[發(fā)明專利]目標(biāo)檢測(cè)方法及裝置、計(jì)算機(jī)裝置和計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 201711484723.3
• 申請(qǐng)日: 2017-12-29
• 公開（公告）號(hào): CN108121986B
• 公開（公告）日: 2019-12-17
• 發(fā)明（設(shè)計(jì)）人: 牟永強(qiáng);劉榮杰;裴超
• 申請(qǐng)（專利權(quán)）人: 深圳云天勵(lì)飛技術(shù)有限公司
• 主分類號(hào): G06K9/32
• 分類號(hào): G06K9/32;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 44334 深圳市賽恩倍吉知識(shí)產(chǎn)權(quán)代理有限公司
• 代理人: 曾柳燕;孫芬

1.一種目標(biāo)檢測(cè)方法，其特征在于，所述方法包括：

獲取訓(xùn)練樣本集，所述訓(xùn)練樣本集包括多個(gè)標(biāo)注有目標(biāo)位置和目標(biāo)角度類型的目標(biāo)圖像；

使用所述訓(xùn)練樣本集對(duì)加速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的加速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)模型，所述加速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)模型包括區(qū)域建議網(wǎng)絡(luò)和快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)，所述區(qū)域建議網(wǎng)絡(luò)和所述快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)共享卷積層，所述卷積層提取所述訓(xùn)練樣本集中各個(gè)目標(biāo)圖像的特征圖，所述區(qū)域建議網(wǎng)絡(luò)根據(jù)所述特征圖獲取所述各個(gè)目標(biāo)圖像中的候選區(qū)域以及所述候選區(qū)域的目標(biāo)角度類型，所述快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)根據(jù)所述特征圖對(duì)所述候選區(qū)域進(jìn)行篩選和調(diào)整，得到所述各個(gè)目標(biāo)圖像的目標(biāo)區(qū)域和所述目標(biāo)區(qū)域的目標(biāo)角度類型；

獲取待檢測(cè)圖像；

利用所述訓(xùn)練好的加速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)模型中的對(duì)所述待檢測(cè)圖像進(jìn)行目標(biāo)檢測(cè)，得到所述待檢測(cè)圖像的目標(biāo)區(qū)域和所述目標(biāo)區(qū)域的目標(biāo)角度類型。

2.如權(quán)利要求1所述的方法，其特征在于，所述使用所述訓(xùn)練樣本集對(duì)加速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練包括：

(1)使用Imagenet模型初始化所述區(qū)域建議網(wǎng)絡(luò)，使用所述訓(xùn)練樣本集訓(xùn)練所述區(qū)域建議網(wǎng)絡(luò)；

(2)使用(1)中訓(xùn)練后的區(qū)域建議網(wǎng)絡(luò)生成所述各個(gè)目標(biāo)圖像的候選區(qū)域，利用所述候選區(qū)域訓(xùn)練所述快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)；

(3)使用(2)中訓(xùn)練后的快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)初始化所述區(qū)域建議網(wǎng)絡(luò)，使用所述訓(xùn)練樣本集訓(xùn)練所述區(qū)域建議網(wǎng)絡(luò)；

(4)使用(3)中訓(xùn)練后的區(qū)域建議網(wǎng)絡(luò)初始化所述快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)，并保持所述卷積層固定，使用所述訓(xùn)練樣本集訓(xùn)練所述快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)。

3.如權(quán)利要求1所述的方法，其特征在于，所述使用所述訓(xùn)練樣本集對(duì)加速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練包括：

使用反向傳播算法對(duì)所述區(qū)域建議網(wǎng)絡(luò)和所述快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練過程中調(diào)整所述區(qū)域建議網(wǎng)絡(luò)和所述快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)，使損失函數(shù)最小化，其中所述損失函數(shù)包括目標(biāo)分類損失、角度分類損失和回歸損失。

4.如權(quán)利要求1至3中任一項(xiàng)所述的方法，其特征在于，所述加速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)模型采用ZF框架，所述區(qū)域建議網(wǎng)絡(luò)和所述快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)共享5個(gè)卷積層。

5.如權(quán)利要求1至3中任一項(xiàng)所述的方法，其特征在于，所述快速區(qū)域卷積網(wǎng)絡(luò)的訓(xùn)練中加入負(fù)樣本難例挖掘方法。

6.一種目標(biāo)檢測(cè)裝置，其特征在于，所述裝置包括：

第一獲取單元，用于獲取訓(xùn)練樣本集，所述訓(xùn)練樣本集包括多個(gè)標(biāo)注有目標(biāo)位置和目標(biāo)角度類型的目標(biāo)圖像；

訓(xùn)練單元，用于使用所述訓(xùn)練樣本集對(duì)加速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的加速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)模型，所述加速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)模型包括區(qū)域建議網(wǎng)絡(luò)和快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)，所述區(qū)域建議網(wǎng)絡(luò)和所述快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)共享卷積層，所述卷積層提取所述訓(xùn)練樣本集中各個(gè)目標(biāo)圖像的特征圖，所述區(qū)域建議網(wǎng)絡(luò)根據(jù)所述特征圖獲取所述各個(gè)目標(biāo)圖像中的候選區(qū)域以及所述候選區(qū)域的目標(biāo)角度類型，所述快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)根據(jù)所述特征圖對(duì)所述候選區(qū)域進(jìn)行篩選和調(diào)整，得到所述各個(gè)目標(biāo)圖像的目標(biāo)區(qū)域和所述目標(biāo)區(qū)域的目標(biāo)角度類型；

第二獲取單元，用于獲取待檢測(cè)圖像；

檢測(cè)單元，用于利用訓(xùn)練好的加速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)模型中的對(duì)所述待檢測(cè)圖像進(jìn)行目標(biāo)檢測(cè)，得到所述待檢測(cè)圖像的目標(biāo)區(qū)域和所述目標(biāo)區(qū)域的目標(biāo)角度類型。

7.如權(quán)利要求6所述的裝置，其特征在于，所述訓(xùn)練單元具體用于：

(1)使用Imagenet模型初始化所述區(qū)域建議網(wǎng)絡(luò)，使用所述訓(xùn)練樣本集訓(xùn)練所述區(qū)域建議網(wǎng)絡(luò)；

(2)使用(1)中訓(xùn)練后的區(qū)域建議網(wǎng)絡(luò)生成所述各個(gè)目標(biāo)圖像的候選區(qū)域，利用所述候選區(qū)域訓(xùn)練所述快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)；

(3)使用(2)中訓(xùn)練后的快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)初始化所述區(qū)域建議網(wǎng)絡(luò)，使用所述訓(xùn)練樣本集訓(xùn)練所述區(qū)域建議網(wǎng)絡(luò)；

(4)使用(3)中訓(xùn)練后的區(qū)域建議網(wǎng)絡(luò)初始化所述快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)，并保持所述卷積層固定，使用所述訓(xùn)練樣本集訓(xùn)練所述快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)。