过热度图预测分支生成标签图，具体为：

其中，w'、h'为生成的标签图尺寸，(cx,cy)表示目标中心点坐标，

3.根据权利要求1所述的一种改进的Centernet的复杂环境目标检测方法，其特征在于，步骤S2所述将生成的标签图输入步骤S1改进后的CenterNet网络进行训练；具体为：

A1、定义改进后的CenterNet网络的损失函数为：

loss＝λ₁L_hm+λ₂L_wh+λ₃L_d+λ₄L_offset，

其中，L_hm为热度图损失，L_wh为宽高损失，L_d为宽高概率分布损失，L_offset为预测中心点到真实中心点的偏移量损失，λ₁、λ₂、λ₃、λ₄依次为L_hm、L_wh、L_d、L_offset各自的加权因子；

A2、根据步骤A1定义的损失函数，进行反向传播优化改进后的CenterNet网络；

A3、当达到迭代停止条件，得到训练完成的改进后的CenterNet网络。

4.根据权利要求1所述的一种改进的Centernet的复杂环境目标检测方法，其特征在于，步骤S4所述解析中对热度图分支的解析，具体为：

对热度图分支输出分别使用m个不同大小的核遍历每一个点，若核范围中的最大值不等于当前值，就令当前值为0，最后把m次最大值滤波结果加权，从而得到最后的输出类别置信度特征层。