(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 202011431185.3
(22)申请日 2020.12.07
(71)申请人 西北大学
地址 710069 陕西省西安市太白北路229号
(72)发明人 胡景钊 张拓 张效齐 冯筠
(74)专利代理机构 西安恒泰知识产权代理事务
所 61216
代理人 赵中霞
(51)Int.Cl.
G06T 7/00(2017.01)
G06T 7/194(2017.01)
G06T 5/00(2006.01)
G06K 9/32(2006.01)
G06K 9/62(2006.01)
G06N 3/04(2006.01)
G06N 3/08(2006.01)
(54)发明名称一种面向一维数据的多阶段目标检测方法及装置(57)摘要本发明提供一种面向一维数据的多阶段目标检测方法及装置，该方法对输入的一维数据去噪预处理；然后通过粗分割模型对处理后的数据逐点进行前背景分类；再结合中值滤波和开闭操作修正异常点得到中间预测结果；对于每个中间预测结果生成若干可能候选框，并通过候选框分类及精确回归模型去除被识别为背景的候选框，修正被识别为前景的候选框边界；之后结合非极大值抑制进行筛选留下置信概率最大的候选框作为最终检测结果。本发明提出的方法可以有效检测出一维数据中长、短目标以及相距较近的难分割目标，此检测方法在不同场合下都可以得到更加完整、 纯净的目标。权利要求书2页 说明书6页 附图5页CN 112419304 A 2021.02.26
C N 112419304
A
1.一种面向一维数据的多阶段目标检测方法，其特征在于，该方法对输入的一维数据去噪预处理；然后通过粗分割模型对预处理后的数据逐点进行前景背景分类；再结合中值滤波和开闭操作修正异常点得到
中间预测结果；对于每个中间预测结果生成若干候选框，并通过候选框分类及精确回归模型去除被识别为背景的候选框，修正被识别为前景的候选框边界；之后结合非极大值抑制进行筛选留下置信概率最大的候选框作为最终检测结果。
2.如权利要求1所述的面向一维数据的多阶段目标检测方法，其特征在于，该方法包括以下步骤：
步骤一，数据预处理：
对输入的一维数据进行去噪预处理以去除背景环境噪声；
步骤二，数据粗分割：
使用循环神经网络作为粗分割模型对预处理后的数据逐点分类为前景背景；
步骤三，异常值处理：
使用闭运算与中值滤波消除步骤二粗分割结果中存在的凹陷与毛刺；
步骤四，候选框生成和边界确定：
在步骤三的结果上选取种子点生成候选框，并使用全卷积神经网络对候选框进行判定，对判定为前景的
候选框边界进行精确回归；
步骤五，结果输出
对经过步骤四处理后剩余的候选框进行非极大值抑制，筛选保留概率最大的候选框作为检测结果并输出。
3.如权利要求2所述的面向一维数据的多阶段目标检测方法，其特征在于，所述步骤三包括：
步骤3.1，对步骤二中粗分割后的结果进行闭运算操作消除结果中包含的凹陷；
步骤3.2，对步骤3.1得到的结果进行中值滤波操作消除步骤3.1结果中仍然存在的毛刺。
4.如权利要求2所述的一种面向一维数据的多阶段目标检测方法，其特征在于，所述步骤四包括：
步骤4.1，在步骤三的结果上随机选取种子点，以每个种子点作为中心点，种子点与当前区间端点较远距离为半窗长进行翻转得到候选框体；
步骤4.2，对于每个生成的候选框，使用全卷积神经网络对候选框进行判别和边界精确回归；计算其是前景或背景的概率，若是背景则舍弃当前候选框；若是前景则对候选框边界进行精确回归。
5.一种面向一维数据的多阶段目标检测的装置，其特征在于，包括：
预处理模块，用以对输入的一维数据进行去噪预处理以去除背景环境噪声；
数据粗分割模块，用以使用循环神经网络作为粗分割模型对预处理后的数据逐点分类为前景背景；
异常值处理模块，用以使用闭运算与中值滤波消除粗分割结果中存在的凹陷与毛刺；
候选框生成和边界确定模块，用以在异常值处理结果上选取种子点生成候选框，并使用全卷积神经网络对候选框进行判定，对判定为前景的候选框边界进行精确回归；
结果输出模块，用以对候选框进行非极大值抑制，筛选保留概率最大的候选框作为检
测结果并输出。
6.如权利要求5所述的面向一维数据的多阶段目标检测的装置，其特征在于，所述异常值处理模块中：对粗分割后的结果进行闭运算操作消除结果中包含的凹陷，对闭运算操作得到的结果进行中值滤波操作消除闭运算操作结果中仍然存在的毛刺。
7.如权利要求5所述的面向一维数据的多阶段目标检测的装置，其特征在于，所述候选框生成和边界确定
模块中：在异常值处理的结果上随机选取种子点，以每个种子点作为中心点，种子点与当前区间端点较远距离为半窗长进行翻转得到候选框体；对于每个生成的候选框，使用全卷积神经网络对候选框进行判别和边界精确回归，计算其是前景或背景的概率，若是背景则舍弃当前候选框；若是前景则对候选框边界进行精确回归。
一种面向一维数据的多阶段目标检测方法及装置
技术领域
[0001]本发明属于深度学习技术领域，具体涉及一种面向一维数据的多阶段目标检测方法及装置。
背景技术
[0002]一维数据(例如信号)是一种十分常见的数据形式，是机器学习中一项重要的研究内容，一般对于一维数据的处理方法都是要先获取其有效的数据片段后再进行后续处理，例如在基于WIFICSI(Channel State Information，CSI)信号的动作识别中需要先截取连续采集信号中的有意义的片段。但是一维数据和二维数据以及三维数据等有着明显的差别，很多一维数据并不具有明显的可识别性，是一些比较杂乱的记录。那么对于这些一维数据中包含实际意义的有效数据片段的获取则具有相应的难度，这对后续的数据识别分类等建立在精确有效数据片段上的操作也产生了不小的影响。
[0003]现有的一维数据片段的检测方法很多都依赖于一维数据中的不同统计特征的变化情况来判断不同数据片段的起止位置，一般是针对仅有一类数据的情况。这些检测方法使用的统计特征主要有均值、方差等。在使用窗口划分的方法中，首先是对划分出的数据窗口计算特征值，然后是根据每个数据窗口的特征值的变化情况进行判断是否包含数据片段的起止并进行划分。然而这种两阶段的划分中存在一些问题，首先是窗口的划分过程中，对每个窗口计算统计特征时极易包含过多的与有效数据内容无关的背景信息，使得统计特征的数值产生无法估量的波动，从而影响特征的变化规律计算，使得划分结果偏移。同时，根据窗口划分的大小的不同，很容易出现一个完整的数据片段被划分到多个小窗口中或是某个数据片段与较多的背景数据一同处于一个较大的窗口中。其次，对于部分有实际意义的数据片段，其内部的统计特征变化可能不明显，易与背景信息混淆，在窗口划分较小时可能会被提前截断。若是采用缓冲区机制来阻止提前截断，对于仅包含一个数据片段的待检测数据是可行的，但是对于包含若干有效数据片段的长序列一维数据，则可能会因为两个数据片段间的间距太小而被缓冲区粘连在一起，使得多个数据片段被误划分为一个。[0004]例如统计特征对无线识别中信道状态信息(Channel State Information，CSI)进行识别。CSI数据是一种多通道的信号数据，可以通过其波形获取有效信息。因为单独使用统计特征存在前文所述的问题，如果能合理的解决问题，有望从信号的特征中获得更好的分类性能。
发明内容
[0005]针对现有技术中的缺陷和不足，本发明提供了一种面向一维数据的多阶段目标检测方法及装置，
克服现有方法难以精确划分数据片段边界、难以正确检测出所有有效数据片段位置和数量、在多个类别数据中难以生效等问题。
[0006]为达到上述目的，本发明采取如下的技术方案：
[0007]一种面向一维数据的多阶段目标检测方法，该方法对输入的一维数据去噪预处
理；然后通过粗分割模型对预处理后的数据逐点进行前景背景分类；再结合中值滤波和开闭操作修正异常点得到中间预测结果；对于每个中间预测结果生成若干候选框，并通过候选框分类及精确回归模型去除被识别为背景的候选框，修正被识别为前景的候选框边界；之后结合非极大值抑制进行筛选留下置信概率最大的候选框作为最终检测结果。[0008]本发明还包括如下技术特征：
[0009]具体的，该方法包括以下步骤：
[0010]步骤一，数据预处理：
[0011]对输入的一维数据进行去噪预处理以去除背景环境噪声；
[0012]步骤二，数据粗分割：
[0013]使用循环神经网络作为粗分割模型对预处理后的数据逐点分类为前景背景；[0014]步骤三，异常值处理：
[0015]使用闭运算与中值滤波消除步骤二粗分割结果中存在的凹陷与毛刺；
[0016]步骤四，候选框生成和边界确定：
[0017]在步骤三的结果上选取种子点生成候选框，并使用全卷积神经网络对候选框进行判定，对判定为前景的候选框边界进行精确回归；
[0018]步骤五，结果输出
[0019]对经过步骤四处理后剩余的候选框进行非极大值抑制，筛选保留概率最大的候选框作为检测结果并输出。
[0020]具体的，所述步骤三包括：
[0021]步骤3.1，对步骤二中粗分割后的结果进行闭运算操作消除结果中包含的凹陷；[0022]步骤3.2，对步骤3.1得到的结果进行中值滤波操作消除步骤3.1结果中仍然存在的毛刺。
[0023]具体的，所述步骤四包括：
[0024]步骤4.1，在步骤三的结果上随机选取种子点，以每个种子点作为中心点，种子点与当前区间端点较远距离为半窗长进行翻转得到候选框体；
[0025]步骤4.2，对于每个生成的候选框，使用全卷积神经网络对候选框进行判别和边界精确回归；计算其是前景或背景的概率，若是背景则舍弃当前候选框；若是前景则对候选框边界进行精确回归。
[0026]一种面向一维数据的多阶段目标检测的装置，包括：
[0027]预处理模块，用以对输入的一维数据进行去噪预处理以去除背景环境噪声；[0028]数据粗分割模块，用以使用循环神经网络作为粗分割模型对预处理后的数据逐点分类为前景背景；
[0029]异常值处理模块，用以使用闭运算与中值滤波消除粗分割结果中存在的凹陷与毛刺；
[0030]候选框生成和边界确定模块，用以在异常值处理结果上选取种子点生成候选框，并使用全卷积神经网络对候选框进行判定，对判定为前景的候选框边界进行精确回归；[0031]结果输出模块，用以对候选框进行非极大值抑制，筛选保留概率最大的候选框作为检测结果并输出。
[0032]具体的，所述异常值处理模块中：对粗分割后的结果进行闭运算操作消除结果中
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议