基于高斯分布的旋转目标检测方法和装置制造方法及图纸

本申请涉及计算机技术领域，具体是一种基于高斯分布的旋转目标检测方法和装置。方法包括：获取图像数据，采用旋转框标注图像数据中的目标，并根据图像数据，构建训练数据集以及测试数据集；根据深度残差网络、特征金字塔网络、分类子网络以及回归子网络，构建目标预检测模型；采用二维高斯分布代替旋转框对目标进行表示，并设计基于二维高斯分布的损失函数；根据损失函数以及训练数据集，对目标预检测模型进行训练，得到旋转目标检测模型；根据旋转目标检测模型，对所述测试数据集进行测试，得到最终目标检测结果。采用本方法能够解决由旋转角引起的如角度周期性等一系列影响定位精度的问题。度的问题。度的问题。

【技术实现步骤摘要】
基于高斯分布的旋转目标检测方法和装置


[0001]本申请涉及计算机
，特别是涉及一种基于高斯分布的旋转目标检测方法、装置和设备。

技术介绍

[0002]作为计算机视觉领域中最基本和最具挑战性的问题之一，目标检测在近年来受到了极大关注，其任务涉及定位(预定义类别的目标在给定遥感影像中的位置在哪里？)以及识别(这些目标属于哪些预定义类别？)，需要通过回归精确定位和预测正确的类别标签，将预定义类别的目标与给定影像区分开来。目标检测的发展历程主要可以分为两个阶段：传统目标检测阶段和基于深度学习的目标检测阶段。
[0003]传统目标检测算法主要包含三个部分：特征提取、分类器训练和分类器判别。目标检测之前，首先需要利用标注的训练样本提取特征并进行分类器的训练。然后针对输入图像进行目标检测时，通常采用滑动窗口的方式，在每个滑动窗口提取相应的特征输入给训练好的分类器，判别该滑动位置是否存在目标，遍历整幅图像之后最终得到图像上目标所在的位置。因此，目标判别使用的特征描述和分类器是目标检测算法两个重要内容。常用的特征描述主要有Haar小波特征(Haarlike features)、梯度方向直方图(Histograms of Oriented Gradients，HOG)、局部二值模式(Local Binary Pattern，LBP)等，分类器主要有支持向量机(Support Vector Machines，SVM)、Boosting和随机森林(Random Forest，RF)等。
[0004]随着传统目标检测的表现性能趋于饱和以及深度学习所展现的对影像的高级语义表示能力，大量基于深度学习的目标检测方法被用于自然图像的目标检测(即通用目标检测，使用水平框(x,y,w,h)表示目标的位置和大小，其中x,y表示目标的中心，w,h分别表示目标的宽高)，如Faster RCNN、YOLO系列等，其所展现的性能远超传统目标检测方法。旋转目标检测在通用目标检测的基础上添加了一个方向参数θ，使用旋转框(x,y,w,h,θ)表示目标的位置和大小使其能更加精准的定位目标，并且可以提高方向信息，因此在遥感目标检测、场景文本检测、人脸检测等领域得到广泛应用。
[0005]然而，由于角度参数的引入，旋转目标检测的定位依旧存在着如下问题：角度周期性、边界交换、模型损失与评价测度不一致等，这些问题会导致模型训练不稳定，限制了优化的效果，从而降低目标定位的精度。

技术实现思路

[0006]基于此，有必要针对上述技术问题，提供一种基于高斯分布的旋转目标检测方法、装置和设备，能够解决由旋转角引起的如角度周期性等一系列影响定位精度的问题。
[0007]一种基于高斯分布的旋转目标检测方法，包括：
[0008]获取图像数据，采用旋转框标注所述图像数据中的目标，并根据所述图像数据，构建训练数据集以及测试数据集；
[0009]根据深度残差网络、特征金字塔网络、分类子网络以及回归子网络，构建目标预检测模型；
[0010]采用二维高斯分布代替所述旋转框对目标进行表示，并设计基于二维高斯分布的损失函数；
[0011]根据所述损失函数以及所述训练数据集，对所述目标预检测模型进行训练，得到旋转目标检测模型；
[0012]根据所述旋转目标检测模型，对所述测试数据集进行测试，得到最终目标检测结果。
[0013]在一个实施例中，采用二维高斯分布代替所述旋转框对目标进行表示包括：
[0014]采用旋转框(x,y,w,h,θ)标注目标，其中，(x,y)表示旋转框中心点在原图像中的坐标，w,h分别表示旋转框的长边和短边，θ表示旋转框长边与原图水平向右的方向的夹角；
[0015]二维高斯分布包含5个不同的参数(μ
x
,μ
y
,σ
x
,σ
y
,σ
xy
)，其中：
[0016]μ＝(μ
x
,μ
y
)
[0017][0018]由旋转框(x,y,w,h,θ)转换为二维高斯分布的过程如下：
[0019](μ
x
,μ
y
)＝(x,y)
[0020][0021]即，σ
x
,σ
y
,σ
xy
可以表示为：
[0022][0023][0024][0025]在一个实施例中，设计基于二维高斯分布的损失函数包括：所述损失函数采用多任务联合损失函数；
[0026]L＝L
cls
+λL
reg
[0027]式中，L为多任务联合损失函数，L
cls
为分类损失，L
reg
为基于高斯分布的回归损失，λ为可调节的超参数；
[0028][0029]c
n
＝[c
n(0)
,c
n(1)
,c
n(2)
,
…
,c
n(C)
][0030]c
n(0)
∈[0,1][0031]c
n(i)
∈[0,1][0032][0033]式中，N
p
为预测的结果的数量，N
pos
为正样本的数量，γ为可调的超参数；
[0034][0035][0036][0037][0038][0039][0040][0041]式中，obj
n
表示一个二进制值，L1(a,b)表示向量a和b的L1范数，(μ
xp
,μ
yp
,σ
xp
,σ
yp
,σ
xyp
)表示网络预测的目标高斯分布表示，(μ
xt
,μ
yt
,σ
xt
,σ
yt
,σ
xyt
)表示目标高斯分布表示真值，(x
a
,y
a
,w
a
,h
a
)表示当前锚框的中心点和宽高。
[0042]在一个实施例中，将所述优选目标类别对应的二维高斯分布表示转化为旋转框包括：
[0043](x,y)＝(μ
x
,μ
y
)
[0044][0045][0046][0047]其中，atan2(x,y)根据x,y的符号返回向量(x,y)的辐角。
[0048]在一个实施例中，根据所述损失函数以及所述训练数据集，对所述目标预检测模型进行训练，得到旋转目标检测模型包括：
[0049]令迭代次数为0，初始化所述目标预检测模型；
[0050]迭代次数加1，将所述训练数据集中的图像输入所述目标预检测模型，计算所述损失函数；判断迭代次数小于预设的阈值时，根据所述损失函数更新所述目标预检测模型的参数，得到当前目标预检测模型；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高斯分布的旋转目标检测方法，其特征在于，包括：获取图像数据，采用旋转框标注所述图像数据中的目标，并根据所述图像数据，构建训练数据集以及测试数据集；根据深度残差网络、特征金字塔网络、分类子网络以及回归子网络，构建目标预检测模型；采用二维高斯分布代替所述旋转框对目标进行表示，并设计基于二维高斯分布的损失函数；根据所述损失函数以及所述训练数据集，对所述目标预检测模型进行训练，得到旋转目标检测模型；根据所述旋转目标检测模型，对所述测试数据集进行测试，得到最终目标检测结果。2.根据权利要求1所述的方法，其特征在于，采用二维高斯分布代替所述旋转框对目标进行表示包括：采用旋转框(x,y,w,h,θ)标注目标，其中，(x,y)表示旋转框中心点在原图像中的坐标，w,h分别表示旋转框的长边和短边，θ表示旋转框长边与原图水平向右的方向的夹角；二维高斯分布包含5个不同的参数(μ
x
,μ
y
,σ
x
,σ
y
,σ
xy
)，其中：μ＝(μ
x
,μ
y
)由旋转框(x,y,w,h,θ)转换为二维高斯分布的过程如下：(μ
x
,μ
y
)＝(x,y)即，σ
x
,σ
y
,σ
xy
可以表示为：可以表示为：可以表示为：3.根据权利要求2所述的方法，其特征在于，设计基于二维高斯分布的损失函数包括：所述损失函数采用多任务联合损失函数；L＝L
cls
+λL
reg
式中，L为多任务联合损失函数，L
cls
为分类损失，L
reg
为基于高斯分布的回归损失，λ为可调节的超参数；
c
n
＝[c
n(0)
,c
n(1)
,c
n(2)
,
…
,c
n(C)
]c
n(0)
∈[0,1]c
n(i)
∈[0,1]式中，N
p
为预测的结果的数量，N
pos
为正样本的数量，γ为可调的超参数；为正样本的数量，γ为可调的超参数；为正样本的数量，γ为可调的超参数；为正样本的数量，γ为可调的超参数；为正样本的数量，γ为可调的超参数；为正样本的数量，γ为可调的超参数；为正样本的数量，γ为可调的超参数；式中，obj
n
表示一个二进制值，L1(a,b)表示向量a和b的L1范数，(μ
xp
,μ
yp
,σ
xp
,σ
yp
,σ
xyp
)表示网络预测的目标高斯分布表示，(μ
xt
,μ
yt
,σ
xt
,σ
yt
,σ
xyt
)表示目标高斯分布表示真值，(x
a
,y
a
,w
a
,h
a
)表示当前锚框的中心点和宽...

【专利技术属性】
技术研发人员：苏昂，王堃，李璋，滕锡超，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：