【技术实现步骤摘要】
一种面向超市货架图像的智能目标检测方法
本专利技术涉及一种面向超市货架图像的智能目标检测方法。
技术介绍
本专利技术的智能目标检测技术主要是应用在超市货架图像的目标检测，这类型图像中待检测目标通常是货架中的陈列的商品，它们排列整齐，摆放紧密，而且常常重叠在一起。当前，这样的图像检测一般是通过人眼识别，手动标注，如此存在大量重复劳动，工作量大，效率不高。近年来，基于深度学习的目标检测方法取得了很大的进展，但对于密集目标的检测，仍常常出现错误识别和标注位置不准确等问题，另外，该类方法所得到的目标位置矩形框常常重叠、重复，不利于统计货架商品信息。因此，在超市货架图像目标定位场合中，目前较少应用基于一般深度学习的目标检测方法。为解决上述问题，本专利技术在一般深度学习目标检测技术之上，通过加入混合高斯聚类方法，将多余的定位矩形删除，合并接近的矩形，能得到清晰、准确的目标定位矩形，大大提高了对货架上商品的检测准确率。
技术实现思路
本专利技术所解决问题在于提供一种智能目标检测方法，以解决上述技术中的缺点。
【技术保护点】
1.一种面向超市货架图像的智能目标检测方法，其特征在于，包括以下步骤：/n(1)构造与训练目标检测神经网络，图1模块1作为图1模块2的输入，图1模块2的输出作为图1模块3的输入，图1模块3输出是预测目标定位矩形，图1模块2的输出作为图1模块4的输入，图1模块4输出是预测目标分类的置信度，图1模块2的输出作为图1模块5的输入，图1模块5的输出是预测目标矩阵重叠率，网络训练采用的损失函数为：/n
【技术特征摘要】
1.一种面向超市货架图像的智能目标检测方法，其特征在于，包括以下步骤：
(1)构造与训练目标检测神经网络，图1模块1作为图1模块2的输入，图1模块2的输出作为图1模块3的输入，图1模块3输出是预测目标定位矩形，图1模块2的输出作为图1模块4的输入，图1模块4输出是预测目标分类的置信度，图1模块2的输出作为图1模块5的输入，图1模块5的输出是预测目标矩阵重叠率，网络训练采用的损失函数为：
上式右边前两项，分别表示目标分类判决损失函数和目标定位回归损失函数，直接采用一般目标检测神经网络的计算方法，上式右边最后一项表示矩形重合率损失函数，其公式如下：
本发明的目标检测神经网络构造完成后，以一般常规的神经网络训练方法训练至收敛；
(2)构造混合高斯分布，本发明将上述步骤(1)得到的目标定位矩形映射为二维高斯分布，对应关系如下：
所构成混合高斯分布模型为：
(3)通过高斯重合度指标进行高斯核的聚类，由上述步骤(2...
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。