一种用于目标分割网络中候选边界框精准定位的方法技术

一种用于目标分割网络中候选边界框精准定位的方法，包括：步骤一，构建轻量级的卷积神经网络模型，并设计网络参数；步骤二，求解网络模型中IoU layer的交并比IoU；步骤三，求解网络模型中候选边界框的置信度得分；步骤四，根据交并比和置信度得分的设定去除候选边界框冗余，最终使得输出的候选边界框其置信度得分最高，且最接近真实标定框。本发明专利技术能够在目标漏检和错误检测之间找到一个平衡之处，并且使得候选边界框更接近真实标定框，同时本发明专利技术所设计的网络结构和置信度求解方法具有一定的泛化能力，可以应用在较为复杂的场景中。

【技术实现步骤摘要】
一种用于目标分割网络中候选边界框精准定位的方法
本专利技术涉及一种用于目标分割网络中候选边界框精准定位的方法。技术背景在应用机器学习对图像中的目标物体进行分割时，首先需要对输入的原始图像进行尺寸缩放，然后将固定尺寸的图像输入至预设置好的卷积神经网络中进行特征提取，随后在特征图上进行锚点，进而提取感兴趣区域，从而确定前景(目标物体)和背景的候选边界框。经过上述过程的处理，往往求得的候选边界框四维位置坐标(中心位置坐标及其宽高)与预先标定的目标所处的真实框存在极大的偏差，同时也导致了两个方面的问题。其一，如果所得候选边界框与真实标定框的重叠率大于既定的阈值，则将导致此候选边界框被剔除，那么很有可能会造成一部分目标漏检的情况。其二，对于候选边界框与真实标定框的重叠率阈值的预设定往往存在一定的难度，如果设置太小则有可能会造成部分目标漏检，如果将阈值设置太大则容易造成同一目标多次检测或者错误检测的情况。为了在漏检和误检之间找到平衡之处，同时减小候选边界框与真实框之间的偏差，本专利技术通过设计轻量级的网络对候选边界框的得分和其与真实框的本文档来自技高网...

【技术保护点】
1.一种用于目标分割网络中候选边界框精准定位的方法，包括如下步骤：/n步骤一，构建轻量级的卷积神经网络模型，并设计网络参数；/n设计一个四层的小型卷积神经网络模型，将一个尺寸大小为W×H的图像输入到该小型卷积神经网络中，经过网络变换之后获得一个w×h大小的置信度得分图像。/n小型卷积神经网络的结构如下：/n在该小型卷积神经网络结构的第一层设置两个并行的卷积分层。第一个分层用于制作IoU层，确定每一个候选边界框与其对应的真实标定框之间的交并重叠关系，即随机选择一个像素点，然后计算该点周围11×11范围内的随机一点对应的候选框与该点对应真实标定框之间的交并重叠部分，从而算出IoU值；另一个分层的作...

【技术特征摘要】
1.一种用于目标分割网络中候选边界框精准定位的方法，包括如下步骤：
步骤一，构建轻量级的卷积神经网络模型，并设计网络参数；
设计一个四层的小型卷积神经网络模型，将一个尺寸大小为W×H的图像输入到该小型卷积神经网络中，经过网络变换之后获得一个w×h大小的置信度得分图像。
小型卷积神经网络的结构如下：
在该小型卷积神经网络结构的第一层设置两个并行的卷积分层。第一个分层用于制作IoU层，确定每一个候选边界框与其对应的真实标定框之间的交并重叠关系，即随机选择一个像素点，然后计算该点周围11×11范围内的随机一点对应的候选框与该点对应真实标定框之间的交并重叠部分，从而算出IoU值；另一个分层的作用是获取一个w×h×2的置信度得分图，在该分层中有两个通道，在第一个通道的大小为w×h×1，每一个随机点都对应于原始输入图像中的一个4×4大小的区域，如果将该区域落入边界框中，便可获得一个置信度得分，然后将该得分计入置信度得分图中，第二个通道与第一个通道大小相同，则记为S(T)，其中T表示该网络中的阈值。
该小型卷积网络结构的第二层是由两个并行的卷积分层所组成，用以连接上一层中两个分层的输出结果。
该小型卷积网络结构的第三层和第四层均为对置信度得分图进行卷积，最终输出置信度得分图像，其大小为w×h×512。
在小型卷积网络结构的参数设置如下：
第一层：在第一个分层，即IoUlayer中，其随机设置1×1的像素部分，然后计算该部分周围11×11范围内的随机一点对应的候选边界框，并对其进行遍历，求得其与先前选择的点对应真实标定框的交并重叠部分；在获得置信度得分图分层中，设置其卷积核大小为11×11，卷积通道为2，卷积步长为1，最后所得置信度得分图尺寸为w×h×2；
第二层：该层是由两个w×h×512的并行卷积分层连接组成，其卷积核大小为1×1，卷积通道为1024，卷积步长为1，最后所得置信度得分图尺寸为w×h×1024；
第三层：其层上卷积核大小为1×1，卷积通道为512，卷积步长为1，最后所得置信度得分图尺寸为w×h×512；
第四层：该层参数设置同第三层相同，但是该层作为网络的最后一层，则无需设置激活函数，直接输出置信度得分最高的候选边界框即可。
步骤二，求解网络模型中IoUlayer的交并比IoU；
在步骤一设计的网络模型中，其第一层的IoU分层中获取的候选边界框与预先标定的真实框之间存在四种位置关系，即候选边界框与真实标定框部分重合、真实标定框包含于候选边界框、候选边界框包含于真实标定框及候选边界框与真实标定框完全不交叉。
在上述四种位置关系中，真实标定框和候选边界框的面积计算公式表示为如下公式：






其中，SGroundTruth与SDetection分别表示真实标定框和候选边界框的面积，WGroundTruth与WDetection分别表示真实标定框与候选边界框的宽，HGroundTruth与HDetection分别表示真实标定框与候选边界框的高，(x1,y1)和(x2,y2)分别代表真实标定框左上角和右下角的坐标值，(x3,y3)和(x4,y4)分别代表候选边界框左上角和右下角的坐标值，纵向坐标轴是向下的坐标轴，即纵坐标值越往下越大。
候选边界框与真实标定框重叠部分的面积则通过下列公式表示：
SOverlap＝WOverlap·HOverlap(3)
其中，SOverlap表示候选边界框与真实标定框重叠部分的面积，WOverlap和HOverlap分别表示候选边界框与真实标定框重叠部分的宽和高。因为候选边界框与预先标定的真实框之间的位置关系不同，求解其重叠面积时要分四种情况：
(1)若候选边界框与真实标定框部分重合，则WOverlap和HOverlap表示为如下公式：



(2)若真实标定框包含于候选边界框，则WOverlap和H...

【专利技术属性】
技术研发人员：张烨，樊一超，陈威慧，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33