技术摘要：
本发明涉及物体检测领域，尤其涉及一种基于序列优化的物体检测的方法及系统。其中，该方法包括：检测图像获得对应物体的候选框；计算候选框的重合度IOU；基于重合度IOU对候选框进行聚类，确定属于同一类的候选框；将属于同一类的候选框及其图像输入到神经网络中，以获  全部
背景技术：
物体检测领域中，通过检测出物体对应的很多物体框之后，最后将这些框融合起 来找到最好的检测结果。而现有的非极大值抑制(NMS)方法就是融合这些框的一种主流方 法，主要考虑检测出的物体框的几何关系，通过类似贪心的算法将物体框按照检测分数从 高到低排序保留分数最大的框，然后去掉和该框重合度IOU大于某一固定阈值的其他框，之 后加入分数第二大的框。但其不考虑检测中物体图像的视觉信息的特点，因而对相邻物体 的检测处理效果很差。 因此，需要对现有的非极大抑制处理进行优化，提高物体检测的准确性和正确性。
技术实现要素：
鉴于上述问题，提出了本发明以便提供一种克服上述缺陷或者至少部分地解决上 述问题的基于序列优化的物体检测的方法及系统。 第一方面，本发明提供一种基于序列优化的物体检测的方法，其特征在于，包括： 检测图像获得对应物体的候选框；计算候选框的重合度IOU；基于重合度IOU对候选框进行 聚类，确定属于同一类的候选框；将属于同一类的候选框及其图像输入到神经网络中，以获 得对应物体的检测的结果。 其中，检测图像获得对应物体的候选框，具体包括：通过目标检测算法对图像中的 前景和/或背景的物体进行检测； 获得对应物体的候选框；其中，每个候选框具有相应的置信度得分和位置信息。 其中，计算候选框的重合度IOU，具体包括：根据置信度得分排序，选择对应物体的 候选框中置信度得分最高的候选框；根据候选框的位置信息，计算对应物体的所有的候选 框各自的面积；根据候选框的面积，计算对应物体的置信度得分最高的候选框与对应物体 的其他候选框的重合度IOU。 其中，基于重合度IOU对候选框进行聚类，确定属于同一类的候选框，具体包括：基 于所述重合度IOU，对检测图像中的全部候选框进行聚类；输出各个聚为同一类的候选框的 集合。 其中，基于所述重合度IOU，对检测图像中的全部候选框进行聚类，具体包括：使用 图聚类算法，以每个候选框作为顶点，基于所述重合度IOU确定两两顶点间距离的矩阵作为 聚类的输入，获得各个聚为同一类的顶点的集合，每个顶点的集合为对应的候选框的集合。 其中，将属于同一类的候选框输入到神经网络中，以获得对应物体的检测的结果， 具体包括：将聚为同一类的候选框的集合中的候选框所在的图像，分别转换为特征向量，输 入到训练好的神经网络中，通过匹配算法确定哪些候选框所在图像是检测到的正确的对应 4 CN 111598078 A 说　明　书 2/10 页 物体，将相应的候选框作为对应物体的检测的结果输出。 其中，所述神经网络，具体包括：RNN模型、或LSTM模型。 第二方面，本发明还提供了一种基于序列优化的物体检测的系统，其特征在于，包 括：检测模块，用于检测图像获得对应物体的候选框；重合度IOU计算模块，用于计算候选框 的重合度IOU；聚类模块，用于基于重合度IOU对候选框进行聚类，确定属于同一类的候选 框；确定检测结果模块，用于将属于同一类的候选框及其图像输入到神经网络中，以获得对 应物体的检测的结果。 其中，所述检测模块具体包括：通过目标检测算法对图像中的前景和/或背景的物 体进行检测； 获得对应物体的候选框；其中，每个候选框具有相应的置信度得分和位置信息。 其中，所述重合度IOU计算模块具体包括：根据置信度得分排序，选择对应物体的 候选框中置信度得分最高的候选框；根据候选框的位置信息，计算对应物体的所有的候选 框各自的面积；根据候选框的面积，计算对应物体的置信度得分最高的候选框与对应物体 的其他候选框的重合度IOU。 其中，所述聚类模块，具体包括：基于所述重合度IOU，对检测图像中的全部候选框 进行聚类；输出各个聚为同一类的候选框的集合。 其中，所述聚类模块还包括：使用图聚类算法，以每个候选框作为顶点，基于所述 重合度IOU确定两两顶点间距离的矩阵作为聚类的输入，获得各个聚为同一类的顶点的集 合，每个顶点的集合为对应的候选框的集合。 其中，所述确定检测结果模块，具体包括：将聚为同一类的候选框的集合中的候选 框所在的图像，分别转换为特征向量，输入到训练好的神经网络中，通过匹配算法确定哪些 候选框所在图像是检测到的正确的对应物体，将相应的候选框作为对应物体的检测的结果 输出。 其中，所述神经网络具体包括：RNN模型、或LSTM模型。 第三方面，本发明还提供了一种计算设备，包括存储器、处理器及存储在存储器上 并可在处理器上运行的计算机程序，所述处理器执行上述的方法步骤。 第四方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该 程序被处理器执行时实现上述的方法步骤。 本发明实施例中的一个或多个技术方案，至少具有如下技术效果或优点： 本发明提供的基于序列优化的物体检测方案，改进了通过单以固定阈值和仅考虑 物体检测候选框几何位置关系融合候选框的非极大值抑制的方式，结合候选框所在区域图 像内容(语义和对象分割)等视觉信息的特点，通过序列优化非极大值抑制处理，能更好地 处理相邻物体重合的问题，提升了物体检测的准确性和正确性。 附图说明 通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通 技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明 的限制。而且在整个附图中，用相同的参考图形表示相同的部件。在附图中： 图1示出了本发明基于序列优化的物体检测的方法的一实施例对应的检测场景示 5 CN 111598078 A 说　明　书 3/10 页 意图； 图2示出了本发明基于序列优化的物体检测的方法的一实施例的步骤流程示意 图； 图3示出了本发明基于序列优化的物体检测的系统的一实施例的结构示意框图； 图4示出了本发明实施例中一种计算设备的结构示意框图。