【技术实现步骤摘要】
一种基于离线高斯模型的目标检测分割方法及系统
本专利技术涉及计算机视觉
，尤其涉及一种基于离线高斯模型的目标检测分割和分割方法。
技术介绍
目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域，通过计算机视觉减少对人力资本的消耗，具有重要的现实意义。因此，目标检测也就成为了近年来理论和应用的研究热点，它是图像处理和计算机视觉科学的重要分支，也是智能监控系统的核心部分，同时目标检测也是泛身份识别领域的一个基础性的算法，对后续的人脸识别、步态识别、人群计数以及实例分割等任务起着至关重要的作用。由于深度学习的广泛应用，目标检测算法得到了较为快速的发展。随着大数据的发展，图像数据也在不断扩增，目标检测算法处理的目标类别不再局限于常见的20类和80类等，而开始迈向拥有上千目标类别的复杂场景，这给当前的目标检测和实例分割带来了诸多调整，其中影响最大的便是训练数据中的样本不均衡问题，由于目标类别多，现有的数据很难做到每个类别的样本均衡，类别样本分布易出现长...
【技术保护点】
1.一种基于离线高斯模型的目标检测分割方法，其特征在于，所述方法包括：/n步骤1，利用训练集训练Mask R-CNN模型，合并各个训练图像中的候选区域框和真实物体框作为更新候选区域框，所述更新候选区域框包含所述真实物体框的坐标和所含物体的类别；/n步骤2，对各个所述训练图像的所述更新候选区域框进行特征提取，采用离线计算的方式，利用提取的特征以及所述所含物体的类别对中心矩阵、方差和样本数量进行更新；/n步骤3，对测试图像的所述候选区域框进行特征提取，基于高斯计算模型计算所述候选区域框在第i类别上的概率值，将计算得到的概率值与Softmax分类器的输出结果的平均值作为目标检测分割结果进行输出。/n
【技术特征摘要】
1.一种基于离线高斯模型的目标检测分割方法，其特征在于，所述方法包括：
步骤1，利用训练集训练MaskR-CNN模型，合并各个训练图像中的候选区域框和真实物体框作为更新候选区域框，所述更新候选区域框包含所述真实物体框的坐标和所含物体的类别；
步骤2，对各个所述训练图像的所述更新候选区域框进行特征提取，采用离线计算的方式，利用提取的特征以及所述所含物体的类别对中心矩阵、方差和样本数量进行更新；
步骤3，对测试图像的所述候选区域框进行特征提取，基于高斯计算模型计算所述候选区域框在第i类别上的概率值，将计算得到的概率值与Softmax分类器的输出结果的平均值作为目标检测分割结果进行输出。
2.根据权利要求1所述的方法，其特征在于，所述步骤1包括：
步骤101，构建标准的MaskR-CNN模型，在LVIS数据集上训练所述MaskR-CNN模型，获得模型的权重W；
步骤102，零初始化类别中心矩阵C，方差V以及样本数量S：C∈RM×K,V∈RM,S∈RM,其中M为类别数量，K为特征维度；
步骤103，输入任一所述训练图像，通过所述MaskR-CNN模型中的RPN获得所述候选区域框；
步骤104，计算所述候选区域与所述真实物体框的交并比，筛去所述交并比小于阈值的所述候选区域框，并将每个所述候选区域框标注为交并比的值最大时对应的所述真实物体框的类别；
步骤105，生成所述更新候选区域框。
3.根据权利要求2所述的方法，其特征在于，根据目标检测与定位普遍的做法，所述阈值为0.5。
4.根据权利要求1所述的方法，其特征在于，所述步骤2中使用RoIAlign对各个所述训练图像的所述更新候选区域框进行特征提取。
5.根据权利要求1所述的方法，其特征在于，所述步骤2中对中心矩阵、方差和样本数量进行更新的公式为：
更新中心矩阵：
更新方差：
更新样本数量：S'i＝Si+1；
其中，i表示类别的序号数，F表示对训练图像的更新候选区域框提取的特征，Ci和C'i分别为更新前后第i类别的中心...
【专利技术属性】
技术研发人员：王红星，陈晟，沈杰，吴媚，陈玉权，黄郑，张欣，黄祥，宋煜，
申请(专利权)人：江苏方天电力技术有限公司，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。