[发明专利]一种基于高置信标注策略的旗帜检测方法及系统及设备

说明书

一种基于高置信标注策略的旗帜检测方法及系统及设备，通过不同目标旗帜的核心特征信息来检测图片中的旗帜。第一，采集相关旗帜图片；第二，扩充不平衡的旗帜类别图片；第三，构建核心特征标注标准；第四，构建为完整数据集；第五，利用所构建的数据集训练有监督的旗帜检测模型；最后，检测模型对未知图片中旗帜的识别。本发明利用核心特征标注准则对目标旗帜核心特征信息进行标注，更好地获取了目标旗帜核心特征信息，提高了标注样本的置信度，提升模型对不同旗帜图片类别的检测能力，较好解决了图片中遮挡旗帜及形变旗帜的识别，同时利用有效的数据增强方法处理数据类别不平衡问题，具有高召回、强鲁棒、效率高等优点。

技术领域

本发明涉及目标检测领域，具体涉及一种基于高置信标注策略的旗帜检测方法及系统及设备。

背景技术

旗帜检测是指从一张图片中检测出目标旗帜所在位置及其类别的技术。旗帜检测技术广泛应用于图像内容审核领域，在各大互联网平台，用户每天会上传大量的图片，其中可能包含一些敏感旗帜。旗帜检测属于目标检测领域，其监督学习的特性导致对原始训练数据的要求较高，而标注工作作为目标检测的前期基础，标注质量将直接影响目标检测的效果。目前目标检测任务中的数据标注准则主要是针对目标物体对其进行全局标注，即利用矩形框尽可能标注目标的整个范围。但是，与其它目标检测任务不同，旗帜属于非刚性(non-rigid)目标，具有典型的形变特性；同时，旗帜检测任务往往还伴随有遮挡等问题。因此，对目标旗帜的全局标注不能充分提取有用的判别信息，甚至将引入大量噪音信息，给旗帜检测带来困难。所以，亟需一种新的旗帜检测方法。

目前现有技术提出一种旗帜检测方法，来对摄像头的视频流中旗帜进行检测，其主要包括：首先，利用多种有效的数据增强方法对原旗帜数据集进行增强；然后在第一检测分支中采用结合OpticalFlow和GMM方法进行目标检测；同时在第二检测分支中，将扩充后的数据集的视频帧输入作为Darknet53骨干网络的输入，以提取多缩放视频帧的特征图层，再采用样本选择算法进行正负样本的选择，训练YOLOv3深度神经网络模型和目标检测；最后合并两个检测分支的检测结果以检测摄像头的视频流中是否存在旗帜。

上述的旗帜检测方法，依旧利用传统全局标注的方式对目标旗帜进行标注，没有考虑不同旗帜的核心特征，不能充分提取有用的判别信息，同时全局标注的方式将引入许多噪音信息，使得标注样本的置信度较低，尤其在旗帜遮挡及形变等场景中，对目标旗帜的检测带来困难。

发明内容

本发明的目的在于提供一种基于高置信标注策略的旗帜检测方法及系统及设备，以解决上述问题。

为实现上述目的，本发明采用以下技术方案：

一种基于高置信标注策略的旗帜检测方法，包括以下步骤：

步骤1，旗帜图片采集：以互联网媒体网站为数据源，利用API接口对k种不同类型旗帜图片进行爬取，得到由n张旗帜图片组成的图片数据集

步骤2，不平衡样本数据增强：对于样本数量小于100的旗帜类别，进行数据增强操作，生成与其他种类旗帜样本数目近似的扩充样本并加入图片数据集；

步骤3，高置信度样本标注：针对旗帜图片中存在的遮挡及形变，对收集到的k种旗帜确定每种类型旗帜的核心特征，针对所述核心特征，确定核心特征标注标准；

步骤4，目标旗帜核心特征标注：利用标注工具，依据步骤3中高置信度样本标注策略对目标旗帜核心特征区域进行标注并注明所属旗帜类别，得到图片的标签向量Y_i＝{a_i,b_i,w_i,h_i,c}，其中a_i，b_i为核心特征标注区域的中心点坐标，w_i，h_i为核心特征标注区域的宽度和高度，c为该核心特征区域所属的旗帜类别；将所有图片的标签向量加入步骤2中的数据集，并按照8：2的比例划分训练集验证集，构建为完整的旗帜检测数据集；