(19)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 202211064641.4 (22)申请日 2022.09.01 (71)申请人 中国人民解 放军国防科技大 学 地址 410073 湖南省长 沙市开福区德雅路 109号 (72)发明人 苏昂　王堃　李璋　滕锡超　 (74)专利代理 机构 长沙国科天河知识产权代理 有限公司 432 25 专利代理师 段盼姣 (51)Int.Cl. G06V 20/70(2022.01) G06V 10/80(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06T 7/66(2017.01)G06T 7/62(2017.01) G06T 3/60(2006.01) (54)发明名称 基于高斯分布的旋转目标检测方法和装置 (57)摘要 本申请涉及计算机技术领域， 具体是一种基 于高斯分布的旋转目标检测方法和装置。 方法包 括： 获取图像数据， 采用旋转框标注图像数据中 的目标， 并根据图像数据， 构建训练数据集以及 测试数据集； 根据深度残差网络、 特征金字塔网 络、 分类子网络以及回归子网络， 构建目标预检 测模型； 采用二维高斯分布代 替旋转框对目标进 行表示， 并设计基于二维高斯分布的损失函数； 根据损失函数以及训练数据集， 对目标预检测模 型进行训练， 得到旋转目标检测模型； 根据旋转 目标检测模型， 对所述测试数据集进行测试， 得 到最终目标检测结果。 采用本方法能够解决由旋 转角引起的如角度周期性等一系列影响定位精 度的问题。 权利要求书4页 说明书11页 附图4页 CN 115424267 A 2022.12.02 CN 115424267 A 1.一种基于高斯分布的旋转目标检测方法， 其特 征在于， 包括： 获取图像数据， 采用旋转框标注所述图像数据中的目标， 并根据 所述图像数据， 构建训 练数据集以及测试 数据集； 根据深度残差网络、 特征金字塔网络、 分类子网络以及回归子网络， 构建目标预检测模 型； 采用二维高斯分布代替所述旋转框对目标进行表示， 并设计基于二维高斯分布的损失 函数； 根据所述损 失函数以及所述训练数据集， 对所述目标预检测模型进行训练， 得到旋转 目标检测模型； 根据所述旋转目标检测模型， 对所述测试 数据集进行测试， 得到最终目标检测结果。 2.根据权利要求1所述的方法， 其特征在于， 采用二维高斯分布代替所述旋转框对目标 进行表示包括： 采用旋转框(x,y,w,h, θ )标注目标， 其中， (x,y)表示旋转框中心点在原图像中的坐标， w,h分别表示旋转框的长边和短边， θ表示旋转框 长边与原图水平向右的方向的夹角； 二维高斯分布 包含5个不同的参数( μx, μy, σx, σy, σxy)， 其中： μ＝( μx, μy) 由旋转框(x,y,w,h, θ )转换为 二维高斯分布的过程如下： ( μx, μy)＝(x,y) 即， σx, σy, σxy可以表示 为： 3.根据权利要求2所述的方法， 其特征在于， 设计基于二维高斯分布的损 失函数包括： 所述损失函数采用多任务联合损失函数； L＝Lcls+λLreg 式中， L为多任务联合损失函数， Lcls为分类损失， Lreg为基于高斯分布的回归损失， λ为 可调节的超参数；权　利　要　求　书 1/4 页 2 CN 115424267 A 2cn＝[cn(0),cn(1),cn(2),…,cn(C)] cn(0)∈[0,1] cn(i)∈[0,1] 式中， Np为预测的结果的数量， Npos为正样本的数量， γ为可调的超参数； 式中， objn表示一个二进制值， L1(a,b)表示向量a和b的L1范数， ( μxp, μyp, σxp, σyp, σxyp) 表示网络预测的目标高斯分布表示， ( μxt, μyt, σxt, σyt, σxyt)表示目标高斯分布表示真值， (xa,ya,wa,ha)表示当前锚框的中心点和宽高。 4.根据权利要求1至3任一项所述的方法， 其特征在于， 根据所述损 失函数以及所述训 练数据集， 对所述目标 预检测模型进行训练， 得到 旋转目标检测模型包括： 令迭代次数为0， 初始化所述目标 预检测模型； 迭代次数加1， 将所述训练数据集中的图像输入所述目标预检测模型， 计算所述损失函 数； 判断迭代次数小于预设的阈值时， 根据所述损失函数更新所述目标预检测模 型的参数， 得到当前目标 预检测模型； 迭代次数加1， 重新将所述训练数据集中的图像输入当前目标预检测模型， 重新计算损 失函数， 重新判断迭代 次数， 直至迭代 次数达到预设的阈值时， 停止训练， 输出当前目标预 检测模型为旋转目标检测模型。 5.根据权利要求1至3任一项所述的方法， 其特征在于， 根据深度残差网络、 特征金字塔 网络、 分类子网络以及回归子网络， 构建目标 预检测模型包括： 采用深度残差网络作为特 征提取网络； 采用特征金字塔网络通过自上而下的连接和横向连接实现不同层级 间的特征融合， 得权　利　要　求　书 2/4 页 3 CN 115424267 A 3