[發明專利]目標檢測方法、裝置、電子設備及存儲介質

在審

• 申請號: 202010842418.2
• 申請日: 2020-08-20
• 公開（公告）號: CN114078204A
• 公開（公告）日: 2022-02-22
• 發明（設計）人: 趙超;魯靜;張龍
• 申請（專利權）人: 深圳綠米聯創科技有限公司
• 主分類號: G06V10/80
• 分類號: G06V10/80;G06V10/44;G06V10/50;G06V10/46;G06K9/62;G06V10/82;G06N3/04
• 代理公司: 深圳市智圈知識產權代理事務所(普通合伙) 44351
• 代理人: 苗燕

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；

將所述待檢測圖像輸入預先訓練好的網絡模型，所述網絡模型用于按照對應尺度融合所述待檢測圖像的多尺度傳統特征和多尺度深度特征，并根據融合后的所述多尺度傳統特征和多尺度深度特征輸出所述待檢測圖像中對待檢測目標的檢測結果；

獲得所述網絡模型輸出的對所述待檢測目標的檢測結果。

2.根據權利要求1所述的方法，其特征在于，所述網絡模型包括第一融合模塊、第二融合模塊和預測模塊，在所述將所述待檢測圖像輸入預先訓練好的網絡模型之后，所述方法還包括：

獲取所述待檢測圖像的第n層傳統特征，所述第n層為所述多尺度傳統特征中的任一層尺度，所述n為正整數；

獲取所述第n層傳統特征對應的高層傳統特征，所述高層傳統特征為尺度高于所述第n層尺度的任一傳統特征；

將所述第n層傳統特征與所述高層傳統特征輸入所述第一融合模塊進行特征融合，獲得所述第一融合模塊輸出的融合后的第n層對應的第一融合特征；

將所述第一融合特征與第n層深度特征輸入所述第二融合模塊進行特征融合，獲得所述第二融合模塊輸出的融合后的第n層的第二融合特征，所述第n層深度特征為所述多尺度深度特征中與所述第n層傳統特征的尺度對應的深度特征；

將所述第二融合特征輸入所述預測模塊，所述預測模塊用于根據所述第二融合特征，輸出對所述待檢測目標的檢測結果。

3.根據權利要求2所述的方法，其特征在于，所述高層傳統特征為融合后的第n+1層對應的第一融合特征，其中，所述第n+1層對應的第一融合特征為第n+1層傳統特征與所述第n+1層傳統特征對應的高層傳統特征輸入所述第一融合模塊后輸出的融合后的特征。

4.根據權利要求2所述的方法，其特征在于，所述網絡模型還包括第三融合模塊，在所述將所述第二融合特征輸入所述預測模塊，所述預測模塊用于根據所述第二融合特征，輸出對所述待檢測目標的檢測結果之前，所述方法還包括：

獲取第m層的第二融合特征，所述第m層為多尺度的第二融合特征中的任一層尺度，所述m為正整數；

獲取所述第m層的第二融合特征所對應的高層融合特征，所述高層融合特征為尺度高于所述第m層尺度的任一第二融合特征；

將所述第m層的第二融合特征與所述高層融合特征輸入所述第三融合模塊進行特征融合，獲得所述第三融合模塊輸出的融合后的第m層的第二融合特征；

所述將所述第二融合特征輸入所述預測模塊，所述預測模塊用于根據所述第二融合特征，輸出對所述待檢測目標的檢測結果，包括：

將所述融合后的第m層的第二融合特征輸入所述預測模塊，所述預測模塊用于根據所述融合后的第m層的第二融合特征，輸出對所述待檢測目標的檢測結果。

5.根據權利要求4所述的方法，其特征在于，所述獲取所述第m層的第二融合特征所對應的高層融合特征，包括：

獲取所述第m層的第二融合特征所對應的所有高層融合特征。

6.根據權利要求1-5任一項所述的方法，其特征在于，所述預先訓練好的網絡模型通過如下方法訓練得到：

獲取初始檢測模型，所述初始檢測模型包括卷積神經網絡；

獲取訓練樣本集合，所述訓練樣本集合包括圖像樣本以及與所述圖像樣本對應的目標標注樣本；

將所述圖像樣本作為所述初始檢測模型的輸入，將所述目標標注樣本作為所述初始檢測模型的期望輸出，對所述初始檢測模型進行訓練，得到所述預先訓練好的網絡模型。

7.根據權利要求1-5任一項所述的方法，其特征在于，所述傳統特征包括Harris角點特征、SIFT尺度不變特征、HOG方向梯度直方圖特征以及LBP局部二值化特征中的任意一種或多種。