【技术实现步骤摘要】
基于多元回归和自适应焦点损失的密集物体图像检测方法
[0001]本专利技术属于机器视觉领域，具体涉及一种基于多元回归和自适应焦点损失的密集物体图像检测方法。
技术介绍
[0002]目前超市商品结算主要依赖扫描条形码、或通过RFID标签感应识别。基于光学条形码的方法使用最广泛，但是依赖消费者手动逐个扫描，效率极低；基于RFID的方法则由于标签成本过高而难以大面积应用。因此，如何基于普通摄像头拍摄的图片来进行商品目标的检测与识别，成为了极具意义的研究课题。
[0003]早期基于图像的零售商品检测以传统的手工特征提取为主，比如SIFT和HOG等方法。方向梯度直方图(HOG)曾被广泛用于解决目标检测问题，其可以用来平衡特征不变性(包括平移、尺度、光照等)和非线性(区分不同对象类别)。DPM算法在HOG算法的基础上进行改进和延伸，由一个主过滤器和多个辅过滤器组成，通过边框回归和上下文启动技术改进检测精度。作为最优的传统检测算法，DPM方法运算速度快，能够适应物体形变，但它无法适应大幅度的旋转，因此稳定性差。目前来看，传统方法计...
【技术保护点】
【技术特征摘要】
1.基于多元回归和自适应焦点损失的密集物体图像检测方法，其特征在于，包括如下步骤：步骤A、使用图像采集设备从超市货架场景中采集原始图像，并对采集的图像数据进行预处理与增强；步骤B、对不同类型以及不同检测难度的商品目标进行标注，并按照预设比例进行数据集划分；步骤C、构建基于RetinaNet的深度学习模型作为基线模型，输入步骤B处理完成的图像进行训练；步骤D、建立多元回归网络和NMS
‑
Score机制，根据前置网络提取的特征生成目标边界框的信息和目标类别；步骤E、使用候选框与真实值的偏差生成NMS
‑
Score作为NMS排序依据，并引入自适应焦点损失来训练模型，根据训练后的商品检测模型，检测出对应商品的位置。2.根据权利要求1所述的基于多元回归和自适应焦点损失的密集物体图像检测方法，其特征在于，步骤B操作如下：步骤B1、对不同类型以及不同检测难度的商品目标进行标注，标注方法分为两个层次：第一个层次是标注出目标边框的左上、右上、左下、右下四个角的位置在图像中的坐标；第二个层次是目标的检测难度，将其分为简单、中等、困难这三种等级，标注为数字1、2、3，步骤B2、对标注好的数据集按照预设比例进行划分，主要划分为训练集、验证集和测试集三种数据。3.根据权利要求1所述的基于多元回归和自适应焦点损失的密集物体图像检测方法，其特征在于，步骤C中，RetinaNet包括依次连接的残差卷积网络、特征金字塔网络，即使用ResNet作为主干网络进行特征提取，使用FPN进行多尺度融合，输入图像经过主干网络的特征提取后，得到5种不同尺寸的特征图金字塔，在得到特征金字塔后，对每层特征金字塔分别使用分类网络和检测框生成网络，RetinaNet使用锚框来产生一系列候选区作为检测框，使用分类网络直接区分出数据集的类别数量，特征金字塔每层都相应的产生目标类别与位置的预测，最后再将其融合起来，同时使用NMS来得到最后的检测结果。4.根据权利要求1所述的基于多元回归和自适应焦点损失的密集物体图像检测方法，其特征在于，步骤D操作如下：步骤D1、使用多元回归网络，以上一层特征金字塔网络输出的特征图作为输入，对于上一层特征融合层输出的特征图，通过多层卷积改变其通道数，对商品目标的边界位置进行星型边界回归，这里的H和W就表示将原图分为H*W个区域，每个区域负责检测中心点与当前区域的中心点最近，且范围包含了当前区域的商品目标，多元回归网络主要由星型边界回归法和三路不同功能的卷积相结合而成，星型边界回归负责确定当前区域存在目标的边界位置，三路卷积则分别获取边界框缩放系数、边界框距离、边界框准确度评分，步骤D2、构建星型边界回归网络，星型边界回归使用了固定的9个采样点，通过可变形卷积来表示边界框，这9个采样点包括当前检测区域中心点、候选边界框与区域中心点水平和竖直线相交的4个点、以及候选边界框的四个角落点，具体来说，设定一个采样点(x，y)为当前检测区域的中心点坐标，首先使用一组3x3的卷积回归出该物体上下左右边界与当前检测区域中心点的距离(l，t，r，b)，在使用这个距离...
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。