[發(fā)明專利]一種目標(biāo)檢測方法、裝置、機(jī)器可讀介質(zhì)及設(shè)備

在審

• 申請?zhí)枺?/td>: 202011107508.3
• 申請日: 2020-10-16
• 公開（公告）號(hào): CN112200187A
• 公開（公告）日: 2021-01-08
• 發(fā)明（設(shè)計(jì)）人: 姚志強(qiáng);周曦;於景瞵;張愈其;鐘南昌
• 申請（專利權(quán)）人: 廣州云從凱風(fēng)科技有限公司
• 主分類號(hào): G06K9/32
• 分類號(hào): G06K9/32;G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海光華專利事務(wù)所(普通合伙) 31219
• 代理人: 代玲

1.一種目標(biāo)檢測方法，其特征在于，包括：

獲取待檢測圖像；

將所述待檢測圖像輸入至預(yù)先訓(xùn)練得到的基于輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測模型，得到一個(gè)或多個(gè)目標(biāo)檢測框以及每個(gè)目標(biāo)檢測框?qū)?yīng)的置信度；所述目標(biāo)檢測框用以標(biāo)識(shí)待檢測圖像中檢測到的一個(gè)或多個(gè)偽目標(biāo)對象；

確定置信度大于置信度閾值的目標(biāo)檢測框；

根據(jù)置信度大于置信度閾值的目標(biāo)檢測框，確定所述待檢測圖像中的目標(biāo)對象。

2.根據(jù)權(quán)利要求1所述的目標(biāo)檢測方法，其特征在于，在訓(xùn)練得到基于輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測模型的過程中，通過數(shù)據(jù)增強(qiáng)對訓(xùn)練數(shù)據(jù)進(jìn)行增強(qiáng)，對數(shù)據(jù)進(jìn)行增強(qiáng)的方法包括：高斯模糊、運(yùn)動(dòng)模糊、隨機(jī)擦除、隨機(jī)填充。

3.根據(jù)權(quán)利要求1所述的目標(biāo)檢測方法，其特征在于，在訓(xùn)練得到基于輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測模型的過程中，通過基于難樣本挖掘的訓(xùn)練樣本訓(xùn)練得到目標(biāo)數(shù)模型。

4.根據(jù)權(quán)利要求1所述的目標(biāo)檢測方法，其特征在于，該方法還包括：將目標(biāo)檢測模型的權(quán)重?cái)?shù)據(jù)類型轉(zhuǎn)化為fp16或int8的數(shù)據(jù)類型。

5.根據(jù)權(quán)利要求1所述的目標(biāo)檢測方法，其特征在于，所述目標(biāo)檢測模型包括：

骨干網(wǎng)絡(luò)，用于對所述待檢測圖像進(jìn)行特征提取；

頸部網(wǎng)絡(luò)，用于對骨干網(wǎng)絡(luò)提取的特征進(jìn)行特征融合，得到多尺度的融合特征；

頭部網(wǎng)絡(luò)，用于根據(jù)多尺度的融合特征進(jìn)行分類和回歸，輸出目標(biāo)檢測框的坐標(biāo)以及與所述目標(biāo)檢測框?qū)?yīng)的置信度。

6.根據(jù)權(quán)利要求5所述的目標(biāo)檢測方法，其特征在于，所述骨干網(wǎng)包括ResNet、VGG或MobileNet；所述頭部網(wǎng)包括全連接網(wǎng)絡(luò)或1x1卷積網(wǎng)絡(luò)。

7.根據(jù)權(quán)利要求1所述的目標(biāo)檢測方法，其特征在于，在將待檢測圖像輸入至目標(biāo)檢測模型前，還包括對所述待檢測圖像進(jìn)行預(yù)處理，所述預(yù)處理包括：圖像縮放、轉(zhuǎn)置以及圖像類型轉(zhuǎn)換。

8.一種目標(biāo)檢測裝置，其特征在于，包括：

圖像獲取模塊，用于獲取待檢測圖像；

目標(biāo)檢測模塊，用于將所述待檢測圖像輸入至預(yù)先訓(xùn)練得到的基于輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測模型，得到一個(gè)或多個(gè)目標(biāo)檢測框以及每個(gè)目標(biāo)檢測框?qū)?yīng)的置信度；所述目標(biāo)檢測框用以標(biāo)識(shí)待檢測圖像中檢測到的一個(gè)或多個(gè)偽目標(biāo)對象；

目標(biāo)檢測框確定模塊，用于確定置信度大于置信度閾值的目標(biāo)檢測框；

目標(biāo)對象確定模塊，用于根據(jù)置信度大于置信度閾值的目標(biāo)檢測框，確定所述待檢測圖像中的目標(biāo)對象。

9.根據(jù)權(quán)利要求8所述的目標(biāo)檢測裝置，其特征在于，該裝置還包括數(shù)據(jù)增強(qiáng)模塊，用于在訓(xùn)練得到的基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測模型的過程中，對訓(xùn)練數(shù)據(jù)進(jìn)行增強(qiáng)，對數(shù)據(jù)進(jìn)行增強(qiáng)的方法包括：高斯模糊、運(yùn)動(dòng)模糊、隨機(jī)擦除、隨機(jī)填充。

10.根據(jù)權(quán)利要求8所述的目標(biāo)檢測裝置，其特征在于，在訓(xùn)練得到基于輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測模型的過程中，通過難樣本挖掘的訓(xùn)練樣本訓(xùn)練得到目標(biāo)檢測模型。

11.根據(jù)權(quán)利要求8所述的目標(biāo)檢測裝置，其特征在于，將目標(biāo)檢測模型的權(quán)重?cái)?shù)據(jù)類型轉(zhuǎn)化為fp16或int8的數(shù)據(jù)類型。

12.根據(jù)權(quán)利要求8所述的目標(biāo)檢測裝置，其特征在于，所述目標(biāo)檢測模型包括：

骨干網(wǎng)絡(luò)，用于對所述待檢測圖像進(jìn)行特征提取；

頸部網(wǎng)絡(luò)，用于對骨干網(wǎng)絡(luò)提取的特征進(jìn)行特征融合，得到多尺度的融合特征；

頭部網(wǎng)絡(luò)，用于根據(jù)多尺度的融合特征進(jìn)行分類和回歸，輸出目標(biāo)檢測框的坐標(biāo)以及與所述目標(biāo)檢測框?qū)?yīng)的置信度。

13.根據(jù)權(quán)利要求12所述的目標(biāo)檢測裝置，其特征在于，所述骨干網(wǎng)包括ResNet、VGG或MobileNet；所述頭部網(wǎng)包括全連接網(wǎng)絡(luò)或1x1卷積網(wǎng)絡(luò)。