融合多感受野特征映射与高斯概率模型的老鼠检测方法技术

本发明专利技术公开了一种融合多感受野特征映射与高斯概率模型的老鼠检测方法，基于Anchor‑Free的CenterNet方法，将输入图像通过三个不同扩张率的扩张卷积，得到三种不同尺度的中心点热图，再与高斯分布的标准差自适应的高斯概率模型相结合，对上述四种不同感受野的中心点热图做加性融合构建多尺度感受野高斯加权结构，完成老鼠的检测。本发明专利技术的有益效果是：有效的解决了CenterNet完全忽略了距离中心点很近的点的作用，尤其是对于具有小、形变较严重、遮挡面积大的老鼠，很容易将中心点定位到背景位置问题；对于具有小、形变较严重、遮挡面积大的老鼠具有良好的鲁棒性、检测速度快以及检测效果好。

A mouse detection method based on multi sensory field feature mapping and Gaussian probability model

【技术实现步骤摘要】
融合多感受野特征映射与高斯概率模型的老鼠检测方法
本专利技术涉及计算机视觉的目标检测
，具体的说，是融合多感受野特征映射与高斯概率模型的老鼠检测方法。
技术介绍
随着计算机技术的不断发展，计算机性能不断提高，作为计算机视觉四大领域之一的目标检测技术获得巨大发展，目标检测分为两大类：第一，传统的目标检测方法，首先利用窗口遍历的方式寻找目标可能存在的位置，其次，需要手工选择特征，例如Haar特征、LBP特征、SIFT特征、HOG特征、CM特征等；最后，对特征进行分类，常用的分类器有Adaboost，SVM等。第二，基于深度学习的目标检测方法，近年来，深度学习在目标检测领域中取得巨大突破，成为现如今最先进的方法，CNN在目标检测上的标志性成果是Girshick等在2015年提出的R-CNN(Region-basedCNN)网络，在VOC上[19]测试的平均精度高达62.4％，是DPM算法的两倍。此后，基于CNN的目标检测方法占有主导地位，主要分为两大类：1)基于候选区域(RegionProposal，RP)的方法本文档来自技高网...

【技术保护点】
1.融合多感受野特征映射与高斯概率模型的老鼠检测方法，其特征在于：基于Anchor-Free的CenterNet方法，将输入图像通过三个不同扩张率的扩张卷积，得到三种不同尺度的中心点热图，再与高斯分布的标准差自适应的高斯概率模型相结合，对上述四种不同感受野的中心点热图做加性融合构建多尺度感受野高斯加权结构，完成老鼠的检测。/n

【技术特征摘要】
1.融合多感受野特征映射与高斯概率模型的老鼠检测方法，其特征在于：基于Anchor-Free的CenterNet方法，将输入图像通过三个不同扩张率的扩张卷积，得到三种不同尺度的中心点热图，再与高斯分布的标准差自适应的高斯概率模型相结合，对上述四种不同感受野的中心点热图做加性融合构建多尺度感受野高斯加权结构，完成老鼠的检测。


2.根据权利要求1所述的融合多感受野特征映射与高斯概率模型的老鼠检测方法，其特征在于：
步骤S1：构建高斯半径自适应的高斯滤波器；
步骤S2：基于Centernet构建三个扩张率自适应的空洞卷积得到三种感受野的中心点热图；
步骤S3：将三种不同尺度的感受野的中心点热图与高斯概率模型相结合，并对四种不同感受野的中心点热图做加性融合，构建多尺度感受野高斯加权结构。


3.根据权利要求2所述的融合多感受野特征映射与高斯概率模型的老鼠检测方法，其特征在于：所述步骤S1具体包括以下步骤：
步骤S11：令I∈DW*H*3为输入图像；其中W为输入图像的宽，H为输入图像的高；
步骤S12：通过CenterNet标签中心点c，中心点c的位置为p∈D2；
步骤S13：将中心点c对应到低分辨率图上，对中心点c的坐标转化为中心点坐标其中R为CenterNet输入与输出的比值；
步骤S14：将低分辨率图的中心点坐标通过高斯核函数生成为关键中心热力图当物体中心位置对应的值为1时为标签热力图。
步骤S15：设定自适应的高斯分布的标准差r为：



其中：式(1)中w表示低分辨中心点标签热力图的宽；
h表示低分辨中心点标签热力图的高；
o为超参数，表示高斯分布的标准差与w的最小比值；
步骤S16：构建...

【专利技术属性】
技术研发人员：叶远征，沈复民，孔繁昊，奚兴，张艳明，
申请(专利权)人：成都考拉悠然科技有限公司，
类型：发明
国别省市：四川;51