一种改进的非极大值抑制方法技术

本发明专利技术公开了一种改进的非极大值抑制方法。本发明专利技术通过多次迭代筛选的方式进行抑制处理：对待处理的矩形框按照置信度从高到低排序，保留当前置信度最高的矩形框，然后依次遍历余下矩形框的与已保留的所有矩形框的重叠面积的总和占全图面积的比例是否大于阈值，若是，则将其删除；然后未删除和未保留的矩形框作为新的一轮待处理的矩形框继续进行上述抑制处理，直到待处理的矩形框只存在一个。本发明专利技术通过上述方式，解决了传统非极大值抑制方法对于不规则目标输出矩形框数量较少、重叠率较高、矩形框对目标的拟合度较低的技术问题。

An Improved Non-Maximum Suppression Method

The invention discloses an improved non-maximum suppression method. The present invention performs suppression processing by means of multiple iteration screening: the processed rectangular frames are sorted from high to low in terms of confidence, the rectangular frames with the highest current confidence are retained, and then the sum of the overlapping areas of the remaining rectangular frames and all the reserved rectangular frames is traversed successively to see if the ratio of the overlapping areas to the total area of the whole picture is larger than the threshold, and if so, the rectangular frames are deleted and not deleted. The reserved rectangular box acts as a new round of rectangular box to be processed and continues the above suppression until only one rectangular box exists to be processed. The invention solves the technical problems of the traditional non-maximum suppression method that the number of output rectangular frames of irregular targets is less, the overlap rate is higher, and the fitting degree of rectangular frames to targets is lower.

【技术实现步骤摘要】
一种改进的非极大值抑制方法
本专利技术属于目标检测
，具体涉及在深度学习目标检测中一种改进的非极大值抑制方法。
技术介绍
在深度学习目标检测中，通常都涉及到对输出结果(矩形框)进行非极大值抑制处理，以去除冗余重复框。但是传统的非极大值抑制方法用于不规则目标检测时存在以下3个问题：(1)每次比较时，传统方法中当前选中的框仅与置信度最高的一个框进行比较。这样的方法对于规则目标可以起到减少矩形框数量，取得局部极大值的优点。然而，对于不规则目标的检测中，这样的方法得到的矩形框数量太少，无法充分拟合目标对象的形状；(2)若仅仅是调低传统方法的阈值，虽然输出矩形框的数量会增多，但是又会引起矩形框之间重叠率较高的副作用；(3)对于不规则目标，经常需要多个大小差异比较大的矩形框去拟合其形状，传统方法中与阈值进行比较时，计算的是两个框重叠面积占两个框总面积的比例。这样的方法受到矩形框面积影响比较大。较小的矩形框自身面积小，在这种方法中很容易被删除。
技术实现思路
本专利技术的专利技术目的在于：针对传统非极大值抑制方法对于不规则目标输出矩形框数量较少、重叠率较高、矩形框对目标的拟合度较低的技术问题，提出了一种改进的非极大值抑制方法。本专利技术的改进的非极大值抑制方法包括下列步骤：步骤S1：对待进行非极大值抑制的所有待处理矩形框按照置信度从高到低排序，得到第一集合T1；步骤S2：将第一集合T1中的第一个元素放入第二集合T2，其中集合T2的初始值为空集；步骤S3：判断第一集合T1的元素个数是否为1，若否，则删除第一集合T1中的第一个元素后，执行步骤S4；若是，则跳转到步骤S8；步骤S4：依次遍历第一集合T1中的所有矩形框；步骤S5：判断是否遍历完毕，若是，则跳转到步骤S2；否则执行步骤S6；步骤S6：判断遍历的当前矩形框与第二集合T2中的所有矩形框的重叠面积的总和占全图面积的比例是否大于预设阈值(优选取值范围为：0.01～0.03)，若是，则执行步骤S7；否则跳转到步骤S4；其中，全图面积指待处理矩形框所在的待检测图像的全图面积。深度学习目标检测网络的输入图像的面积；步骤S7：从集合T1中删除遍历的当前矩形框，并跳转到步骤S4；步骤S8：输出集合T1与T2的并集。综上所述，由于采用了上述技术方案，与现有技术相比，本专利技术的有益效果是：(1)通过调整步骤S6中的阈值，可以提高抑制处理后输出矩形框的数量，即将阈值调高，则可提高输出矩形框的数量；(2)步骤S6中，将当前遍历的矩形框和已保留的所有矩形框进行比较计算，而传统非极大值抑制方法中当前矩形框只与置信度最高的一个矩形框进行比较，该改进方式使得输出的矩形框之间重叠率较低；(3)步骤S6中，采用计算当前矩形框与所有已保留矩形框的重叠面积的总和占全图面积的比例，而传统非极大值抑制方法计算的是两个矩形框重叠面积占两个矩形框总面积的比例，本专利技术的改进方式减少了小框被删除的概率，增加了输出框之间的尺度差异，从而提高了矩形框对目标的拟合度因此提高了目标检测对于不规则目标的检测精度。附图说明图1是本专利技术的处理流程图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本专利技术作进一步地详细描述。参见图1，本专利技术的具体处理步骤如下：步骤S1：获取深度学习目标检测网络输出的所有矩形框，即待进行非极大值抑制的所有矩形框；步骤S2：将所有矩形框按照置信度从高到低排序，得到第一集合T1；步骤S3：将第一集合T1中的第一个元素(当前置信度最高的矩形框)放入第二集合T2(初始值为空集)；步骤S4：判断当前置信度最高的矩形框是否为第一集合T1的最后一个元素(即判断第一集合T1的元素个数是否为1)，若否，则删除第一集合T1中的第一个元素(当前置信度最高的矩形框)后，执行步骤S5；若是，则跳转到步骤S9；步骤S5：依次遍历第一集合T1中的所有矩形框；步骤S6：判断是否遍历完毕，若是，则跳转到步骤S3；否则执行步骤S7；步骤S7：判断遍历的当前矩形框与第二集合T2中的所有矩形框的重叠面积的总和占全图(输入深度学习目标检测网络的待检测图片)面积的比例是否大于0.02，若是，则执行步骤S8；否则跳转到步骤S5；步骤S8：从集合T1中删除遍历的当前矩形框(即删除与第二集合T2中的所有矩形框的重叠面积的总和占全图面积的比例大于0.02的矩形框)，并跳转到步骤S5；步骤S9：输出所有未删除的矩形框，即输出集合T1与T2的并集。以上所述，仅为本专利技术的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。本文档来自技高网...

【技术保护点】
1.一种改进的非极大值抑制方法，其特征在于，包括下列步骤：步骤S1：对待进行非极大值抑制的所有待处理矩形框按照置信度从高到低排序，得到第一集合T1；步骤S2：将第一集合T1中的第一个元素放入第二集合T2，其中集合T2的初始值为空集；步骤S3：判断第一集合T1的元素个数是否为1，若否，则删除第一集合T1中的第一个元素后，执行步骤S4；若是，则跳转到步骤S8；步骤S4：依次遍历第一集合T1中的所有矩形框；步骤S5：判断是否遍历完毕，若是，则跳转到步骤S2；否则执行步骤S6；步骤S6：判断遍历的当前矩形框与第二集合T2中的所有矩形框的重叠面积的总和占全图面积的比例是否大于预设阈值，若是，则执行步骤S7；否则跳转到步骤S4；步骤S7：从集合T1中删除遍历的当前矩形框，并跳转到步骤S4；步骤S8：输出集合T1与T2的并集。

【技术特征摘要】
1.一种改进的非极大值抑制方法，其特征在于，包括下列步骤：步骤S1：对待进行非极大值抑制的所有待处理矩形框按照置信度从高到低排序，得到第一集合T1；步骤S2：将第一集合T1中的第一个元素放入第二集合T2，其中集合T2的初始值为空集；步骤S3：判断第一集合T1的元素个数是否为1，若否，则删除第一集合T1中的第一个元素后，执行步骤S4；若是，则跳转到步骤S8；步骤S4：依次遍历第一集合T1中的所有矩形框；步骤S5：判断是否遍历完毕，若是，则跳转到步骤...

【专利技术属性】
技术研发人员：李宏亮，廖加竞，孙旭，刘玮，何慕威，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51