[發(fā)明專(zhuān)利]一種目標(biāo)檢測(cè)方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202011505855.1
• 申請(qǐng)日: 2020-12-18
• 公開(kāi)（公告）號(hào): CN112633352B
• 公開(kāi)（公告）日: 2023-08-29
• 發(fā)明（設(shè)計(jì)）人: 方明超;王耀農(nóng);邵明
• 申請(qǐng)（專(zhuān)利權(quán)）人: 浙江大華技術(shù)股份有限公司
• 主分類(lèi)號(hào): G06V20/54
• 分類(lèi)號(hào): G06V20/54;G06V10/82;G06V10/80;G06V20/70;G06V10/764;G06V10/766;G06N3/0464;G06N3/08
• 代理公司: 北京同達(dá)信恒知識(shí)產(chǎn)權(quán)代理有限公司 11291
• 代理人: 趙凱莉

本發(fā)明公開(kāi)了一種目標(biāo)檢測(cè)方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)，針對(duì)每個(gè)第一特征圖，根據(jù)比該第一特征圖的尺寸小的每個(gè)第一特征圖對(duì)應(yīng)的待學(xué)習(xí)權(quán)重，以及該第一特征圖對(duì)應(yīng)的待學(xué)習(xí)權(quán)重，確定該第一特征圖對(duì)應(yīng)的融合后的第二特征圖，融合后的每個(gè)第二特征圖中包含了深層次的特征圖的語(yǔ)義信息，在一定程度上彌補(bǔ)了目標(biāo)分類(lèi)和目標(biāo)框回歸的矛盾性。針對(duì)每個(gè)第二特征圖，篩選出與該第二特征圖的尺寸滿(mǎn)足預(yù)設(shè)對(duì)應(yīng)關(guān)系的正樣本候選框，第二特征圖的尺寸越大，對(duì)應(yīng)的正樣本候選框的尺寸越小。避免了特征圖尺寸太小，導(dǎo)致目標(biāo)丟失的問(wèn)題。尺寸大的特征圖融合了更多的語(yǔ)義信息，兼顧目標(biāo)分類(lèi)和目標(biāo)框回歸，準(zhǔn)確檢測(cè)出不同尺寸、不同類(lèi)別的目標(biāo)。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域，尤其涉及一種目標(biāo)檢測(cè)方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)

隨著人工神經(jīng)網(wǎng)絡(luò)技術(shù)和智慧交通領(lǐng)域的發(fā)展，越來(lái)越多的人工神經(jīng)網(wǎng)絡(luò)技術(shù)被應(yīng)用在智慧交通領(lǐng)域。目標(biāo)檢測(cè)是智慧交通系統(tǒng)的重要組成部分。

常見(jiàn)的交通場(chǎng)景有卡口、微卡口、電警、出入口等，交通場(chǎng)景需要檢測(cè)的目標(biāo)主要是機(jī)動(dòng)車(chē)、非機(jī)動(dòng)車(chē)、行人、車(chē)牌等。不同的交通場(chǎng)景有不同的特點(diǎn)，例如機(jī)動(dòng)車(chē)尺寸較大，車(chē)牌尺寸較小等。深度神經(jīng)網(wǎng)絡(luò)中，特征圖的尺寸越小，包含的圖像語(yǔ)義信息越多，越有利于目標(biāo)分類(lèi)，特征圖的尺寸越大，包含的圖像位置信息越多，越有利于目標(biāo)框回歸。可以看出目標(biāo)分類(lèi)和目標(biāo)框回歸存在一定的矛盾性。網(wǎng)絡(luò)層數(shù)越多，特征圖越小，尺寸小的目標(biāo)有可能丟失，網(wǎng)絡(luò)層數(shù)越少，特征圖越大，但是不利于目標(biāo)的分類(lèi)。因?yàn)樯鲜雒苄缘拇嬖冢F(xiàn)有技術(shù)中無(wú)法兼顧目標(biāo)分類(lèi)和目標(biāo)框回歸，因此很難保證對(duì)每個(gè)目標(biāo)都有很好的檢測(cè)效果。

發(fā)明內(nèi)容

本發(fā)明實(shí)施例提供了一種目標(biāo)檢測(cè)方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)，用以解決現(xiàn)有技術(shù)中很難保證對(duì)每個(gè)目標(biāo)都有很好的檢測(cè)的問(wèn)題。

本發(fā)明實(shí)施例提供了一種目標(biāo)檢測(cè)方法，所述方法包括：

將訓(xùn)練圖像輸入目標(biāo)檢測(cè)模型中，基于所述目標(biāo)檢測(cè)模型中的每個(gè)殘差模塊，確定不同尺寸的第一特征圖；

分別為所述不同尺寸的第一特征圖配置對(duì)應(yīng)的待學(xué)習(xí)權(quán)重，針對(duì)每個(gè)第一特征圖，根據(jù)比該第一特征圖的尺寸小的每個(gè)第一特征圖對(duì)應(yīng)的待學(xué)習(xí)權(quán)重，以及該第一特征圖對(duì)應(yīng)的待學(xué)習(xí)權(quán)重，確定該第一特征圖對(duì)應(yīng)的融合后的第二特征圖；

根據(jù)所述訓(xùn)練圖像對(duì)應(yīng)的每個(gè)目標(biāo)標(biāo)注框，確定每個(gè)第二特征圖中與所述每個(gè)目標(biāo)標(biāo)注框分別對(duì)應(yīng)的每個(gè)正樣本候選框；篩選出與每個(gè)第二特征圖的尺寸滿(mǎn)足預(yù)設(shè)對(duì)應(yīng)關(guān)系的正樣本候選框；其中，第二特征圖的尺寸越大，滿(mǎn)足預(yù)設(shè)對(duì)應(yīng)關(guān)系的正樣本候選框的尺寸越小；

針對(duì)所述每個(gè)第二特征圖，根據(jù)該第二特征圖中篩選出的正樣本候選框和所述每個(gè)目標(biāo)標(biāo)注框計(jì)算模型損失值，根據(jù)所述模型損失值，對(duì)所述目標(biāo)檢測(cè)模型進(jìn)行訓(xùn)練；

將待檢測(cè)圖像輸入訓(xùn)練完成的目標(biāo)檢測(cè)模型中，基于所述訓(xùn)練完成的目標(biāo)檢測(cè)模型，確定所述待檢測(cè)圖像中的每個(gè)目標(biāo)。

進(jìn)一步地，所述將訓(xùn)練圖像輸入目標(biāo)檢測(cè)模型中之前，所述方法還包括：

從預(yù)先保存的行人圖像中，隨機(jī)選取預(yù)設(shè)的第一數(shù)量的行人圖像，將選取的行人圖像疊加至所述訓(xùn)練圖像中，其中，疊加的行人圖像與所述訓(xùn)練圖像中原有的目標(biāo)的重合比例小于設(shè)定的閾值。

進(jìn)一步地，所述確定不同尺寸的第一特征圖之后，分別為所述不同尺寸的第一特征圖配置對(duì)應(yīng)的待學(xué)習(xí)權(quán)重之前，所述方法還包括：

針對(duì)每個(gè)第一特征圖，基于所述目標(biāo)檢測(cè)模型中的注意力機(jī)制模塊，對(duì)該第一特征圖中不同的通道進(jìn)行增強(qiáng)或減弱處理，得到第三特征圖，采用所述第三特征圖對(duì)該第一特征圖進(jìn)行更新。

進(jìn)一步地，針對(duì)每個(gè)第一特征圖，根據(jù)比該第一特征圖的尺寸小的每個(gè)第一特征圖對(duì)應(yīng)的待學(xué)習(xí)權(quán)重，以及該第一特征圖對(duì)應(yīng)的待學(xué)習(xí)權(quán)重，確定該第一特征圖對(duì)應(yīng)的融合后的第二特征圖包括：