一种基于神经网络的线性目标检测方法、模块及系统技术方案

本申请公开了一种基于神经网络的线性目标检测方法、模块及系统，用于提高线性目标的检测精度。本申请方法包括：获取待检测图像；将待检测图像输入线性目标检测模型，所述线性目标检测模型通过提取线性目标图像样本的线性特征，并根据线性特征所包含的角度、长度确定锚点后，基于所述锚点和所述线性特征所包含的角度、长度、中心以及类型训练得到，所述线性特征为线性目标图像样本中包含的线性目标的特征，所述角度为所述线性目标与水平方向的夹角，所述长度为所述线性目标的长度，所述中心为所述线性目标的中点；通过所述线性目标检测模型确定所述待检测图像的线性特征预测值；根据所述线性特征预测值确定所述待检测图像的线性目标检测结果。线性目标检测结果。线性目标检测结果。

【技术实现步骤摘要】
一种基于神经网络的线性目标检测方法、模块及系统


[0001]本申请涉及图像数据处理领域，尤其涉及一种基于神经网络的线性目标检测方法、模块及系统。

技术介绍

[0002]线性目标检测，例如车道线检测，元器件轮廓检测等是智慧交通，无人驾驶，智慧工业等领域的必要技术之一。
[0003]目前，线性目标检测主要有两大类方法，分别是基于传统视觉的方法和基于深度神经网络的方法。其中，基于传统视觉的方法主要是通过对图像进行像素级的变换以进行图像质量的增强，然后对图像进行二值化、利用霍夫变换等传统算法求取图像中的线性目标；基于深度神经网络的方法主要通过尝试直接回归线性目标的中点、角度，以及线段的长度信息。
[0004]但是基于传统视觉的线性目标检测只能识别线段特征，难以对线性目标类型进行区分，而基于神经网络的线性目标检测由于在实际生活中线性目标的角度，长度等属性差异较大，导致模型检测的鲁棒性较差，直接回归难以实现较高的检测精度。

技术实现思路

[0005]本申请提供了一种基于神经网络的线性目标检测方法、模块及系统，用于使线性目标检本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的线性目标检测方法，其特征在于，所述线性目标检测方法包括：获取待检测图像；将所述待检测图像输入线性目标检测模型，所述线性目标检测模型通过提取线性目标图像样本的线性特征，并根据所述线性特征所包含的角度、长度确定锚点后，基于所述锚点和所述线性特征所包含的角度、长度、中心以及类型训练得到，所述线性特征为所述线性目标图像样本中包含的线性目标的特征，所述角度为所述线性目标与水平方向的夹角，所述长度为所述线性目标的长度，所述中心为所述线性目标的中点；通过所述线性目标检测模型确定所述待检测图像的线性特征预测值；根据所述线性特征预测值确定所述待检测图像的线性目标检测结果。2.根据权利要求1所述的线性目标检测方法，其特征在于，在所述获取待检测图像之前，所述线性目标检测方法还包括：构建线性目标图像集，所述线性目标图像集包括若干张线性目标图像样本，且每张线性目标图像样本标注有其线性目标所对应的中心、角度、长度以及类型；分别对所述长度和所述角度进行聚类，确定m个长度聚类中心和n个角度聚类中心；将所述m个长度聚类中心和n个角度聚类中心作为锚点构建基于神经网络的线性目标检测模型；将所述线性目标图像集的线性目标图像样本循环迭代输入所述线性目标检测模型进行线性特征提取，并根据所述线性特征进行训练，计算损失函数，根据所述损失函数和所述线性目标图像集利用反向传播算法对所述线性目标检测模型进行优化更新，得到训练后的线性目标检测模型, 所述损失函数通过包括中心预测损失、长度预测损失、角度预测损失、目标损失以及类别预测损失构建而成。3.根据权利要求2所述的线性目标检测方法，其特征在于，所述构建线性目标图像集包括：获取若干张包含线性目标的线性目标图像样本；对所述线性目标图像样本进行线性目标的端点坐标及类型标注；根据所述端点坐标和目标转换公式确定所述线性目标的中心、角度及长度；根据标注后的线性目标图像样本构建线性目标图像集；所述目标转换公式为：其中，L为长度，(Cx,Cy)为中心，T为角度，（x1，y1）和（x2，y2）为线性目标的两端点坐标。4.根据权利要求2所述的线性目标检测方法，其特征在于，所述将所述线性目标图像集的线性目标图像样本循环迭代输入所述线性目标检测模型进行线性特征提取，并根据所述线性特征进行训练，计算损失函数，根据所述损失函数和所述线性目标图像集利用反向传播算法对所述线性目标检测模型进行优化更新，得到训练后的线性目标检测模型包括：
将所述线性目标图像样本输入线性特征提取骨干网络进行线性特征提取并转换为特征图，所述特征图的宽*高为S*S，所述线性目标检测模型包括所述线性特征提取骨干网络和线性目标检测网络；根据所述线性特征确定所述特征图中包含的线性目标的标注目标，所述标注目标的各项数值为(g
cx
,g
cy
,g
length
,g
theta
,g
c
)，其中，（g
cx
,g
cy
）为目标中心点坐标、g
length
为目标长度、g
theta
为目标角度、g
c
为目标类别信息；根据所述目标中心点坐标（g
cx
,g
cy
）确定其左上角的整数坐标(g
cxi
,g
cyj
)；基于所述整数坐标将所述标注目标的目标角度和目标长度分别与所述线性目标检测网络中的锚点进行匹配，确定目标锚点(T
i
,L
j
)；基于所述目标锚点(T
i
,L
j
)利用所述线性目标检测网络对所述标注目标进行训练；根据训练结果在尺寸为(m*n)*S*S*C的目标特征图上，根据位置(i*m+n,g
cyj
,g
cxi
)处的C维向量确定所述标注目标的目标预测值(p
x
,p
y
,p
length
,p
theta
,p
obj
,p
c1
,
…
,p
ck
)，所述C为通道数，所述C的值为5+K，所述K代表所述线性目标的类别数；根据所述标注坐标、所述左上角的整数坐标以及所述目标预测值计算损失函数；根据所述损失函数利用反向传播算法对所述线性目标检测网络进行优化更新，并循环迭代输入所述线性目标图像集中的线性目标图像样本进行训练，直到所述损失函数的值达到最小化，得到训练后的线性目标检测模型。5.根据权利要求4所述的线性目标检测方法，其特征在于，所述损失函数通过包括中心预测损失、长度预测损失、角度预测损失、目标损失以及类别预测损失构成；所述目标损失包括是否存在目标的预测损失和确定不存在目标的损失；所述损失函数公式为：Ls=γ
1 L
xy
+...

【专利技术属性】
技术研发人员：何超，邓富城，
申请(专利权)人：山东极视角科技有限公司，
类型：发明
国别省市：