一种基于多尺度融合遮挡感知关系的目标识别方法

本发明属于目标识别，具体地涉及一种基于多尺度融合遮挡感知关系的目标识别方法。

背景技术：

1、目标识别作为计算机视觉领域的核心任务之一，旨在从图像或视频中自动定位并识别预定义类别的物体实例。近年来，随着人工智能技术的迅猛发展，目标识别算法已被广泛应用于自动驾驶、智能安防监控、智慧城市等现实场景中。然而，真实的物理世界充满了高度的不确定性和动态变化，其中“目标遮挡”与“密集重叠”是制约现有视觉感知系统鲁棒性与可靠性的核心瓶颈。

2、现有的目标识别技术主要经历了从卷积神经网络到基于transformer的端到端检测架构的演进，但在应对复杂遮挡环境时，依然存在以下显著的技术缺陷：

3、1.局部判别性特征易丢失与“采样点漂移”问题。

4、在基于cnn的传统目标检测器中，当目标被严重遮挡时，其裸露在外的可见区域极小，传统的局部卷积操作极易将这些微小的判别性特征，如边缘、纹理，与背景噪声或遮挡物特征平滑混淆。为了突破cnn的局部感受野局限，近年来基于transformer的检测模引入了可变形注意力机制。然而，这种机制高度依赖查询向量来预测采样点的偏移量。当目标的参考点周围被遮挡物完全覆盖时，模型极易陷入“盲目预测”状态，导致特征提取过程中发生严重的“采样点漂移”。采样点无法精准捕捉目标裸露在外的微小碎片，导致关键特征提取失败，进而引发定位不准或直接漏检。

5、2.缺乏显式物理关系推理引发的“查询冲突”与身份混淆。

6、在多目标相互遮挡、重叠度极高的密集场景下，模型不仅需要提取特征，还需要理清目标间的空间重叠关系。现有的transformer检测解码器大多依赖查询向量之间的“隐式内容相似度”进行交互建模。这种纯粹基于特征相似度的隐式交互，无法有效区分目标的几何位置关系与物理遮挡。物理遮挡关系推理能力的缺失，导致模型在处理高度重叠的边界框时极易引发“查询冲突”。例如，当两个目标的特征高度重叠时，模型往往会错误地抑制背景中被遮挡目标的响应，产生严重的身份混淆甚至导致大量有效目标在解码阶段丢失，大幅降低了密集场景下的召回率。

7、综上所述，现有的目标识别算法在应对复杂密集遮挡场景时，难以兼顾特征提取的精准度与多目标识别的召回率。

技术实现思路

1、为了解决现有方法难以兼顾特征提取的精准度与多目标识别的召回率的问题,本发明提供一种基于多尺度融合遮挡感知关系的目标识别方法。

2、本发明的目的通过以下技术方案来实现：

3、本发明提供一种基于多尺度融合遮挡感知关系的目标识别方法，包括以下步骤：

4、获取待检测图像并提取所述待检测图像的至少两个尺度且通道数一致的特征图；

5、对所述特征图进行全局和局部特征增强操作得到增强特征序列；

6、基于交并比、深度先后顺序以及尺度差异提取所述增强特征序列中目标的物理遮挡关系特征向量，并根据所述物理遮挡关系特征向量生成综合注意力偏置矩阵；

7、将所述综合注意力偏置矩阵叠加于自注意力的相似度矩阵之上进行融合遮挡感知关系的自注意力交互；以上一层的参考边界框为基准进行多尺度交叉特征采样，经非线性映射后输入至分类与回归分支进行多任务解耦预测与坐标迭代更新，逐层递进输出目标类别与边界框坐标。

8、本发明与现有技术相比，至少具有以下优点和有益效果：

9、本发明的方法通过提取待检测图像的多尺度特征图，基于目标间的交并比、深度先后顺序以及尺度差异显式量化为物理遮挡偏置，在遮挡感知关系解码器中，将所述物理遮挡偏置与几何位置偏置融合并注入自注意力计算中，使模型主动感知目标间物理遮挡逻辑，进而输出精确的目标边界框与类别。采用该方法，有效解决了严重密集遮挡场景下的目标身份混淆与漏检问题，实现了召回率与检测精度的稳健提升。

1.一种基于多尺度融合遮挡感知关系的目标识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于多尺度融合遮挡感知关系的目标识别方法，其特征在于：所述提取所述待检测图像的多尺度特征图包括：

3.根据权利要求1所述的基于多尺度融合遮挡感知关系的目标识别方法，其特征在于：所述对所述特征图进行全局和局部特征增强操作得到增强特征序列，包括：

4.根据权利要求3所述的基于多尺度融合遮挡感知关系的目标识别方法，其特征在于：所述采用局部金字塔注意力模块mlp对所述特征图x进行全局和局部注意力增强操作，包括：

5.根据权利要求3所述的基于多尺度融合遮挡感知关系的目标识别方法，其特征在于：所述基于参考点的领域内的局部几何先验特征与对应的特征向量预测出对应的偏移量,包括:

6.根据权利要求3所述的基于多尺度融合遮挡感知关系的目标识别方法，其特征在于：所述基于所述参考点、偏移量和注意力权重通过双线性插值在多尺度特征图上进行特征采样与加权聚合，经残差连接与非线性变换后得到增强特征序列，包括：

7.根据权利要求1所述的基于多尺度融合遮挡感知关系的目标识别方法，其特征在于：所述基于交并比、深度先后顺序以及尺度差异提取所述增强特征序列中的目标的物理遮挡关系特征向量，并根据所述物理遮挡关系特征向量生成综合注意力偏置矩阵，包括：

8.根据权利要求7所述的基于多尺度融合遮挡感知关系的目标识别方法，其特征在于：所述基于交并比、深度先后顺序以及尺度差异提取所述增强特征序列中第一查询向量和第二查询向量的物理遮挡关系特征向量包括：

9.根据权利要求1所述的基于多尺度融合遮挡感知关系的目标识别方法，其特征在于：所述将所述物理遮挡关系特征向量映射为第一物理遮挡关系偏置矩阵，对所述第一物理遮挡关系偏置矩阵和第二物理遮挡关系偏置矩阵进行加权融合，得到综合注意力偏置矩阵，包括：

10.根据权利要求1所述的基于多尺度融合遮挡感知关系的目标识别方法，其特征在于：所述将所述综合注意力偏置矩阵叠加于自注意力的相似度矩阵之上进行融合遮挡感知关系的自注意力交互；以上一层的参考边界框为基准进行多尺度交叉特征采样，经非线性映射后输入至分类与回归分支进行多任务解耦预测与坐标迭代更新，逐层递进输出目标类别与边界框坐标，包括：