9.3. 目标检测和边界框

在前面的一些章节中，我们介绍了诸多用于图像分类的模型。在图像分类任务里，我们假设图像里只有一个主体目标，并关注如何识别该目标的类别。然而，很多时候图像里有多个我们感兴趣的目标，我们不仅想知道它们的类别，还想得到它们在图像中的具体位置。在计算机视觉里，我们将这类任务称为目标检测（objectdetection）或物体检测。

目标检测在多个领域中被广泛使用。例如，在无人驾驶里，我们需要通过识别拍摄到的视频图像里的车辆、行人、道路和障碍的位置来规划行进线路。机器人也常通过该任务来检测感兴趣的目标。安防领域则需要检测异常目标，如歹徒或者炸弹。

在接下来的几节里，我们将介绍目标检测里的多个深度学习模型。在此之前，让我们来了解目标位置这个概念。先导入实验所需的包或模块。

  1. In [1]:
  1. %matplotlib inline
  2. import d2lzh as d2l
  3. from mxnet import image

下面加载本节将使用的示例图像。可以看到图像左边是一只狗，右边是一只猫。它们是这张图像里的两个主要目标。

  1. In [2]:
  1. d2l.set_figsize()
  2. img = image.imread('../img/catdog.jpg').asnumpy()
  3. d2l.plt.imshow(img);  # 加分号只显示图

../_images/chapter_computer-vision_bounding-box_3_0.svg

9.3.1. 边界框

在目标检测里，我们通常使用边界框（boundingbox）来描述目标位置。边界框是一个矩形框，可以由矩形左上角的

9.3. 目标检测和边界框 - 图2 和 9.3. 目标检测和边界框 - 图3 轴坐标与右下角的 9.3. 目标检测和边界框 - 图4 和 9.3. 目标检测和边界框 - 图5 轴坐标确定。我们根据上面的图的坐标信息来定义图中狗和猫的边界框。图中的坐标原点在图像的左上角，原点往右和往下分别为 9.3. 目标检测和边界框 - 图6 轴和 9.3. 目标检测和边界框 - 图7 轴的正方向。

  1. In [3]:
  1. # bbox是bounding box的缩写
  2. dog_bbox, cat_bbox = [60, 45, 378, 516], [400, 112, 655, 493]

我们可以在图中将边界框画出来，以检查其是否准确。画之前，我们定义一个辅助函数bbox_to_rect。它将边界框表示成matplotlib的边界框格式。

  1. In [4]:
  1. def bbox_to_rect(bbox, color):  # 本函数已保存在d2lzh包中方便以后使用
  2.     # 将边界框(左上x, 左上y, 右下x, 右下y)格式转换成matplotlib格式：
  3.     # ((左上x, 左上y), 宽, 高)
  4.     return d2l.plt.Rectangle(
  5.         xy=(bbox[0], bbox[1]), width=bbox[2]-bbox[0], height=bbox[3]-bbox[1],
  6.         fill=False, edgecolor=color, linewidth=2)

我们将边界框加载在图像上，可以看到目标的主要轮廓基本在框内。

  1. In [5]:
  1. fig = d2l.plt.imshow(img)
  2. fig.axes.add_patch(bbox_to_rect(dog_bbox, 'blue'))
  3. fig.axes.add_patch(bbox_to_rect(cat_bbox, 'red'));

../_images/chapter_computer-vision_bounding-box_9_0.svg

9.3.2. 小结

  • 在目标检测里不仅需要找出图像里面所有感兴趣的目标，而且要知道它们的位置。位置一般由矩形边界框来表示。

9.3.3. 练习

  • 找一些图像，尝试标注其中目标的边界框。比较标注边界框与标注类别所花时间的差异。