[發明專利]目標的定位方法及裝置、計算機設備、計算機存儲介質

在審

• 申請號: 201910894135.X
• 申請日: 2019-09-20
• 公開（公告）號: CN110796135A
• 公開（公告）日: 2020-02-14
• 發明（設計）人: 王威;蔣暉;韓茂琨;劉玉宇
• 申請（專利權）人: 平安科技(深圳)有限公司
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/46
• 代理公司: 11448 北京中強智尚知識產權代理有限公司
• 代理人: 黃耀威;賈依嬌

本發明提供了一種目標的定位方法及裝置、計算機設備、計算機存儲介質，該方法包括：在目標圖像中確定預設對象的預測區域，其中，所述目標圖像包括所述預測區域；提取所述預測區域的特征向量，其中，所述特征向量包括所述預測區域中的多個像素點到所述預測區域的四個邊界的多組邊框距離值；根據所述特征向量定位所述目標圖像中的目標區域。通過本發明，解決了相關技術中的目標定位方法的計算方案復雜且計算量大等技術問題。

技術領域

本發明涉及計算機領域，具體而言，涉及一種目標的定位方法及裝置、計算機設備、計算機存儲介質。

背景技術

相關技術中，目標檢測是計算機視覺領域極其重要的一個分支，近年對于目標檢測研究不斷深入，已經在該領域獲得了許多成就。從起初的RCNN(全稱為Region with CNN，目標檢測)系列，再到SSD(全稱為Single Shot multibox Detector，單次多框檢測器)和YOLO(全稱為You Only Look Once，是一種物體檢查方法)系列，目標檢測的發展不斷進步。現有的目標檢測算法大多采用的都是基于傳統的生成錨框的機制。從最早目標檢測算法采用選擇性搜索提取出大量region proposal(備選區域)，再到后來的anchor box(錨框)機制的系列算法，都取得了目標定位領域突破性的進展。

然而，基于region proposal和anchor box的方案計算量過大，在實際實現的過程中并不能有效地滿足實時性的要求，也加大了AI(全稱為Artificial Intelligence，人工智能)算法產品化的難度。

針對相關技術中存在的上述問題，目前尚未發現有效的解決方案。

發明內容

本發明實施例提供了一種目標的定位方法及裝置、計算機設備、計算機存儲介質，以至少解決相關技術中的目標定位方法的計算方案復雜且計算量大等技術問題。

根據本發明的一個實施例，提供了一種目標的定位方法，包括：在目標圖像中確定預設對象的預測區域，其中，所述目標圖像包括所述預測區域；提取所述預測區域的特征向量，其中，所述特征向量包括所述預測區域中的多個像素點到所述預測區域的四個邊界的多組邊框距離值；根據所述特征向量定位所述目標圖像中的目標區域。

可選的，在目標圖像中確定預設對象的預測區域，包括：提取所述目標圖像中的每個對象在所述目標圖像中的特征圖；將每個對象的特征圖和所述預設對象的屬性數據進行匹配，以確定所述預測區域。

可選的，將每個對象的特征圖和所述預設對象的屬性數據進行匹配，以確定所述預測區域包括：根據所述預設對象的屬性數據獲取所述預設對象的第一屬性和第一位置信息，其中，所述第一屬性用于指示所述預設對象的種類，所述第一位置信息用于指示所述預設對象中的多個關鍵點在真實區域中的坐標，其中，所述真實區域是所述預設對象在所述目標圖像中占用的區域；提取所述特征圖的第二屬性和第二位置信息，其中，所述第二屬性用于指示所述特征圖的種類，所述第二位置信息用于指示所述特征圖中的多個關鍵點的坐標；匹配所述第一屬性和所述第二屬性，以及匹配所述第一位置信息和所述第二位置信息；在所述第一屬性與所述第二屬性、所述第一位置信息和所述第二位置信息均匹配的情況下，將所述特征圖在所述目標圖像中占用的區域確定為所述預測區域。

可選的，提取所述預測區域的特征向量，包括：分別計算所述預測區域中每個像素點到所述預測區域的四個邊界的邊框距離值，得到多組邊框距離值；將每組邊框距離值轉換為一個子特征向量，并將多個子特征向量合并為所述特征向量。