[發明專利]一種目標檢測方法、裝置及設備、存儲介質

在審

• 申請號: 201910695746.1
• 申請日: 2019-07-30
• 公開（公告）號: CN110472638A
• 公開（公告）日: 2019-11-19
• 發明（設計）人: 孟亞洲
• 申請（專利權）人: 精碩科技(北京)股份有限公司
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06N3/04
• 代理公司: 11262 北京安信方達知識產權代理有限公司
• 代理人: 王康;栗若木<國際申請>=<國際公布>=

本發明實施例提供一種目標檢測方法、裝置及設備、存儲介質，該目標檢測方法包括：對訓練數據集中的圖像進行處理，獲得所述圖像的邊緣圖像；基于所述邊緣圖像進行訓練獲得目標檢測模型；獲取待檢測的圖像，對所述待檢測的圖像進行處理，獲得待檢測的邊緣圖像；將所述待檢測的邊緣圖像輸入所述目標檢測模型實現目標檢測。本實施例提供的方案，進行邊緣提取，可以大大減少運算量，從而提高目標檢測速度。

技術領域

本文涉及圖像處理技術，尤指一種目標檢測方法、裝置及設備、存儲介質。

背景技術

在2012年深度學習正式介入計算機視覺目標檢測任務之前，傳統的目標檢測算法一直是以滑動窗口卷積等較為傳統的方式進行區域選擇、特征提取和分類回歸等步驟。在深度學習興起并逐漸成為計算機視覺的核心方法之后，基于深度學習算法的一系列目標檢測算法大致可以分為兩大流派：

兩步走(two-stage)算法：先產生候選區域然后再進行CNN分類(RCNN系列)；

一步走(one-stage)算法：直接對輸入圖像應用算法并輸出類別和相應的定位(yolo系列)。

雖然一步走方法相比兩步走方法能夠在速度上占據優勢，但在精確度方面顯然兩步走方法更有優勢。但是無論采用哪種方法，由于目標檢測比較耗時，目前在視頻領域都很難達到對于目標的實時檢測。

目前，基于卷積神經網絡的目標檢測取得了一定進展，但仍存在一些需要解決的問題。一方面，目前都是通過實驗來證明卷積神經網絡的有效性，訓練參數的設置大多依靠經驗和實踐，缺乏理論指導和量化分析；另一方面，為了提升檢測的準確度，大多數時候是通過增加網絡模型的深度達到。但是一般情況下，網絡模型越深，算法的運算時間則越長，導致很多時候算法很難在實際生活中進行部署。比如自動駕駛等實時性要求較高的領域，目標檢測的速度往往是最核心的問題。

發明內容

本申請提供了一種目標檢測方法、裝置及設備、存儲介質，可以提高目標檢測速度。

本申請提供了一種目標檢測方法，包括：

對訓練數據集中的圖像進行處理，獲得所述圖像的邊緣圖像；

基于所述邊緣圖像進行訓練獲得目標檢測模型；

獲取待檢測的圖像，對所述待檢測的圖像進行處理，獲得待檢測的邊緣圖像；

將所述待檢測的邊緣圖像輸入所述目標檢測模型實現目標檢測。

在一實施例中，所述訓練數據集中的圖像為同一目標尺寸的圖像。

在一實施例中，所述對訓練數據集中的圖像進行處理，獲得所述圖像的邊緣圖像包括：

對所述訓練數據集中的圖像進行邊緣提取后，再進行閾值變換轉換為二值圖像，所述二值圖像即為所述圖像的邊緣圖像。

在一實施例中，所述對所述待檢測的圖像進行處理，獲得待檢測的邊緣圖像包括：

將所述待檢測的圖像處理為目標尺寸的圖像后，進行邊緣提取，再進行閾值變換轉換為二值圖像，得到所述待檢測的邊緣圖像。

在一實施例中，所述進行邊緣提取包括：

使用Canny算子進行邊緣提取。

在一實施例中，所述目標檢測模型為卷積神經網絡。

本發明至少一實施例提供一種目標檢測裝置，包括：

訓練模塊，用于對訓練數據集中的圖像進行處理，獲得所述圖像的邊緣圖像；基于所述邊緣圖像進行訓練獲得目標檢測模型；

檢測模塊，用于獲取待檢測的圖像，對所述待檢測的圖像進行處理，獲得待檢測的邊緣圖像；將所述待檢測的邊緣圖像輸入所述目標檢測模型實現目標檢測。