CN110738647A - 融合多感受野特征映射与高斯概率模型的老鼠检测方法 - Google Patents

Abstract

本发明公开了一种融合多感受野特征映射与高斯概率模型的老鼠检测方法，基于Anchor‑Free的CenterNet方法，将输入图像通过三个不同扩张率的扩张卷积，得到三种不同尺度的中心点热图，再与高斯分布的标准差自适应的高斯概率模型相结合，对上述四种不同感受野的中心点热图做加性融合构建多尺度感受野高斯加权结构，完成老鼠的检测。本发明的有益效果是：有效的解决了CenterNet完全忽略了距离中心点很近的点的作用，尤其是对于具有小、形变较严重、遮挡面积大的老鼠，很容易将中心点定位到背景位置问题；对于具有小、形变较严重、遮挡面积大的老鼠具有良好的鲁棒性、检测速度快以及检测效果好。

Description

融合多感受野特征映射与高斯概率模型的老鼠检测方法

技术领域

本发明涉及计算机视觉的目标检测技术领域，具体的说，是融合多感受野特征映射与高斯概率模型的老鼠检测方法。

背景技术

随着计算机技术的不断发展，计算机性能不断提高，作为计算机视觉四大领域之一的目标检测技术获得巨大发展，目标检测分为两大类：

第一，传统的目标检测方法，首先利用窗口遍历的方式寻找目标可能存在的位置，其次，需要手工选择特征，例如Haar特征、LBP特征、SIFT特征、HOG特征、CM特征等；最后，对特征进行分类，常用的分类器有Adaboost，SVM等。

第二，基于深度学习的目标检测方法，近年来，深度学习在目标检测领域中取得巨大突破，成为现如今最先进的方法，CNN在目标检测上的标志性成果是Girshick等在2015年提出的R-CNN(Region-based CNN)网络，在VOC上[19]测试的平均精度高达62.4％，是DPM算法的两倍。

此后，基于CNN的目标检测方法占有主导地位，主要分为两大类：

1)基于候选区域(Region Proposal，RP)的方法，代表作是SPP-net、Fast R-CNN、Faster R-CNN、R-FCN和Mask R-CNN等；

2)基于回归的方法，代表作是YOLO和SSD，YOLOv2，YOLOv3等；

3)基于Anchor-Free的方法，代表作为CornerNet和CenterNet。

传统的目标检测方法，需要手工的选择特征，其过程复杂，对于目标检测效果的优劣完全取决于研究人员的先验知识；以窗口区域遍历图像的方式检测目标，在检测过程中有很多冗余窗口，时间复杂度高，并且对于小目标、密集目标、形变较严重的目标、遮挡面积大的目标检测效果一般。第二，深度学习的目标检测方法，由于老鼠具有小、形变较严重、遮挡面积大等特点，基于候选区域的方法较为复杂，候选区域计算冗余，占用资源较大，不符合实时性准则；基于回归的方法需要设计者根据先验知识设计回归框的宽高比例以及大小，不利于对尺度多变的老鼠的检测，漏检较多。

发明内容

本发明的目的在于提供融合多感受野特征映射与高斯概率模型的老鼠检测方法，对于具有小、形变较严重、遮挡面积大的老能够有效的将中心点定位到背景位置，具有良好的鲁棒性、检测速度快、检测效果好。

本发明通过下述技术方案实现：

融合多感受野特征映射与高斯概率模型的老鼠检测方法，基于Anchor-Free的CenterNet方法，将输入图像通过三个不同扩张率的扩张卷积，得到三种不同尺度的中心点热图，再与高斯分布的标准差自适应的高斯概率模型相结合，对上述四种不同感受野的中心点热图做加性融合构建多尺度感受野高斯加权结构，完成老鼠的检测。

进一步地，为了更好的实现本发明，具体包括以下步骤：

步骤S1：构建高斯半径自适应的高斯滤波器；

步骤S2：基于Centernet构建三个扩张率自适应的空洞卷积得到三种感受野的中心点热图；

步骤S3：将三种不同尺度的感受野的中心点热图与高斯概率模型相结合，并对四种不同感受野的中心点热图做加性融合，构建用于预测与标签热力图相近的热力值分布的多尺度感受野高斯加权结构。

进一步地，为了更好的实现本发明，所述步骤S1具体包括以下步骤：

步骤S11：令I∈D^W*H*3为输入图像；其中W为输入图像的宽，H为输入图像的高；

步骤S12：通过CenterNet标签中心点c，中心点c的位置为p∈D²；

步骤S13：将中心点c对应到低分辨率图上，对中心点c的坐标转化为中心点坐标

其中R为CenterNet输入与输出的比值；

步骤S14：将低分辨率图的中心点坐标

通过高斯核函数

生成为关键中心热力图

当物体中心位置对应的值为1时为标签热力图。

步骤S15：设定自适应的高斯分布的标准差r为：

其中：式(1)中w表示低分辨中心点标签热力图的宽；

h表示低分辨中心点标签热力图的高；

o为超参数，表示高斯分布的标准差与w的最小比值；

步骤S16：构建高斯核，高斯核为：

进一步地，为了更好的实现本发明；所述步骤S2具体包括以下步骤：

步骤S21：将输入图像经过Centernet处理，得到用于预测中心点类别以及位置的热图U₀、用于预测宽高的热图Y_wh、用于预测偏置的热图Y_Off；

步骤S22：对于中心点热图U₀分别做三种不同扩张率的空洞卷积得到U₁，U₂，U₃三个不同尺度的感受野的中心点热图；所述中心点热图U₁，U₂，U₃的扩张率设置为标准差r的1、0.5、0.25倍；

进一步地，为了更好的实现本发明，所述步骤S22中滤波器的大小为3*3；三种不同扩张率的空洞卷积的输入通道数为64，输出通道数为类别数；设定输出通道为1。

进一步地，为了更好的实现本发明，所述步骤S3具体包括以下步骤：

步骤S31：将步骤S22中的中心点热图U₁，U₂，U₃与高斯概率模型相结合；设定多尺度感受野高斯加权结构的权重G_i；

步骤S32：对用于预测中心点类别以及位置的热图U₀、与高斯概率模型相结合后的中心点热图U₁，U₂，U₃做加性融合；得到用于中心点类别以及位置预测的中心点热图Y_hm；

步骤S33：根据用于预测宽高的热图Y_wh、用于预测偏置的热图Y_Off、用于中心点类别以及位置预测的中心点热图Y_hm分别与步骤S14中的标签热力图求取交叉熵损失函数，并将交叉熵损失函数用于训练网络参数；从而训练和预测出老鼠的高宽，老鼠中心点的位置以及类别概率，中心点位置的偏移；完成检测。

本发明与现有技术相比，具有以下优点及有益效果：

(1)本发明有效的解决了CenterNet完全忽略了距离中心点很近的点的作用，尤其是对于具有小、形变较严重、遮挡面积大的老鼠，很容易将中心点定位到背景位置问题；

(2)本发明对于具有小、形变较严重、遮挡面积大的老鼠具有良好的鲁棒性、检测速度快以及检测效果好。

附图说明

图1为本发明的工作流程图；

图2为本发明中步骤S2和步骤S3的工作原理图。

具体实施方式

下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式不限于此。

实施例1：

本发明通过下述技术方案实现，如图1、图2所示，融合多感受野特征映射与高斯概率模型的老鼠检测方法，基于Anchor-Free的CenterNet方法，将输入图像通过三个不同扩张率的扩张卷积，得到三种不同尺度的中心点热图，再与高斯分布的标准差自适应的高斯概率模型相结合，对上述四种不同感受野的中心点热图做加性融合构建多尺度感受野高斯加权结构，完成老鼠的检测。

需要说明的是，通过上述改进，本发明首先采用基于Anchor-Free的CenterNet方法，并改进其中心点热图，通过三个不同扩张率的扩张卷积，得到三种感受野的中心点热图；其次与高斯分布的标准差自适应的高斯概率模型相融合；最后对上述四种不同感受野的中心点热图做加性融合构建多尺度感受野高斯加权结构；对于具有小、形变较严重、遮挡面积大的老鼠具有良好的鲁棒性、快的检测速度以及优秀的检测效果。

实施例2：

本实施例在上述实施例的基础上做进一步优化，如图1所示，步骤S1：构建高斯半径自适应的高斯滤波器；

所述步骤S1具体包括以下步骤：

步骤S11：令I∈D^W*H*3为输入图像；其中W为输入图像的宽，H为输入图像的高；

步骤S12：通过CenterNet标签中心点c，中心点c的位置为p∈D²；

步骤S13：将中心点c对应到低分辨率图上，对中心点c的坐标转化为中心点坐标

其中R为CenterNet输入与输出的比值；

步骤S14：将低分辨率图的中心点坐标

通过高斯核函数

生成为关键中心热力图

当物体中心位置对应的值为1时为标签热力图。周围坐标点对应的值呈高斯分布即距离中心点越远的位置对应的值越低，超过中心点高斯分布的标准差范围的位置对应的值为0。

其中，x和y为高斯核函数中的坐标值，

和

为高斯核函数中心点的坐标值。

CenterNet在训练过程中直接将输出特征映射与低分辨中心点标签热力图求交叉熵损失，在预测过程中，直接取输出特征映射的最大响应值为目标的中心，其余点全为负样本。此处，CenterNet完全忽略了距离中心点很近的点的作用，尤其是对于具有小、形变较严重、遮挡面积大的老鼠，很容易将中心点定位到背景位置。

为了更加准确的预测出老鼠所在位置，采用对此构建高斯分布的标准差自适应的高斯滤波器，其主要用于在输出特征映射上模拟与标签热力图相近的热力值分布。

步骤S15：设定自适应的高斯分布的标准差r为：

其中：式(1)中w表示低分辨中心点标签热力图的宽；

h表示低分辨中心点标签热力图的高；

o为超参数，表示高斯分布的标准差与w的最小比值；

步骤S16：根据步骤S15构建高斯核，高斯核为：

本实施例的其他部分与上述实施例相同，故不再赘述。

实施例3：

本实施例在上述实施例的基础上做进一步优化，如图1所示，步骤S2：基于Centernet构建三个扩张率自适应的空洞卷积得到三种感受野的中心点热图。

具体包括以下步骤：所述步骤S2具体包括以下步骤：

步骤S21：将输入图像经过Centernet处理，得到用于预测中心点类别以及位置的热图U₀、用于预测宽高的热图Y_wh、用于预测偏置的热图Y_Off；

步骤S22：对于中心点热图U₀分别做三种不同扩张率的空洞卷积得到三个不同尺度的感受野的中心点热图U₁、U₂、U₃；三个不同尺度的感受野的中心点热图U₁、U₂、U₃的扩张率分别设置为标准差r的1、0.5、0.25倍；

进一步地，为了更好的实现本发明，所述步骤S22中滤波器的大小为3*3；三种不同扩张率的空洞卷积的输入通道数为64，输出通道数为类别数；对于老鼠的检测，设定输出通道为1。

本实施例的其他部分与上述实施例相同，故不再赘述。

实施例4：

本实施例在上述实施例的基础上做进一步优化，如图1所示，步骤S3：将三种不同尺度的感受野的中心点热图与高斯概率模型相结合，并对四种不同感受野的中心点热图做加性融合，构建用于预测与标签热力图相近的热力值分布的多尺度感受野高斯加权结构。

这里所提出的四种不同感受野的中心点热图包括用于预测中心点类别以及位置的热图U₀和经过与高斯概率模型相结合的三个不同尺度的感受野的中心点热图U₁、U₂、U₃。

所述步骤S3具体包括以下步骤：

步骤S31：将步骤S22中的三个不同尺度的感受野的中心点热图U₁、U₂、U₃与高斯概率模型相结合；设定多尺度感受野高斯加权结构的权重G_i；

如图2所示，对于中心点热图U₁，采用权重G₁结合，对于中心点热图U₂，采用权重G₂结合，对于中心点热图U₃，采用权重G₃结合。

步骤S32：对用于预测中心点类别以及位置的热图U₀、与高斯概率模型相结合后的中心点热图U₁，U₂，U₃做加性融合；得到用于中心点类别以及位置预测的中心点热图Y_hm；

步骤S33：根据用于预测宽高的热图Y_wh、用于预测偏置的热图Y_Off、用于中心点类别以及位置预测的中心点热图Y_hm步骤S14中的标签热力图求取交叉熵损失函数，并将交叉熵损失函数用于训练网络参数；从而训练和预测出老鼠的高宽，老鼠中心点的位置以及类别概率，中心点位置的偏移；完成检测。

本实施例的其他部分与上述实施例相同，故不再赘述。

实施例5：

本实施例针对本发明进行实验，实验采用的硬件为：GTX1080Ti型号的GPU，I5-8500CPU，由于现有技术中没有老鼠的公用数据集，因此自建老鼠数据集，其中有5000张来自网络监控，视频网站以及图片的训练集，1000张测试集。

方法	平均IoU(100％)	平均测试速度(fqs)
			YoloV3	86.41	20.2
Conternet	82.32	10.3
			Centernet	90.17	33.6
Faster R-cm	78.2	2
			本发明	96.32	33.2

表1

表1为不同方法自建老鼠数据集的测试对比，可见本发明对于老鼠的检测具最高的平均重合度指标，并且平均速度达到33.2帧每秒。

本实施例的其他部分与上述实施例相同，故不再赘述。

以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims (6)

1.融合多感受野特征映射与高斯概率模型的老鼠检测方法，其特征在于：基于Anchor-Free的CenterNet方法，将输入图像通过三个不同扩张率的扩张卷积，得到三种不同尺度的中心点热图，再与高斯分布的标准差自适应的高斯概率模型相结合，对上述四种不同感受野的中心点热图做加性融合构建多尺度感受野高斯加权结构，完成老鼠的检测。

2.根据权利要求1所述的融合多感受野特征映射与高斯概率模型的老鼠检测方法，其特征在于：

步骤S1：构建高斯半径自适应的高斯滤波器；

步骤S2：基于Centernet构建三个扩张率自适应的空洞卷积得到三种感受野的中心点热图；

步骤S3：将三种不同尺度的感受野的中心点热图与高斯概率模型相结合，并对四种不同感受野的中心点热图做加性融合，构建多尺度感受野高斯加权结构。

3.根据权利要求2所述的融合多感受野特征映射与高斯概率模型的老鼠检测方法，其特征在于：所述步骤S1具体包括以下步骤：

步骤S11：令I∈D^W*H*3为输入图像；其中W为输入图像的宽，H为输入图像的高；

步骤S12：通过CenterNet标签中心点c，中心点c的位置为p∈D²；

步骤S13：将中心点c对应到低分辨率图上，对中心点c的坐标转化为中心点坐标

其中R为CenterNet输入与输出的比值；

步骤S14：将低分辨率图的中心点坐标

通过高斯核函数

生成为关键中心热力图

当物体中心位置对应的值为1时为标签热力图。

步骤S15：设定自适应的高斯分布的标准差r为：

其中：式(1)中w表示低分辨中心点标签热力图的宽；

h表示低分辨中心点标签热力图的高；

o为超参数，表示高斯分布的标准差与w的最小比值；

步骤S16：构建高斯核，高斯核为：

4.根据权利要求3所述的融合多感受野特征映射与高斯概率模型的老鼠检测方法，其特征在于：所述步骤S2具体包括以下步骤：

步骤S21：将输入图像经过Centernet处理，得到用于预测中心点类别以及位置的热图U₀、用于预测宽高的热图Y_wh、用于预测偏置的热图Y_Off；

步骤S22：对于中心点热图U₀分别做三种不同扩张率的空洞卷积得到U₁，U₂，U₃三个不同尺度的感受野的中心点热图；所述中心点热图U₁，U₂，U₃的扩张率设置为标准差r的1、0.5、0.25倍。

5.根据权利要求4所述的融合多感受野特征映射与高斯概率模型的老鼠检测方法，其特征在于：所述步骤S22中滤波器的大小为3*3；三种不同扩张率的空洞卷积的输入通道数为64，输出通道数为类别数；设定输出通道为1。

6.根据权利要求4所述的融合多感受野特征映射与高斯概率模型的老鼠检测方法，其特征在于：所述步骤S3具体包括以下步骤：

步骤S31：将步骤S22中的中心点热图U₁，U₂，U₃与高斯概率模型相结合；设定多尺度感受野高斯加权结构的权重G_i；

步骤S32：对用于预测中心点类别以及位置的热图U₀、与高斯概率模型相结合后的中心点热图U₁，U₂，U₃做加性融合；得到用于中心点类别以及位置预测的中心点热图Y_hm；

步骤S33：根据用于预测宽高的热图Y_wh、用于预测偏置的热图Y_Off、用于中心点类别以及位置预测的中心点热图Y_hm分别与步骤S14中的标签热力图求取交叉熵损失函数，并将交叉熵损失函数用于训练网络参数；从而训练和预测出老鼠的高宽，老鼠中心点的位置以及类别概率，中心点位置的偏移；完成检测。

Images