[发明专利]基于网格划分及神经网络的目标物入侵检测方法及装置

摘要

本发明涉及基于网格划分及神经网络的目标物入侵检测方法及装置，该方法可包括以下步骤：S1、采集目标物图片样本并对其进行预处理，记录目标物在图片样本中的外接矩形框坐标；S2、将图片样本划分为等分化成W*H个网格，再将其分类为正样本网格、部分样本网格和负样本网格；S3、对网格提取特征热图谱并预测外接矩形框坐标；S4、选择最佳网格比例作为样本训练模型并将其作为最终运用模型；S5、网格融合以得到目标物位置。本发明可以有效检测出起重机的位置，框出在其图片中的坐标点，准确率高。因此在监控起重机等的危险车辆方面具有极大的应用价值。

主权项

1.基于网格划分及神经网络的目标物入侵检测方法，其特征在于，包括以下步骤：/nS1、采集目标物图片样本并对其进行预处理，记录目标物在图片样本中的外接矩形框坐标；/nS2、将图片样本划分为W*H个网格，再将其分类为正样本网格、部分样本网格和负样本网格，其比例记为N1：N2：N3，同时记录正样本网格和部分样本网格中目标物的实际外接矩形框坐标，其中，N1+N2+N3＝1；/nS3、通过线性加权求和以及非线性降维分别提取正样本网格、部分样本网格、负样本网格的特征热图谱并通过外接矩形框得到目标物在网格中的初始位置，将得到的初始位置、S2中的实际外接矩形框坐标以及相对应的特征热图谱作为输入，通过神经网络对每个网格中目标物的外接矩形框做回归运算，得到每个网格中目标物的预测外接矩形框坐标，其中，特征热图谱每个位置的数值表示每个像素属于目标物的概率，用于区分每个网格中是否包含目标物；/nS4、选择最佳网格比例作为样本训练模型并将其作为最终运用模型，具体地，包括：/nS41、计算分类误差CLoss，框误差RLoss以及损失Loss，其中，分类误差CLoss表示每个网格被分类正确与否的值，框误差表示目标物的外接矩形框的实际外接矩形框坐标与预测外接矩形框坐标之间的欧式距离，损失Loss＝0.5*CLoss+0.5*RLoss；/nS42、将N1、N2、N3的值分别从0.01逐渐增大到0.99，重复步骤S2-S41，每选取一种比例，得到一个损失Loss，选取所有损失loss中最小损失loss所对应的网格比例作为样本训练模型并将其作为最终运用模型；/nS5、将样本训练模型的网格中的小于预定阈值的矩形框删除，然后将剩余矩形框根据属于目标物的概率从大到小排序，利用NMS方法融合出少量的矩形框和对应的概率；如果这些矩形框之间没有叠加，则保留所有的矩形框；如果有叠加，则根据IOU再次做框融合；当所有的网格融合成原图片大小时，剩下的矩形框就是目标物所在位置。/n