一种环形编码标志的深度学习检测方法

本发明涉及图像处理，尤其是指一种环形编码标志的深度学习检测方法。

背景技术：

1、环形编码标志因定位精度高、部署灵活且具备唯一身份标识，在摄影测量、相机标定、大规模三维重建及工业视觉测量等领域得到广泛应用。在实际工程应用中，标志常面临光照变化、运动模糊、背景杂乱等复杂成像条件，因此需要可靠且鲁棒的检测与识别方法。传统方法依赖手工设计特征和启发式规则，算法流程繁琐且对复杂成像条件的适应能力有限，识别召回率较低，处理效率难以满足大规模应用场景的需求。

2、近年来，深度学习技术被引入编码标志检测领域，以期提升检测的鲁棒性。然而，现有深度学习方法多局限于小规模标志集合，难以扩展至包含数百上千个唯一标识的大规模场景。具体而言，现有方法普遍存在以下不足：第一，大规模码库中不同标志点的视觉特征高度相似，细粒度差异难以区分，而传统深度学习方法多采用通用独热编码或嵌入学习方式表征标志类别，未利用环形编码的二进制结构先验，导致在数百至数千类大码库下识别准确率严重下降；第二，环形编码标志具有循环等价特性，即同一物理标志因读取起始位置不同可对应多种不同的二进制序列，传统固定标签或最小编码策略在监督训练过程中引入标签歧义和样本分布偏移，影响模型训练的稳定性与泛化能力；第三，大规模真实标注数据获取成本高昂，而纯合成数据与真实成像分布之间存在域偏移，导致模型在实际部署时泛化不足。

3、综上所述，现有基于深度学习的环形编码标志检测方法在处理大规模码库场景时面临识别精度低、训练不稳定及数据获取困难等核心技术瓶颈，亟需一种能够显式利用环形编码结构先验、有效处理循环等价特性且兼顾数据规模与真实性的鲁棒检测方案。

技术实现思路

1、本发明所要解决的技术问题是：现有基于深度学习的环形编码标志检测方法在大规模码库下，采用独热编码或嵌入式编码进行网络训练时，由于码字维度急剧增长导致特征空间稀疏、类间区分性不足，使得网络难以学习到有效的判别特征，识别准确率随码库规模增大而显著退化。本发明根据标志的结构先验引入二进制的编码方式，并在网络训练时提出了循环感知的动态标签匹配策略，解决了因循环等价特性导致同一标志产生多种二进制表示从而引起的身份识别模糊问题，提升了网络训练效果和标志点识别能力。

2、本发明实施例提供了一种环形编码标志的深度学习检测方法，包括以下步骤：

3、获取待检测图像；

4、将所述待检测图像输入训练完成的编码标志检测网络，经网络前向计算，输出候选目标的置信度、边界框回归参数以及n维二进制编码概率向量，其中，n为环形编码标志的二进制编码位数，且n为正整数；

5、对每个候选目标的所述n维二进制编码概率向量进行二值化处理，得到该候选目标的n位二进制编码；

6、将各候选目标的所述n位二进制编码转换为最小循环移位值，并将所述最小循环移位值映射为类别编号；

7、根据所述边界框回归参数确定各候选目标的中心坐标，并对所述中心坐标进行空间聚类，得到至少一个聚类簇；

8、统计每个聚类簇内所有候选目标的类别编号的出现频次，将出现频次最高的类别编号确定为该聚类簇对应环形编码标志的最终身份标识；

9、对属于所述最终身份标识的候选目标的边界框回归参数进行平均处理，将平均处理所得边界框作为该环形编码标志的最终边界框。

10、本发明的有益效果在于：针对大规模码库下细粒度区分困难的问题，采用n维二进制编码向量直接表征标志身份，利用编码结构先验避免了分类器复杂度随类别数线性增长；针对二进制编码向量因循环等价特性导致的标签歧义，在训练阶段引入循环感知动态标签匹配机制，通过选取所有循环移位版本中损失最小的版本作为监督信号，消除标签歧义并使各编码位样本分布趋于均衡，同时在推理阶段将二进制编码转换为最小循环移位值后映射为类别编号，确保同一物理标志始终对应唯一身份标识；针对真实标注数据获取困难及合成数据域偏移问题，构建了物理合成渲染数据与多视图几何自动标注真实数据相结合的混合训练数据集，兼顾数据规模与真实性，有效提升了模型的泛化鲁棒性；在此基础上，进一步通过空间聚类与多数投票融合消除重复检测冲突，并对边界框参数进行平均处理抑制定位偏差，从而在复杂成像条件下实现了环形编码标志身份与位置的高精度鲁棒检测。

1.一种环形编码标志的深度学习检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的环形编码标志的深度学习检测方法，其特征在于，所述编码标志检测网络通过以下步骤训练获得：

3.根据权利要求2所述的环形编码标志的深度学习检测方法，其特征在于，所述训练样本包括物理合成渲染数据和多视图几何自动标注真实数据。

4.根据权利要求3所述的环形编码标志的深度学习检测方法，其特征在于，所述物理合成渲染数据按以下方式生成：

5.根据权利要求3所述的环形编码标志的深度学习检测方法，其特征在于，所述多视图几何自动标注真实数据按以下方式生成：

6.根据权利要求2所述的环形编码标志的深度学习检测方法，其特征在于，所述分类损失为二元交叉熵损失，所述选取最小分类损失包括：

7.根据权利要求1所述的环形编码标志的深度学习检测方法，其特征在于，所述对每个候选目标的所述n维二进制编码概率向量进行二值化处理，包括：