[發(fā)明專利]一種目標(biāo)檢測方法及其裝置

有效

• 申請?zhí)枺?/td>: 201810632279.3
• 申請日: 2018-06-19
• 公開（公告）號: CN110619255B
• 公開（公告）日: 2022-08-26
• 發(fā)明（設(shè)計）人: 蔡曉蕙
• 申請（專利權(quán)）人: 杭州海康威視數(shù)字技術(shù)股份有限公司
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京博思佳知識產(chǎn)權(quán)代理有限公司 11415
• 代理人: 林祥

1.一種目標(biāo)檢測方法，其特征在于，包括：

將待檢測圖像輸入到預(yù)先訓(xùn)練的第一級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)，以得到所述待檢測圖像的第一特征圖；

根據(jù)預(yù)設(shè)參數(shù)從所述第一特征圖中提取第一候選區(qū)域；其中，所述第一候選區(qū)域為等腰梯形，所述預(yù)設(shè)參數(shù)還包括尺度，上下邊長、中心點位置，x軸方向角度或y軸方向角度；

通過預(yù)先訓(xùn)練的第二級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)確定第一候選區(qū)域中的第一前景區(qū)域以及各第一前景區(qū)域的置信度；其中，所述第一前景區(qū)域為置信度大于等于預(yù)設(shè)置信度閾值的第一候選區(qū)域；

通過預(yù)先訓(xùn)練的第三級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)對置信度滿足預(yù)設(shè)條件的第一前景區(qū)域進行回歸處理，以得到待檢測圖像中的目標(biāo)區(qū)域。

2.根據(jù)權(quán)利要求1任一項所述的方法，其特征在于，所述第一候選區(qū)域為平行四邊形區(qū)域，所述預(yù)設(shè)參數(shù)包括尺度、長寬比、中心點位置、x軸方向角度以及y軸方向角度。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，級聯(lián)的所述第一級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)、所述第二級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)和所述第三級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)通過以下方式訓(xùn)練得到：

對于訓(xùn)練集中的任一訓(xùn)練樣本，將其輸入第一級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)，以得到該訓(xùn)練樣本對應(yīng)的第二特征圖；

根據(jù)所述預(yù)設(shè)參數(shù)確定所述第二特征圖中的第二候選區(qū)域；

通過第二級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)確定所述第二候選區(qū)域中的第二前景區(qū)域；其中，所述第二前景區(qū)域為與該訓(xùn)練樣本中預(yù)先標(biāo)注的目標(biāo)區(qū)域的重合度高于第一預(yù)設(shè)重合度閾值的第二候選區(qū)域；

通過第三級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)對所述第二前景區(qū)域進行回歸處理，以得到該訓(xùn)練樣本中的目標(biāo)區(qū)域。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述通過第二級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)確定所述第二候選區(qū)域中的第二前景區(qū)域之后，所述方法還包括：

根據(jù)該訓(xùn)練樣本對應(yīng)的第一類別損耗和/或重合度損耗，對級聯(lián)的所述第一級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)和所述第二級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)組合進行參數(shù)優(yōu)化，直至該訓(xùn)練樣本對應(yīng)的第一類別損耗和重合度損耗滿足要求。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，根據(jù)該訓(xùn)練樣本對應(yīng)的第一類別損耗和/或重合度損耗，對級聯(lián)的所述第一級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)和所述第二級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)組合進行參數(shù)優(yōu)化，包括：

當(dāng)該訓(xùn)練樣本中第一類型目標(biāo)區(qū)域的數(shù)量與預(yù)先標(biāo)注的目標(biāo)區(qū)域的數(shù)量的比值大于或等于預(yù)設(shè)比例閾值時，對級聯(lián)的所述第一級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)和所述第二級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)組合進行參數(shù)優(yōu)化，使得參數(shù)優(yōu)化后該訓(xùn)練樣本作為輸入時，該訓(xùn)練樣本中第一類型目標(biāo)區(qū)域的數(shù)量與預(yù)先標(biāo)注的目標(biāo)區(qū)域的數(shù)量的比值小于預(yù)設(shè)比例閾值；其中，所述第一類型目標(biāo)區(qū)域為不存在對應(yīng)的第二前景區(qū)域的預(yù)先標(biāo)注的目標(biāo)區(qū)域；和/或；

當(dāng)該訓(xùn)練樣本中各第二前景區(qū)域與各第二前景區(qū)域?qū)?yīng)的預(yù)先標(biāo)注的目標(biāo)區(qū)域的重合度的平均值小于第二預(yù)設(shè)重合度閾值時，對級聯(lián)的所述第一級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)和所述第二級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)組合進行參數(shù)優(yōu)化，使得參數(shù)優(yōu)化后該訓(xùn)練樣本作為輸入時，該訓(xùn)練樣本中各第二前景區(qū)域與各第二前景區(qū)域?qū)?yīng)的預(yù)先標(biāo)注的目標(biāo)區(qū)域的重合度的平均值大于或等于第二預(yù)設(shè)重合度閾值；其中，所述第二預(yù)設(shè)重合度閾值大于所述第一預(yù)設(shè)重合度閾值。

6.根據(jù)權(quán)利要求4或5所述的方法，其特征在于，

所述對級聯(lián)的所述第一級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)和所述第二級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)組合進行參數(shù)優(yōu)化，包括：

對所述第一級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)和/或所述第二級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的模型參數(shù)進行優(yōu)化。