[發明專利]一種目標檢測方法、裝置及設備

有效

• 申請號: 201810581085.5
• 申請日: 2018-06-07
• 公開（公告）號: CN109034183B
• 公開（公告）日: 2021-05-18
• 發明（設計）人: 姚勇強;董遠;白洪亮;熊風燁
• 申請（專利權）人: 蘇州飛搜科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 北京晉德允升知識產權代理有限公司 11623
• 代理人: 萬鐵占;李陽

本申請公開了一種目標檢測方法、裝置及設備，根據卷積神經網絡對圖像樣本進行處理，得到至少兩個特征圖；將所述至少兩個特征圖進行融合，得到融合特征圖；基于所述融合特征圖確定目標檢測結果，所述目標檢測結果包括目標類別和目標位置中的至少一個。將多個特征圖進行融合，可以增強目標的特征值，融合后的特征圖適應性更強，針對小物體也有了更強的檢測能力。

技術領域

本申請涉及計算機軟件技術領域，尤其涉及一種目標檢測方法、裝置及設備。

背景技術

當前目標檢測領域主要包含深度學習方法和傳統學習方法，傳統目標檢測的方法一般分為三個階段：首先在給定的圖像上選擇一些候選的區域，然后對這些區域提取特征，最后使用訓練的分類器進行分類。

深度學習的方法包括基于Region Proposal的深度學習目標檢測算法的兩步檢測方法，以及以SSD(全稱：Single Shot MultiBox Detector)為主的單步檢測方法。其中兩步方法包括：第一步為選取候選框的過程，也就是在圖片中選取可能包含物體的框；第二步為對所選擇的候選框進行分類和框位置的調整。這種方法速度比較慢。

基于SSD的單步檢測方法是基于卷積神經網絡(英文名：Convolutional NeuralNetwork，縮寫：CNN)的深度學習算法，利用多個卷積層獲取多個特征圖，并直接對多個特征圖進行分類。這種方法的速度非常快，但是這類方法對于小物體檢測不是很好。

發明內容

本說明書實施例提供了一種目標檢測方法、裝置及設備，用以解決現有目標檢測手段對對于小物體檢測效果不理想的問題。

為解決上述技術問題，本說明書實施例是這樣實現的：

本說明書實施例提供一種目標檢測方法，包括：

根據卷積神經網絡對圖像樣本進行處理，得到至少兩個特征圖；

將所述至少兩個特征圖進行融合，得到融合特征圖；

基于所述融合特征圖確定目標檢測結果，所述目標檢測結果包括目標類別和目標位置中的至少一個。

本說明書實施例還提供一種目標檢測裝置，包括：

處理模塊，根據卷積神經網絡，對圖像樣本進行處理，得到至少兩個特征圖；

融合模塊，將所述至少兩個特征圖進行融合，得到融合特征圖；

確定模塊，基于所述融合特征圖確定目標檢測結果，所述目標檢測結果包括目標類別和目標位置中的至少一個。

本說明書實施例還提供一種電子設備，包括至少一個處理器及存儲器，所述存儲器存儲有程序，并且被配置成由至少一個所述處理器執行上述目標檢測方法。

本說明書實施例還提供一種計算機可讀存儲介質，其特征在于，包括與電子設備結合使用的程序，程序可被處理器執行以完成上述目標檢測方法。

本說明書實施例采用的上述至少一個技術方案能夠達到以下有益效果：

根據卷積神經網絡對圖像樣本進行處理，得到至少兩個特征圖；將所述至少兩個特征圖進行融合，得到融合特征圖；基于所述融合特征圖確定目標檢測結果，所述目標檢測結果包括目標類別和目標位置中的至少一個。將多個特征圖進行融合，可以增強目標的特征數據，融合后的特征圖適應性更強，針對小物體也有了更強的檢測能力。同時特征融合操作并沒有引入其他復雜操作，因此性能提高的同時，也可以保證目標檢測速率。

附圖說明

為了更清楚地說明本說明書實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本說明書中記載的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。