一种基于深度学习置信度估计的目标检测方法及装置制造方法及图纸

本发明专利技术提出了一种基于深度学习置信度估计的目标检测方法及装置，通过保留目标检测模型中特征提取层的函数，提取第一训练集中样本特征；对特征进行归一化并输入高斯分类器中对特征进行分类，获得每个特征的条件概率；估计分类类别的后验概率从而确定置信度，本发明专利技术通过产生式模型给出置信度估计，避免出现置信度估计错误导致检测结果出现虚警。基于同一目标不同部件图像以及整体人体图像对应关系，将估计到的同一目标的部件特征以及整体特征的后验概率进行融合作为识别行人目标的置信度，对待检测图像进行分类。本发明专利技术通过整体和部件检测结果共存关系给出检测置信度的描述，进一步提高置信度估计的准确性和合理性，从而提高目标检测的准确性。

【技术实现步骤摘要】
一种基于深度学习置信度估计的目标检测方法及装置
本专利技术属于目标检测
，具体涉及一种基于深度学习置信度估计的目标检测方法及装置。
技术介绍
在自动驾驶过程中常常需要规避目标，例如行人以及车辆，对于目标的检测对于自动驾驶至关重要，目标检测的准确程度决定了自动驾驶的自动驾驶决策。现有技术常用的目标检测方案是基于深度学习方法建立检测网络，使用样本训练检测网络，使得检测网络学习样本特征，并输出后验概率作为置信度。将置信度输入到决策系统中，从而得到相应的自动驾驶决策。深度学习检测的后验概率直接作为置信度存在以下三个问题：(1)目标检测中由于目标的大小不同，因此检测网络中对于同一类目标的检测实际是在不同尺度的特征层上进行的，没有高效的利用同类目标的特征进行学习；(2)检测网络训练时其训练的损失函数往往是召回率和精确度的函数，与置信度关系不够密切；检测网络对于没有学习过的样本，其输出的后验概率不能够精确的体现检测检测结果的可靠程度，出现较大的检测错误，比如检测结果出现虚警，但后验概率很高接近于1；(3)当目标是行人时，会出现部分人体的样本以及整个人体样本，这些样本的检测结果现有技术的检测结果互相独立，而往往同一人的部分样本与整体样本的检测结果之间可以相互印证。因此现有技术检测目标的准确性不高，导致做出的自动驾驶决策并不一定适宜当前驾驶环境。
技术实现思路
本专利技术提供了一种基于深度学习置信度估计的目标检测方法及装置，以提高目标检测的准确性。具体的技术方案如下。第一方面，本专利技术提供的一种基于深度学习置信度估计的目标检测方法包括：获取待检测图像及第一训练集；使用训练完成后的目标检测模型对所述待检测图像进行检测，获得检测结果；其中，所述检测结果包括行人目标或者行人部件矩形框以及对应的后验概率；第一训练集中包括标注样本以及未标准样本，所述标注样本以矩形框表示目标的位置，以标签表示目标的类别，所述目标包括行人部件或者行人整体；对所述检测结果进行归一化处理，得到归一化后的检测结果；去除目标检测模型中输出层的分类函数保留所述目标检测模型中特征提取层的函数；使用所述去除输出层分类函数的目标检测模型提取所述第一训练集中样本特征；对所述特征进行归一化并输入高斯分类器中，以使所述高斯分类器对所述特征进行分类，获得每个特征的条件概率；基于条件概率，估计分类类别的后验概率；基于同一目标不同部件图像以及整体人体图像对应关系，将估计到的同一目标的部件特征以及整体特征的后验概率进行融合；将融合后的后验概率确定为识别行人目标的置信度对待检测图像进行分类，选择输出置信度最高分类结果。可选的，所述训练完成后的目标检测模型的训练过程包括：获取第二训练集；所述第二训练集中包括：各个部件图像以及整体人体图像；使用所述第一训练集迭代训练预设目标检测模型，得到训练完成后的目标检测模型。可选的，所述去除目标检测模型中输出层的分类函数保留所述目标检测模型中特征提取层的函数包括：将目标检测模型中的分类网络的分类函数去除，保留特征提取网络。可选的，所述条件概率为：其中，x是d维特征空间中来自ωi类别的特征向量，N(μi,Σi)表示均值为μi，协方差为Σi的高斯分布，T表示转置。可选的，所述基于所述条件概率，估计分类类别的后验概率包括：将所述条件概率与所述分类模型的先验概率的乘积，确定为分类类别的后验概率；估计后验概率中的调整量；其中，所述后验概率表示为：p(ωi|x)＝p(ωi)p(x|ωi)，p(ωi)是先验概率。可选的，所述后验概率为：其中，αi和βi为调整量，yj为目标检测模型的的检测结果，样本j识别正确则为1，识别错误则为0。可选的，所述估计后验概率中的调整量包括：通过最小化损失函数估计调整量；所述损失函数为：可选的，所述融合后的置信度为：其中，ri为第i个部件的矩形框的面积，r0为完整行人的矩形框面积，p0为高斯分类器估计得到的完整行人检测结果置信度，pi为高斯分类器估计得到的第i个完整行人检测结果置信度。可选的，在所述基于同一目标不同部件图像以及整体人体图像对应关系，将估计到的同一目标的部件特征以及整体特征的后验概率进行融合之前，所述目标检测方法包括：将所述后验概率进行归一化；所述归一化后的后验概率表示为：第二方面，本专利技术提供的一种基于深度学习置信度估计的目标检测装置，包括：获取模块，用于获取待检测图像及第一训练集；检测模块，用于使用训练完成后的目标检测模型对所述待检测图像进行检测，获得检测结果；其中，所述检测结果包括行人目标或者行人部件矩形框以及对应的后验概率；第一训练集中包括标注样本以及未标准样本，所述标注样本以矩形框表示目标的位置，以标签表示目标的类别，所述目标包括行人部件或者行人整体；归一化模块，用于对所述检测结果进行归一化处理，得到归一化后的检测结果；去除模块，用于去除目标检测模型中输出层的分类函数保留所述目标检测模型中特征提取层的函数；提取模块，用于使用所述去除输出层分类函数的目标检测模型提取所述第一训练集中样本特征；第一分类模块，用于对所述特征进行归一化并输入高斯分类器中，以使所述高斯分类器对所述特征进行分类，获得每个特征的条件概率；估计模块，用于基于条件概率，估计分类类别的后验概率；融合模块，用于基于同一目标不同部件图像以及整体人体图像对应关系，将估计到的同一目标的部件特征以及整体特征的后验概率进行融合；第二分类模块，用于将融合后的后验概率确定为识别行人目标的置信度对待检测图像进行分类，选择输出置信度最高分类结果。本专利技术实施例的创新点包括：1、本专利技术提出了一种基于深度学习置信度估计的目标检测方法及装置，通过去除目标检测模型中输出层的分类函数保留所述目标检测模型中特征提取层的函数；使用所述去除输出层分类函数的目标检测模型提取所述第一训练集中样本特征；对所述特征进行归一化并输入高斯分类器中，以使高斯分类器对所述特征进行分类，获得每个特征的条件概率；基于条件概率，估计分类类别的后验概率从而确定置信度，本专利技术通过产生式模型给出置信度估计，避免出现因为检测结果置信度估计错误导致检测结果出现虚警，进而可以提高目标检测的准确性。2、本专利技术提出了一种基于深度学习置信度估计的目标检测方法及装置，基于同一目标不同部件图像以及整体人体图像对应关系，将估计到的同一目标的部件特征以及整体特征的后验概率进行融合；将融合后的后验概率确定为识别行人目标的置信度对待检测图像进行分类，选择输出置信度最高分类结果。本专利技术通过整体和部件检测结果共存关系给出检测置信度的描述，进一步提高置信度估计的准确性和合理性，从而提高目标检测的准确性。附图说明为了更清楚地说明本文档来自技高网...

【技术保护点】
1.一种基于深度学习置信度估计的目标检测方法，其特征在于，所述方法包括：/n获取待检测图像及第一训练集；/n使用训练完成后的目标检测模型对所述待检测图像进行检测，获得检测结果；/n其中，所述检测结果包括行人目标或者行人部件矩形框以及对应的后验概率；第一训练集中包括标注样本以及未标准样本，所述标注样本以矩形框表示目标的位置，以标签表示目标的类别，所述目标包括行人部件或者行人整体；/n对所述检测结果进行归一化处理，得到归一化后的检测结果；/n去除目标检测模型中输出层的分类函数保留所述目标检测模型中特征提取层的函数；/n使用所述去除输出层分类函数的目标检测模型提取所述第一训练集中样本特征；/n对所述特征进行归一化并输入高斯分类器中，以使所述高斯分类器对所述特征进行分类，获得每个特征的条件概率；/n基于条件概率，估计分类类别的后验概率；/n基于同一目标不同部件图像以及整体人体图像对应关系，将估计到的同一目标的部件特征以及整体特征的后验概率进行融合；/n将融合后的后验概率确定为识别行人目标的置信度对待检测图像进行分类，选择输出置信度最高分类结果。/n

【技术特征摘要】
1.一种基于深度学习置信度估计的目标检测方法，其特征在于，所述方法包括：
获取待检测图像及第一训练集；
使用训练完成后的目标检测模型对所述待检测图像进行检测，获得检测结果；
其中，所述检测结果包括行人目标或者行人部件矩形框以及对应的后验概率；第一训练集中包括标注样本以及未标准样本，所述标注样本以矩形框表示目标的位置，以标签表示目标的类别，所述目标包括行人部件或者行人整体；
对所述检测结果进行归一化处理，得到归一化后的检测结果；
去除目标检测模型中输出层的分类函数保留所述目标检测模型中特征提取层的函数；
使用所述去除输出层分类函数的目标检测模型提取所述第一训练集中样本特征；
对所述特征进行归一化并输入高斯分类器中，以使所述高斯分类器对所述特征进行分类，获得每个特征的条件概率；
基于条件概率，估计分类类别的后验概率；
基于同一目标不同部件图像以及整体人体图像对应关系，将估计到的同一目标的部件特征以及整体特征的后验概率进行融合；
将融合后的后验概率确定为识别行人目标的置信度对待检测图像进行分类，选择输出置信度最高分类结果。


2.根据权利要求1所述的目标检测方法，其特征在于，所述训练完成后的目标检测模型的训练过程包括：
获取第二训练集；
所述第二训练集中包括：各个部件图像以及整体人体图像；
使用所述第一训练集迭代训练预设目标检测模型，得到训练完成后的目标检测模型。


3.根据权利要求1所述的目标检测方法，其特征在于，所述去除目标检测模型中输出层的分类函数保留所述目标检测模型中特征提取层的函数包括：
将目标检测模型中的分类网络的分类函数去除，保留特征提取网络。


4.根据权利要求1所述的目标检测方法，其特征在于，所述条件概率为：



其中，x是d维特征空间中来自ωi类别的特征向量，N(μi,Σi)表示均值为μi，协方差为Σi的高斯分布，T表示转置。


5.根据权利要求4所述的目标检测方法，其特征在于，所述基于所述条件概率，估计分类类别的后验概率包括：
将所述条件概率与所述分类模型的先验概率的乘积，确定为分类类别的后验概率；
估计后验概率中的调整量；
其中，所述后验概率表示为：p(ωi|x)＝p(ωi)p(x|ωi)，p(ωi)是先验概率。


6.根据权利要求5所述的目标检测...

【专利技术属性】
技术研发人员：李松，刘近平，张婷婷，黄琛，冯俊达，
申请(专利权)人：安阳工学院，
类型：发明
国别省市：河南;41