本发明涉及目标检测技术领域，具体涉及一种落叶检测预测框损失函数计算方法。
背景技术：
目前，随着计算机视觉技术的发展，目标检测成为当前的研究热点，在环卫领域有着广泛的应用前景。路面的落叶清理是环卫工作的难点，尤其是园区和狭窄道路的落叶只能由人工清理，费时费力，因而，利用目标检测技术实现路面落叶的智能清理成为新的途径。
落叶检测的需求与一般的目标检测不同。单片落叶与成片落叶分布不均匀，对于成片落叶的清扫，只需检测落叶的成片区域即可。现有的目标检测算法可以很好的完成单片落叶的检测任务，但是检测成片落叶的结果很不理想，原因主要在于现有算法的预测框损失函数只注重于单片落叶损失的计算，没有考虑到成片落叶的复杂情况。所以，区分单片、成片落叶的高效目标检测算法成为迫切需求。
技术实现要素：
本发明提出了一种新的预测框损失函数—aiouloss(引力损失函数)用以解决成片落叶的检测问题。
本发明可通过以下技术方案实现：
一种适用于落叶检测的预测框损失函数计算方法，包括以下步骤：
步骤1：首先计算出已标定数据集的目标框中心点之间的欧式距离，求出其平均值lavg，并令δ＝lavg，δ表示判定阈值。
步骤2：假设共有n个预测框，下面开始计算n个预测框两两之间的距离。引入参数lpre表示预测框中心点之间的欧氏距离，对计算所得距离进行排序，得到
步骤3：当lprei＜δ时，判定为成片落叶，进入步骤4，否则进入步骤8。
步骤4：使用lprei的两个关联预测框的最小外接矩形来替代原本的两个预测框，获取最新的预测框b'。
步骤5：按照新预测框计算iou损失lfusing'，如下式：
其中，b'表示融合之后的预测框，g表示真实框，sb'∩g表示预测框与真实框的重合面积，sb'∪g表示预测框和真实框的面积和减去重合面积。
同时，计算原预测框与真实框的重合面积之比：
其中，sb∩g表示融合前的预测框和真实框重合面积，sb∪g表示融合前的真实框和真实框之和减去其重合面积。
如果lfusing'＜liou'，则判定为融合失败，转入步骤7。
如果lfusing'≥liou'，则判定为成功融合，使用新的大预测框替代原来的两个预测框参与损失函数计算，即
其中，b'和g分别代表新预测框和真实框，c为预测框和真实框的最小外接矩形。
步骤6：剩余预测框数量为n-1，返回步骤2，再次进行距离计算，进行下一次迭代。
步骤7：放弃对当前预测框的融合处理，转入步骤3，进行lprei 1的计算。
步骤8：融合过程结束，判定为单片落叶时，进入单片落叶处理过程，其预测框损失函数如下所示：
其中，iou为预测框和真实框的iou损失，ρ为预测框和真实框中心点之间的欧氏距离，b和g分别代表预测框和真实框，c为预测框和真实框的最小外接矩阵的对角线长度。
步骤9：为了同时实现单片落叶与成片落叶的损失函数计算，定义aiouloss函数如下：
laiou＝liou lfusing，
其中，laiou是总的损失函数值，liou使得单片落叶目标的预测框和匹配上的目标框尽可能接近，lfusing是使得成片落叶目标的预测框和匹配上的目标框尽可能接近。
步骤10：根据实验的验证效果与实际应用场景，对δ进行微调。如果落叶清扫单位覆盖面积大，可以增大δ，获得更大的成片落叶面积，提高清扫效率；如果落叶清扫单位覆盖面积较小，可以减小δ，取得更好的清扫效果。
本发明技术思路为独创，与现有的技术相比，可以有效解决落叶检测过程中单片与成片落叶难以区分的问题。
附图说明
图1为本发明的算法流程图。
具体实施方式
本发明提出了一种新的预测框损失函数—aiouloss(引力损失函数)用以解决成片落叶的检测问题，下面对本发明做进一步说明。
本发明可通过以下技术方案实现：
一种适用于落叶检测的预测框损失函数计算方法，包括以下步骤：
步骤1：首先计算出已标定数据集的目标框中心点之间的欧式距离，求出其平均值lavg，并令lavg＝δ。δ表示判定阈值。
步骤2：假设共有n个预测框，下面开始计算n个预测框两两之间的距离。引入参数lpre表示预测框中心点之间的欧氏距离，对计算所得距离进行排序，得到：
步骤3：当lprei＜δ时，判定为成片落叶，进入步骤4，否则进入步骤8。
步骤4：使用lprei的两个关联预测框的最小外接矩形来替代原本的两个预测框，获取最新的预测框b'。
步骤5：按照新预测框计算iou损失lfusing'，如下式：
其中，b'表示融合之后的预测框，g表示真实框，sb'∩g表示预测框与真实框的重合面积，sb'∪g表示预测框和真实框的面积和减去重合面积。
同时，计算原预测框与真实框的重合面积之比：
其中，sb∩g表示融合前的预测框和真实框重合面积，sb∪g表示融合前的真实框和真实框之和减去其重合面积。
如果lfusing′＜liou′，则判定为融合失败，转入步骤7。
如果lfusing'≥liou'，则判定为成功融合，使用新的大预测框替代原来的两个预测框参与损失函数计算，即
其中，b'和g分别代表新预测框和真实框，c为预测框和真实框的最小外接矩形。
步骤6：剩余预测框数量为n-1，返回步骤2，再次进行距离计算，进行下一次迭代。
步骤7：放弃对当前预测框的融合处理，转入步骤3，进行lprei 1的计算。
步骤8：融合过程结束，判定为单片落叶时，进入单片落叶处理过程，其预测框损失函数如下所示：
其中，iou为预测框和真实框的iou损失，ρ为预测框和真实框中心点之间的欧氏距离，b和g分别代表预测框和真实框，c为预测框和真实框的最小外接矩阵的对角线长度。
步骤9：为了同时实现单片落叶与成片落叶的损失函数计算，定义aiouloss函数如下：
laiou＝liou lfusing，
其中，laiou是总的损失函数值，liou使得单片落叶目标的预测框和匹配上的目标框尽可能接近，lfusing是使得成片落叶目标的预测框和匹配上的目标框尽可能接近。
步骤10：根据实验的验证效果与实际应用场景，对δ进行微调。如果落叶清扫单位覆盖面积大，可以增大δ，获得更大的成片落叶面积，提高清扫效率；如果落叶清扫单位覆盖面积较小，可以减小δ，取得更好的清扫效果。
