[发明专利]基于YOLO v4渐进定位的遮挡目标检测方法及装置

说明书

本发明提供了一种基于YOLO v4渐进定位的遮挡目标检测方法及装置，该方法包括：基于YOLO v4构建YOLO v4渐进定位网络；训练YOLO v4渐进定位网络；向训练完成的YOLO v4渐进定位网络输入待检测图像；训练完成的YOLO v4渐进定位网络检测待检测图像；训练完成的YOLO v4渐进定位网络输出检测结果。本申请克服了现有技术在检测遮挡目标时容易出现漏检或误检的问题，提高了遮挡目标定位能力，改善了遮挡目标检测效果。

技术领域

本发明属于目标检测领域，具体而言，涉及一种基于YOLO v4渐进定位的遮挡目标检测方法及装置。

背景技术

目标检测技术是计算机视觉中一个重要的问题，其被广泛应用于图像检测、目标识别、视频监控等领域。而遮挡检测作为目标检测问题的一个重要难点问题，在自动驾驶和安防等领域有着广泛的应用。

遮挡检测中通常存在两类遮挡，一类是待检测的目标之间存在相互遮挡；另一类是待检测的目标被干扰物体遮挡。由于遮挡目标的特征信息较为复杂，存在特征信息缺失或重叠的情况，导致常用的目标检测器在检测相互遮挡的目标时容易出现漏检或将多个物体检测为一类；检测被干扰物遮挡的目标时容易出现漏检或误检，从而降低检测性能。

最初研究者将DPM(Deformable Parts Model，可变形部件模型)与CNN(Convolutional Neural Networks，卷积神经网络)进行结合，特别是与受限Boltzmann机器耦合在一起进行遮挡目标检测，结合可以在保留DPM所有优点(即对姿态和部分遮挡的鲁棒性)的同时，用深度网络代替原始特征有效提高了系统的遮挡检测能力；或者通过设计一个排斥损失，推动每个建议方案接近指定目标，同时远离其他标注的真正的对象及其相应的指定方案，然而，在处理遮挡目标的损失函数中，很难控制排斥项和吸引项之间的平衡。由于Faster R-CNN成为主导框架，一种新的基于遮挡感知的OR-CNN在Faster R-CNN检测框架的基础上被提出，并设计聚集损失AggLoss，以减轻遮挡挑战的影响。同时，一部分研究者提出的Bi-Box给出了一种辅助子网络来预测遮挡实例的可见部分，进而解决遮挡问题。但是，上述方案在处理遮挡问题上仍然存在很大不足，同时处理效率较低，因此需要一种高效的方案解决上述问题。

发明内容

本申请实施例提供了一种基于YOLO v4渐进定位的遮挡目标检测方法及装置，克服了现有技术在检测遮挡目标时容易出现漏检或误检的问题，提高了遮挡目标定位能力，改善了遮挡目标检测效果。

第一方面，本申请实施例提供了一种基于YOLO v4渐进定位的遮挡目标检测方法，包括：

基于YOLO v4构建YOLO v4渐进定位网络；

训练所述YOLO v4渐进定位网络；

向训练完成的YOLO v4渐进定位网络输入待检测图像；

训练完成的YOLO v4渐进定位网络检测所述待检测图像；

训练完成的YOLO v4渐进定位网络输出检测结果。

其中，所述基于YOLO v4构建YOLO v4渐进定位网络，包括：

步骤1.1：YOLO v4作为一阶段目标检测器，输出具有不同分辨率的多尺度特征图，多尺度特征图的定义公式为：

Φ_n＝f_n(Φ_n-1)＝f_n(f_n-1(...f₁(I)))

I表示输入的图像；f_n(.)是YOLO v4特征提取网络的第n个特征提取层；Φ_n是从第n层输出的特征图；

在所述多尺度特征图的基础上，检测结果为：