买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：国网信息通信产业集团有限公司;北京国网信通埃森哲信息技术有限公司;武汉大学

摘要：本发明提供一种基于样本特性的先验框参数自适应改进FRC检测方法。该方法在FasterRCNN算法的基础上，基于数据集样本的宽高比以及尺度，调节先验框的比例及尺度，使得先验框的大小接近原样本，进而提高FasterRCNN算法的准确率。本发明克服了现有的FasterRCNN算法不能充分利用数据集本身尺寸大小等先验知识的问题，在FasterRCNN算法的基础上，选择可变参数的先验框，根据数据集样本的宽高比和尺度，利用k‑means聚类算法选择合适的参数，调节先验框的比例及尺度，获得改进的FRC算法，解决数据集样本出现极大或极小以及宽高比悬殊的问题，提高FasterRCNN算法的目标检测精度。

主权项：1.一种基于样本特性的先验框参数自适应改进FRC检测方法，其特征在于，其包括以下步骤：步骤1：利用卷积神经网络对数据集样本提取图像特征，获得特征图；步骤2：根据所述步骤1数据集样本的宽高比和尺度调整先验框的比例和尺度，获得调整后的先验框的比例ratio和调整后的先验框的尺度scale，具体步骤为：步骤21：获取所述步骤1数据集样本的标签文件，提取所述标签文件中图像的原始信息，将所述图像的原始信息存入列表中；步骤22：将所述步骤21中列表拉平并去掉所述列表中的空字符，获得处理后的列表，计算所述处理后的列表中元素的总数num，定义一个维度为[num7，2]的新数组，所述新数组的行为样本边框，所述新数组的第一列为所述样本边框的宽高比r0，所述新数组的第二列为所述样本边框大小占原始图像大小的比例r1；步骤23：计算所述步骤22获得的样本边框的宽高比r0的平均值和标准差，基于3σ准则筛选出所述样本边框的宽高比r0中的异常数据，利用所述样本边框的宽高比r0的平均值替换所述样本边框的宽高比r0中的异常数据；计算所述步骤22获得的样本边框大小占原始图像大小的比例r1的平均值和标准差，基于3σ准则筛选出所述样本边框大小占原始图像大小的比例r1中的异常数据，利用所述样本边框大小占原始图像大小的比例r1的平均值替换所述样本边框大小占原始图像大小的比例r1中的异常数据；获得更新后的新数组；步骤24：利用k-means聚类算法将所述步骤23获得的更新后的新数组聚类成k个簇；具体为在所述更新后的新数组中随机选择k个质心点，获得初始k个质心点，按照最邻近原则把所述更新后的新数组的数据点分配给所述初始k个质心点中与所述数据点最近的质心点，获得聚类后的新数组，计算所述聚类后的新数组中的数据点的分配情况，根据所述聚类后的新数组中的数据点的分配情况，重新计算所述k个簇的质心点，获得更新的k个簇的质心点；步骤25：将所述步骤24获得的初始k个质心点的坐标替换为所述更新的k个簇的质心点的坐标，重复步骤24，直至所述聚类后的新数组中的数据点的分配情况不再改变，获得更新的k个簇的质心点的坐标，利用k-means聚类算法将所述更新的k个簇的质心点的坐标聚类成k1类，输出k1个质心点坐标；所述k1个质心点坐标的横坐标四舍五入到十分位，获得调整后的先验框的比例ratio；所述k1个质心点坐标的纵坐标四舍五入到百分位再乘以M×N，获得调整后的先验框的尺度scale，M为所述步骤1中数据集样本中图像的水平像素值；N为所述步骤1中数据集样本中图像的竖直像素值；步骤3：将所述步骤1中获得的特征图输入区域生成网络RPN，根据所述步骤2获得的调整后的先验框的比例ratio和调整后的先验框的尺度scale获得先验框，对所述先验框进行分类和位置修正，获得最终建议窗口；步骤4：将所述步骤3中获得的最终建议窗口映射到所述步骤1获得的特征图上，获得映射后的建议窗口，对所述映射后的建议窗口对应的特征图划分区域，获得网格，对所述网格进行最大池化处理，获得固定尺寸的建议窗口特征图；步骤5：对所述步骤4中获得的固定尺寸的建议窗口特征图进行分类，获得建议窗口的类别概率向量；对所述步骤4中获得的固定尺寸的建议窗口特征图进行位置回归，获得建议窗口的位置偏移向量；根据所述建议窗口的类别概率向量和建议窗口的位置偏移向量，利用交叉熵损失函数和SmoothL1损失函数对FasterRCNN网络参数联合训练，获得整体损失函数L{pi},{ti}，pi为第i个建议框的softmax分类概率；ti为第i个建议框的边框的参数化坐标；基于所述整体损失函数L{pi},{ti}获得改进的FRC算法，完成目标检测。

全文数据：

权利要求：

百度查询： 国网信息通信产业集团有限公司 北京国网信通埃森哲信息技术有限公司 武汉大学 基于样本特性的先验框参数自适应改进FRC检测方法