[發明專利]一種目標檢測方法及裝置

有效

• 申請號: 202010553786.5
• 申請日: 2020-06-17
• 公開（公告）號: CN111723860B
• 公開（公告）日: 2022-11-18
• 發明（設計）人: 汪明明;唐詩堯;劉澍
• 申請（專利權）人: 蘇寧云計算有限公司
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/25;G06V10/77;G06T5/00;G06T7/136;G06T7/187;G06T7/194
• 代理公司: 北京市萬慧達律師事務所 11111
• 代理人: 張慧娟

1.一種目標檢測方法，其特征在于，所述方法包括：

獲取待檢測圖像中的至少一個目標對象對應的目標掩膜；

使用所述目標掩膜對所述待檢測圖像進行掩膜，獲得去除背景的掩膜圖像；

將所述掩膜圖像輸入至預先訓練好的目標檢測模型中進行檢測，獲得每一所述目標對象的檢測結果，其中，每一所述檢測結果包括多個候選框的位置、類別以及置信度；

對每一所述檢測結果中置信度高于置信度閾值的多個候選框進行去噪處理，獲得每一所述目標對象的最終檢測結果。

2.根據權利要求1所述的方法，其特征在于，所述獲取待檢測圖像中的至少一個目標對象對應的目標掩膜，包括：

對所述待檢測圖像與背景圖像進行差分處理；

將差分處理后的所述待檢測圖像轉換為灰度圖，并在所述灰度圖上使用區域生成算法，生成去除背景的初始掩膜；

對所述初始掩膜中的連通域面積低于面積閾值的區域進行濾除，得到所述目標掩膜。

3.根據權利要求1或2所述的方法，其特征在于，所述目標檢測模型是通過如下方式訓練得到的：

對樣本視頻的每一幀圖像進行掩膜，獲得去除背景的多個樣本掩膜圖像；

對每一所述樣本掩膜圖像進行預處理得到訓練樣本集，其中，所述訓練樣本集中的訓練樣本包括樣本圖像和所述樣本圖像的標注信息；

對訓練樣本集劃分為訓練集和測試集，將所述訓練集中輸入至預先構建的初始網絡模型中進行訓練得到目標檢測模型；以及

將所述測試集輸入至所述目標檢測模型進行測試得到測試值，當所述測試值滿足預設要求時，所述目標檢測模型完成訓練。

4.根據權利要求3所述的方法，其特征在于，所述初始網絡模型包括權重初始化后的基礎卷積神經網絡和目標檢測網絡，所述將所述訓練集中輸入至預先構建的網絡模型中進行訓練得到目標檢測模型，包括：

通過權重初始化后的所述基礎卷積神經網絡生成輸入的樣本圖像的特征圖；

通過權重初始化后的所述目標檢測網絡在所述特征圖中的每個錨點上輸出多個檢測框，并對每個所述檢測框進行前向推理，得到每個所述檢測框的位置、類別以及置信度；

將每個所述檢測框的位置和類別與所述樣本圖像的標注信息中樣本目標的位置和類別進行誤差計算，得到每個所述檢測框的位置損失值和類別損失值；

根據每個所述檢測框的位置損失值、類別損失值與置信度，計算模型損失值；

根據所述模型損失值對所述初始網絡模型進行優化，并通過反向傳播更新所述初始網絡模型中的權重，以訓練得到所述目標檢測模型。

5.一種目標檢測方法，其特征在于，所述方法包括：

獲取待檢測圖像中的至少一個目標對象對應的目標掩膜；

將所述待檢測圖像輸入至預先訓練好的目標檢測模型中進行檢測，獲得每一所述目標對象的檢測結果，其中，每一所述檢測結果包括多個候選框的位置、類別以及置信度；

對每一所述檢測結果中置信度高于置信度閾值的多個候選框進行去噪處理，得到每一所述目標對象的有效候選框；

使用所述目標掩膜對每一所述目標對象的有效候選框進行驗證，獲得每一所述目標對象的最終檢測結果。

6.根據權利要求5所述的方法，其特征在于，所述獲取待檢測圖像中的至少一個目標對象對應的目標掩膜，包括：

對所述待檢測圖像與背景圖像進行差分處理；

將差分處理后的所述待檢測圖像轉換為灰度圖，并在所述灰度圖上使用區域生成算法，生成去除背景的初始掩膜；

對所述初始掩膜中的連通域面積低于面積閾值的區域進行濾除，得到所述目標掩膜。