[发明专利]一种基于顶点滑动的多方向物体检测方法

摘要

本发明公开了一种基于顶点滑动的多方向物体检测算法。与传统的回归角度或者回归四个顶点的方法不同，该方法不存在回归角度所带来的不稳定问题，也不存在回归四个顶点所带来的歧义。首先，通过卷积网络所获取到的特征同时预测物体的水平包围盒、滑动顶点、及其倾斜包围盒相对于水平包围盒的面积比例，从而得到物体的水平包围盒、倾斜包围盒及倾斜程度，通过倾斜程度确定究竟是选择倾斜或是水平包围盒。对于倾斜程度较大的物体，选择倾斜包围盒；对于几近水平的物体，直接选择该物体水平包围盒。该方法是针对在多方向物体领域常用的两种表示方法所提出的第三种方法，实现简单，几乎不增加额外时间，能显著提升检测性能，具有很强的实际应用价值。

主权项

1.一种基于顶点滑动的多方向物体检测方法，其特征在于，所述方法包括下述步骤：/n(1)训练基于顶点滑动的多方向物体检测网络模型，包括如下子步骤：/n(1.1)对原始数据集中所有图片的多方向物体进行实例级别的标注，标签为实例级别的物体包围盒的四个顶点坐标，顶点为顺时针标注，其中物体包围盒为四边形，得到带标注的标准训练数据集；/n(1.2)定义基于顶点滑动的多方向物体检测网络模型，根据(1.1)带标注的标准训练数据集，计算训练标签，并设计损失函数，利用反向传导方法训练该多方向物体检测网络，得到基于顶点滑动的多方向物体检测网络模型；包括：/n(1.2.1)构建基于顶点滑动的多方向物体检测网络模型，所述检测网络模型由特征金字塔网络、区域提取网络、区域分类回归分支网络组成；/n(1.2.2)根据特征图在原图上设置水平锚点，为所述识别网络模型中区域提取网络、区域分类回归分支网络生成训练标签；/n(1.2.3)以带标注的标准训练数据集作为检测网络模型的输入，利用特征金字塔网络提取特征；/n(1.2.4)将特征金字塔网络提取的特征输入区域提取网络，经过锚点分配，利用感兴趣区域对齐方法调整特征图，生成物体候选框；/n(1.2.5)将物体候选框输入区域分类回归分支网络模块，经过分类和回归两个分支，计算损失函数并反向传导，最终生成预测物体的水平包围盒偏移量，四个长度比例以及物体倾斜系数；/n(1.2.6)以训练标签gt为网络期望输出，以预测标签