技术特征：
1.一种基于改进atss的目标检测方法，其特征在于，该方法包括：第一步骤，搜集样本图像，并进行标注，以获得已标注的样本图像；第二步骤，对已标注的样本图像进行图像预处理，获取训练数据；第三步骤，将训练数据输入基于改进atss的目标检测网络，进行反复训练，得到训练好的目标检测模型；第四步骤，将待检测图像输入目标检测模型，获得目标检测结果并输出。2.如权利要求1所述的方法，其特征在于，所述图像预处理包括以下的一种或多种：亮度颜色调整、图像缩放、图像翻转、遮挡目标随机裁剪；将已标注的样本图像经过图像预处理后的图像作为训练数据；进一步地，所述遮挡目标随机裁剪包括以下步骤：随机裁剪步骤，在已标注的样本图像上随机选择左上坐标点和右下坐标，作为裁剪小图起始点和终点，同时更新裁剪小图的目标坐标值；裁剪率判断步骤，分别计算已标注的样本图像中目标的面积a、裁剪小图中目标的面积ca；计算裁剪率如果裁剪率r
c
高于裁剪率阈值，则裁剪小图无效；被遮挡率判断步骤，在裁剪小图上，针对每个目标，分别计算目标的面积ca、目标与其他目标的重叠面积coa，计算目标的被遮挡率如果目标的被遮挡率r
o
高于遮挡阈值，则裁剪小图无效；随机裁剪输出步骤，若裁剪小图无效，则输出已标注的样本图像作为训练数据，否则认为裁剪小图有效，则输出裁剪小图作为训练数据。3.如权利要求2所述的方法，其特征在于，所述裁剪率阈值的取值范围为0.1～0.6，所述遮挡阈值的取值范围为0.5～0.9。4.如权利要求1所述的方法，其特征在于，所述第三步骤包括：特征金字塔获取步骤，输入训练数据，经过基于改进atss的目标检测网络的骨干网络和特征融合网络后，得到3个不同维度的特征层；分类定位预测结果获取步骤，特征层经过基于改进atss的目标检测网络的分类定位网络后，分别得到对应特征层的锚点的分类预测结果和定位预测结果；分类定位真实结果获取步骤，针对每个特征层，在基于改进atss的目标检测网络的检测网络的训练过程中，在特征层上，为检测目标铺设正样本点和负样本点；铺设样本点完成后，即为各锚点分配了真实的分类和定位框信息；检测网络的网络损失计算步骤，针对每个特征层，计算特征层分类预测结果、定位预测结果与真实分类结果、真实定位结果的差异，得到检测网络的网络损失；反向传播步骤，根据网络损失反向传播，不断优化基于改进atss的目标检测网络，直至基于改进atss的目标检测网络收敛，得到训练好的目标检测模型；其中，所述3个不同维度的特征层分别为：低层特征层金字塔、中层特征层金字塔、高层特征层金字塔。5.如权利要求3所述的方法，其特征在于，所述分类定位真实结果获取步骤包括：预选正样本点获取步骤，在每个特征层上，选择与目标中心点距离最近的n个样本点，
作为预选正样本点，所有特征层的预选样本点的集合标记为u0；正样本阈值计算步骤，计算预选正样本点集合u0中所有预选正样本点的iou平均值，作为正样本阈值ptr；正样本点和负样本点获取步骤，针对预选正样本点集合u0中的预选正样本点，将与目标的iou值大于正样本阈值ptr的预选正样本点定义为正样本点；如果目标的正样本点数量小于n，则在所有预选正样本中选择iou值最高的n个样本点，定义为正样本点；将特征层的所有锚点中，除正样本点以外的样本点都定义为负样本点；多目标正样本点分配步骤，在同一特征层或不同特征层上，若正样本点同时分配给两个或多个目标，则将对应的正样本点分配给与目标中心点距离较近的目标；真实的分类和定位框获取步骤，根据锚点的锚框获取真实的定位框；当锚点检测为正样本点时，则将锚点对应的真实的定位框分类为目标类；当锚点检测结果为负样本点时，将锚点对应的真实的定位框分类为背景类；其中，所述预选正样本的iou为预选正样本点锚框与目标框的交并比；n表示样本点数量阈值。6.如权利要求5所述的方法，其特征在于，所述样本点数量阈值n的取值范围为9～16。7.一种基于改进atss的目标检测装置，其特征在于，该装置包括：样本图像搜集标注模块，用于搜集样本图像，并进行标注，以获得已标注的样本图像；图像预处理模块，用于对已标注的样本图像进行图像预处理，获取训练数据；基于改进atss的目标检测网络训练模块，用于将训练数据输入基于改进atss的目标检测网络，进行反复训练，得到训练好的目标检测模型；目标检测模型检测模块，用于将待检测图像输入目标检测模型，获得目标检测结果并输出。8.如权利要求7所述的装置，其特征在于，所述图像预处理模块包括以下的一种或多种模块：亮度颜色调整模块、图像缩放模块、图像翻转模块、遮挡目标随机裁剪模块；将已标注的样本图像经过图像预处理后的图像作为训练数据；进一步地，所述遮挡目标随机模块包括：随机裁剪模块，用于在已标注的样本图像上随机选择左上坐标点和右下坐标，作为裁剪小图起始点和终点，同时更新裁剪小图的目标坐标值；裁剪率判断模块，用于分别计算已标注的样本图像中目标的面积a、裁剪小图中目标的面积ca；计算裁剪率如果裁剪率r
c
高于裁剪率阈值，则裁剪小图无效；被遮挡率判断模块，用于在裁剪小图上，针对每个目标，分别计算目标的面积ca、目标与其他目标的重叠面积coa，计算目标的被遮挡率如果目标的被遮挡率r
o
高于遮挡阈值，则裁剪小图无效；随机裁剪输出模块，用于若裁剪小图无效，则输出已标注的样本图像作为训练数据，否则认为裁剪小图有效，则输出裁剪小图作为训练数据。9.如权利要求7所述的装置，其特征在于，所述基于改进atss的目标检测网络训练模块包括：
特征金字塔获取模块，用于输入训练数据，经过基于改进atss的目标检测网络的骨干网络和特征融合网络后，得到3个不同维度的特征层；分类定位预测结果获取模块，用于特征层经过基于改进atss的目标检测网络的分类定位网络后，分别得到对应特征层的锚点的分类预测结果和定位预测结果；分类定位真实结果获取模块，用于针对每个特征层，在基于改进atss的目标检测网络的检测网络的训练过程中，在特征层上，为检测目标铺设正样本点和负样本点；铺设样本点完成后，即为各锚点分配了真实的分类和定位框信息；检测网络的网络损失计算模块，用于针对每个特征层，计算特征层分类预测结果、定位预测结果与真实分类结果、真实定位结果的差异，得到检测网络的网络损失；反向传播模块，用于根据网络损失反向传播，不断优化基于改进atss的目标检测网络，直至基于改进atss的目标检测网络收敛，得到训练好的目标检测模型；其中，所述3个不同维度的特征层分别为：低层特征层金字塔、中层特征层金字塔、高层特征层金字塔。10.如权利要求9所述的装置，其特征在于，所述分类定位真实结果获取模块包括：预选正样本点获取模块，用于在每个特征层上，选择与目标中心点距离最近的n个样本点，作为预选正样本点，所有特征层的预选样本点的集合标记为u0；正样本阈值计算模块，用于计算预选正样本点集合u0中所有预选正样本点的iou平均值，作为正样本阈值ptr；正样本点和负样本点获取模块，用于针对预选正样本点集合u0中的预选正样本点，将与目标的iou值大于正样本阈值ptr的预选正样本点定义为正样本点；如果目标的正样本点数量小于n，则在所有预选正样本中选择iou值最高的n个样本点，定义为正样本点；将特征层的所有锚点中，除正样本点以外的样本点都定义为负样本点；多目标正样本点分配模块，用于在同一特征层或不同特征层上，若正样本点同时分配给两个或多个目标，则将对应的正样本点分配给与目标中心点距离较近的目标；真实的分类和定位框获取模块，用于根据锚点的锚框获取真实的定位框；当锚点检测为正样本点时，则将锚点对应的真实的定位框分类为目标类；当锚点检测结果为负样本点时，将锚点对应的真实的定位框分类为背景类；其中，所述预选正样本的iou为预选正样本点锚框与目标框的交并比；n表示样本点数量阈值。
技术总结
本发明提供了一种基于改进ATSS的目标检测方法，该方法包括：搜集样本图像，并进行标注，以获得已标注的样本图像；对已标注的样本图像进行图像预处理，获取训练数据；将训练数据输入基于改进ATSS的目标检测网络，进行反复训练，得到训练好的目标检测模型；将待检测图像输入目标检测模型，获得目标检测结果并输出。与现有技术相比，本发明能够准确、快速地检测到目标，并解决了遮挡目标漏检、检测框不稳定的问题。定的问题。定的问题。
技术研发人员：王闪闪 班华忠 王正
受保护的技术使用者：北京智芯原动科技有限公司
技术研发日：2022.07.14
技术公布日：2022/11/11