【技術實現步驟摘要】
本專利技術涉及目標檢測，更具體地說，本專利技術涉及一種大規模目標檢測數據樣本的生成方法。
技術介紹
1、目標檢測是計算機視覺領域中的重要研究方向，廣泛應用于自動駕駛、安防監控、智能制造等場景。在目標檢測任務中，訓練模型通常依賴于大規模圖像數據集。然而，現有技術中圖像數據集的類別分布往往呈現長尾分布，即少數類別樣本數量極少，而多數類別樣本數量豐富。這種數據分布不均會導致稀有類別樣本在訓練過程中權重不足，從而影響模型對稀有類別的檢測能力。
2、為了提升數據集的均衡性，現有技術常通過數據增強方法生成合成圖像，通常未充分考慮目標對象與背景之間的整體匹配關系及其對數據質量的影響，容易導致合成圖像中目標對象與背景的融合效果不佳。這樣會造成合成數據質量不高，進而影響模型對稀有類別目標的檢測性能。
3、為了解決上述問題，現提供一種技術方案。
技術實現思路
1、為了克服現有技術的上述缺陷，本專利技術的實施例提供一種大規模目標檢測數據樣本的生成方法以解決上述
技術介紹
中提出的問題。
2、為實現上述目的，本專利技術提供如下技術方案：
3、一種大規模目標檢測數據樣本的生成方法，包括如下步驟：
4、s1：獲取包含多類別目標對象標注的初始圖像數據集，計算各類別目標對象的出現頻率，確定出現頻率低于預設閾值的類別為稀有類別；
5、s2：對包含稀有類別目標對象的圖像：通過對目標對象與背景的運動特性進行分析，評估目標對象與背景的動態行為是否存在異常
6、s3：基于目標對象與背景的動態行為是否存在異常和目標對象在背景中的結構特性是否匹配，判斷目標對象與背景的可區分程度是否異常；
7、s4：對目標對象與背景的可區分程度異常的目標對象，采用對比度增強算法調整目標對象的像素強度，并基于場景匹配算法篩選得到符合目標對象特征的背景圖像；
8、s5：將調整后的目標對象嵌入篩選出的背景圖像中生成合成圖像，并將合成圖像加入初始圖像數據集，形成擴充后的圖像數據集。
9、在一個優選的實施方式中，獲取包含多類別目標對象標注的初始圖像數據集，計算各類別目標對象的出現頻率，確定出現頻率低于預設閾值的類別為稀有類別，具體為：
10、采集包含多類別目標對象的原始圖像，并對采集的原始圖像進行預處理，預處理包括圖像質量校正、尺寸標準化和噪聲過濾；
11、對預處理后的原始圖像進行目標標注，標注信息包括目標對象的類別和在圖像中的位置信息，形成標注圖像數據；
12、將標注圖像數據整合為初始圖像數據集，并對初始圖像數據集中的目標對象類別進行統計分析，計算每個目標對象類別在整個初始圖像數據集中的出現頻率；
13、將出現頻率低于預設閾值的目標對象類別確定為稀有類別。
14、在一個優選的實施方式中，通過對目標對象與背景的運動特性進行分析，評估目標對象與背景的動態行為是否存在異常，具體為：
15、提取包含稀有類別目標對象的圖像序列，并通過光流算法計算目標對象和背景的運動矢量場；
16、對目標對象的運動矢量進行軌跡建模，生成基于時序特征的目標對象運動軌跡；
17、通過背景區域的運動矢量場進行聚類分析，構建背景運動模式并提取背景動態行為特征；
18、將目標對象運動軌跡與背景動態行為特征進行對比分析，計算運動匹配度并記錄差異特征；
19、根據運動匹配度判斷目標對象與背景的動態行為是否存在異常。
20、在一個優選的實施方式中，通過對目標對象與背景的幾何復雜度進行分析，評估目標對象在背景中的結構特性是否匹配，具體為：
21、提取稀有類別目標對象及其所在圖像的區域特征，分離目標對象區域和背景區域；
22、分別計算目標對象區域和背景區域的幾何復雜度，幾何復雜度包括邊緣密度和分形維數；
23、對目標對象區域和背景區域的幾何復雜度進行對比分析，量化目標對象區域和背景區域的復雜度差異；
24、基于目標對象區域和背景區域的復雜度差異計算幾何匹配度；
25、根據幾何匹配度的偏離程度，判斷目標對象在背景中的結構特性是否匹配。
26、在一個優選的實施方式中，基于目標對象與背景的動態行為是否存在異常和目標對象在背景中的結構特性是否匹配，判斷目標對象與背景的可區分程度是否異常，具體為：
27、當目標對象與背景的動態行為不存在異常，且目標對象在背景中的結構特性匹配時，則判定目標對象與背景的可區分程度正常；否則，則判定目標對象與背景的可區分程度異常。
28、在一個優選的實施方式中，對目標對象與背景的可區分程度異常的目標對象，采用對比度增強算法調整目標對象的像素強度，具體為：
29、提取目標對象所在區域的像素值，基于直方圖均衡化方法重新分布像素強度值，以拉伸目標對象的像素對比度范圍；
30、進一步對像素值進行自適應對比度限制處理，避免過度增強導致的圖像偽影；
31、將調整后的目標對象像素值替換原始圖像中對應區域的像素值，形成經過對比度增強的目標對象區域。
32、在一個優選的實施方式中，基于場景匹配算法篩選得到符合目標對象特征的背景圖像，具體為：
33、通過提取目標對象的特征信息生成目標對象的多維特征向量，目標對象的特征信息包括顏色分布、紋理特征和形狀特征；
34、從背景圖像數據庫中提取每幅背景圖像的特征信息，并將每幅背景圖像表示為特征向量；
35、基于目標對象的多維特征向量與背景圖像特征向量的相似性計算結果，通過預設的相似性度量標準進行匹配，篩選相似度最高的背景圖像，確定符合目標對象特征的背景圖像。
36、在一個優選的實施方式中，將調整后的目標對象嵌入篩選出的背景圖像中生成合成圖像，并將合成圖像加入初始圖像數據集，形成擴充后的圖像數據集，具體為：
37、對調整后的目標對象進行透明化處理，提取目標對象的像素信息和輪廓特性；
38、根據目標對象與篩選出的背景圖像的幾何匹配關系，確定目標對象在背景圖像中的嵌入位置；
39、將目標對象按照預設比例縮放至目標尺寸，以保持目標對象與背景圖像的比例協調；
40、利用圖像融合算法將目標對象嵌入至背景圖像中，融合時根據背景區域的顏色特征調整目標對象的邊緣像素；
41、將生成的合成圖像加入初始圖像數據集，更新擴充后的圖像數據集結構，并標記新增圖像的類別信息和位置關系。
42、本專利技術一種大規模目標檢測數據樣本的生成方法的技術效果和優點：
43、1、本專利技術通過綜合分析目標對象與背景之間的動態行為和幾何復雜度特性，結合對目標對象與背景可區分程度的評估結果，優化了稀有類別目標對象在合成圖像中的呈現效果。相比于現有技術單純依賴隨機本文檔來自技高網...
【技術保護點】
1.一種大規模目標檢測數據樣本的生成方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種大規模目標檢測數據樣本的生成方法，其特征在于，獲取包含多類別目標對象標注的初始圖像數據集，計算各類別目標對象的出現頻率，確定出現頻率低于預設閾值的類別為稀有類別，具體為：
3.根據權利要求1所述的一種大規模目標檢測數據樣本的生成方法，其特征在于，通過對目標對象與背景的運動特性進行分析，評估目標對象與背景的動態行為是否存在異常，具體為：
4.根據權利要求1所述的一種大規模目標檢測數據樣本的生成方法，其特征在于，通過對目標對象與背景的幾何復雜度進行分析，評估目標對象在背景中的結構特性是否匹配，具體為：
5.根據權利要求1所述的一種大規模目標檢測數據樣本的生成方法，其特征在于，基于目標對象與背景的動態行為是否存在異常和目標對象在背景中的結構特性是否匹配，判斷目標對象與背景的可區分程度是否異常，具體為：
6.根據權利要求1所述的一種大規模目標檢測數據樣本的生成方法，其特征在于，對目標對象與背景的可區分程度異常的目標對象，采用對比度增
7.根據權利要求1所述的一種大規模目標檢測數據樣本的生成方法，其特征在于，基于場景匹配算法篩選得到符合目標對象特征的背景圖像，具體為：
8.根據權利要求1所述的一種大規模目標檢測數據樣本的生成方法，其特征在于，將調整后的目標對象嵌入篩選出的背景圖像中生成合成圖像，并將合成圖像加入初始圖像數據集，形成擴充后的圖像數據集，具體為：
...【技術特征摘要】
1.一種大規模目標檢測數據樣本的生成方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種大規模目標檢測數據樣本的生成方法，其特征在于，獲取包含多類別目標對象標注的初始圖像數據集，計算各類別目標對象的出現頻率，確定出現頻率低于預設閾值的類別為稀有類別，具體為：
3.根據權利要求1所述的一種大規模目標檢測數據樣本的生成方法，其特征在于，通過對目標對象與背景的運動特性進行分析，評估目標對象與背景的動態行為是否存在異常，具體為：
4.根據權利要求1所述的一種大規模目標檢測數據樣本的生成方法，其特征在于，通過對目標對象與背景的幾何復雜度進行分析，評估目標對象在背景中的結構特性是否匹配，具體為：
5.根據權利要求1所述的一種大規模目標檢測數...
【專利技術屬性】
技術研發人員：陳雷，鄭煦，
申請(專利權)人：北京南天智聯信息科技股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。