[發明專利]目標檢測方法、設備及存儲介質

在審

• 申請號: 202010838656.6
• 申請日: 2020-08-19
• 公開（公告）號: CN111967401A
• 公開（公告）日: 2020-11-20
• 發明（設計）人: 陳光
• 申請（專利權）人: 上海眼控科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 吳會英;劉芳

本發明實施例提供一種目標檢測方法、設備及存儲介質，該方法包括：獲取目標圖像，目標圖像中包括多個不同尺寸和/或不同形狀的目標對象；采用主干網絡層提取目標圖像的特征，以獲得多個不同尺寸的主干特征圖；按照篩選策略從主干特征圖中獲取多個第一主干特征圖；采用多尺寸可變形的感受野模塊提取各第一主干特征圖中不同尺寸和/或不同形狀的目標特征信息，以獲得對應的感受野特征圖；采用目標檢測層根據各感受野特征圖檢測目標圖像中的目標對象。可提取不同尺寸和不同形狀的目標對象的特征信息，所以可準確檢測出多種目標對象，大大提高多目標檢測場景下的目標檢測準確率。

技術領域

本發明實施例涉及圖像處理技術領域，尤其涉及一種目標檢測方法、設備及存儲介質。

背景技術

隨著人工智能技術的發展，深度學習技術也得到了飛速發展。并在語音識別、計算機視覺等領域得到了廣泛應用。其中，目標檢測作為計算機視覺的一個重要研究方向，也已經取得了突破進展。

現有技術中，目標檢測主要針對的是單一目標的場景，如車輛的檢測，車牌的檢測，人物的檢測等。主要應用到Faster-RCNN、SSD等深度學習模型進行目標檢測。采用這些深度學習模型進行單一目標的檢測時，具有較高的準確率。

但目前目標檢測的場景不再只有單一目標檢測的場景，對于不同尺寸或形狀差異較大的多種目標檢測場景，在采用現有的深度學習模型進行目標檢測時，并不能準確檢測出多種目標，導致多目標檢測場景下的目標檢測準確率較低。

發明內容

本發明實施例提供一種目標檢測方法、設備及存儲介質，解決了現有技術中對于不同尺寸或形狀差異較大的多種目標檢測場景，在采用現有的深度學習模型進行目標檢測時，并不能準確檢測出多種目標，導致多目標檢測場景下的目標檢測準確率較低的技術問題。

第一方面，本發明實施例提供一種目標檢測方法，采用訓練至收斂的目標檢測模型對目標進行檢測，所述訓練至收斂的目標檢測模型包括：主干網絡層、多尺寸可變形的感受野模塊及目標檢測層，所述方法包括：

獲取目標圖像，所述目標圖像中包括多個不同尺寸和/或不同形狀的目標對象；

采用所述主干網絡層提取所述目標圖像的特征，以獲得多個不同尺寸的主干特征圖；

按照篩選策略從所述主干特征圖中獲取多個第一主干特征圖；

采用所述多尺寸可變形的感受野模塊提取各所述第一主干特征圖中不同尺寸和/或不同形狀的目標特征信息，以獲得對應的感受野特征圖；

采用所述目標檢測層根據各所述感受野特征圖檢測所述目標圖像中的目標對象。

第二方面，本發明實施例提供一種電子設備，包括：

存儲器，處理器以及計算機程序；

其中，所述計算機程序存儲在所述存儲器中，并被配置為由所述處理器執行以實現如第一方面中任一項所述的方法。

第三方面，本發明實施例提供一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行以實現如第一方面中任一項所述的方法。

本發明實施例提供一種目標檢測方法、設備及存儲介質，通過獲取目標圖像，目標圖像中包括多個不同尺寸和/或不同形狀的目標對象；采用主干網絡層提取目標圖像的特征，以獲得多個不同尺寸的主干特征圖；按照篩選策略從主干特征圖中獲取多個第一主干特征圖；采用多尺寸可變形的感受野模塊提取各第一主干特征圖中不同尺寸和/或不同形狀的目標特征信息，以獲得對應的感受野特征圖；采用目標檢測層根據各感受野特征圖檢測目標圖像中的目標對象。由于多尺寸可變形的感受野模塊中通過設置可提取不同尺寸和不同形狀的目標對象特征信息的網絡層，可提取不同尺寸和不同形狀的目標對象的特征信息，所以可準確檢測出多種目標對象，大大提高多目標檢測場景下的目標檢測準確率。