[发明专利]一种基于YOLO的目标关键点检测方法

说明书

本发明公开了一种基于YOLO的目标关键点检测方法，包括获取样本图片，并在样本图片上标注目标框及所属的关键点，生成标签文件。本方法在YOLO卷积神经网络中加入与YOLO层并列的关键点检测层构建目标关键点检测网络模型，使得目标关键点检测网络模型可以同时输出目标信息和关键点信息，整体算法速度快且稳定，并且可以通过关键点之间的距离信息约束关键点位置，使得关键点位置精度更高，还可以通过关键点的置信度判定该关键点是否被遮挡，因此也适用于需要判定关键点是否被遮挡的应用场景，适用范围较广；本方法输出的目标的关键点和目标框是绑定的，因此不需要关键点归纳等后处理操作，在目标密集的场景下关键点检测更加准确。

技术领域

本发明属于图像处理领域，具体涉及一种基于YOLO的目标关键点检测方法。

背景技术

随着基于深度学习的关键点检测算法的广泛应用，出现了很多不同的关键点检测算法，现有各类算法各有优缺点。目前，关键点检测方法主要有“自上而下”和“自下而上”两种方式。“自上而下”，即先利用目标检测算法对图像中的目标进行检测，然后将检测到的每个目标小图送入关键点检测算法进行关键点检测，因此推理耗时会与目标数量呈线性关系，算法整体耗时较高且不稳定。“自下而上”，即先利用关键点检测网络对图像中的所有关键点进行检测，然后利用后处理操作将关键点进行归纳至每个目标，但当目标密集时很难将关键点正确归纳。此外，前期工作虽然能够检测关键点，但是存在推理耗时长，目标密集时准确率降低，缺乏关键点置信度信息的问题，不足以支撑后续的应用。

发明内容

本发明的目的在于针对解决背景技术中提出的问题，提出一种基于YOLO的目标关键点检测方法。

为实现上述目的，本发明所采取的技术方案为：

本发明提出的一种基于YOLO的目标关键点检测方法，包括获取样本图片，并在样本图片上标注目标框及所属的关键点，生成标签文件。

在YOLO卷积神经网络中加入与YOLO层并列的关键点检测层，构建得到目标关键点检测网络模型。

将样本图片和标签文件输入至目标关键点检测网络模型并利用整体损失函数进行迭代训练直至收敛。

将待检测图片输入至目标关键点检测网络模型中，目标关键点检测网络模型输出检测到的目标信息及关键点信息。

优选地，在样本图片上标注目标框及所属的关键点，包括：

在图片上标注目标框的中心坐标(x_b,y_b)、目标框的长宽(w_b,h_b)和类别，再标注每个目标框所属的关键点的坐标(x_k,y_k)和类别。

优选地，关键点检测层的输出通道数为N*3，其中N为关键点个数，每个关键点由横坐标、纵坐标和置信度3个参数表示。

优选地，整体损失函数包括目标框损失函数和关键点损失函数。

关键点损失函数包括关键点横纵坐标损失、每个关键点之间的距离损失和关键点置信度损失，所述关键点损失函数loss_keypoint表示如下：

loss_keypoint＝loss_xy+loss_distance+loss_confidence

其中，