[發明專利]目標檢測方法和裝置

有效

• 申請號: 202011262751.2
• 申請日: 2020-11-12
• 公開（公告）號: CN112381136B
• 公開（公告）日: 2022-08-19
• 發明（設計）人: 陳海波;其他發明人請求不公開姓名
• 申請（專利權）人: 深蘭智能科技（上海）有限公司
• 主分類號: G06V10/74
• 分類號: G06V10/74;G06V10/774
• 代理公司: 常州佰業騰飛專利代理事務所(普通合伙) 32231
• 代理人: 陳紅橋

1.一種目標檢測方法，其特征在于，包括以下步驟：

通過深度學習目標檢測算法對樣本圖像進行檢測，得到至少一個第一檢測框和至少一個第二檢測框，其中，所述第一檢測框中的第一圖像為真目標，所述第二檢測框中的第二圖像為假目標；

分別獲取每個所述第一圖像和每個所述第二圖像的N種特征變量，并從所述N種特征變量中選擇出n種選定特征變量，其中，所述第一圖像的選定特征變量與所述第二圖像的選定特征變量的差異值大于相應的預設差異值，其中，2≤n≤N，且N和n均為正整數；

對所述n種選定特征變量做多元線性回歸，得到線性回歸函數；

通過所述深度學習目標檢測算法對待檢測圖像進行檢測，得到多個第三檢測框；

獲取每個所述第三檢測框中的圖像的n種選定特征變量；

將所述第三檢測框中的圖像的n種選定特征變量輸入所述線性回歸函數，并根據輸出結果判定每個所述第三檢測框中的圖像是否為真目標。

2.根據權利要求1所述的目標檢測方法，其特征在于，所述N種特征變量包括至少一種直方圖分布參數、至少一種紋理特性參數、至少一種全局閾值參數、至少一種輪廓信息參數中的多種，其中，全局閾值參數包括灰度平均值、黃氏模糊閾值、谷底最小值、百分比閾值、迭代法閾值、大律法閾值、一維最大熵閾值，輪廓信息參數包括輪廓面積和長度、矩特征。

3.根據權利要求2所述的目標檢測方法，其特征在于，所述線性回歸函數的輸入為所述n種選定特征變量，輸出為圖像為真目標的概率。

4.根據權利要求3所述的目標檢測方法，其特征在于，對所述n種選定特征變量做多元線性回歸時，損失函數采用均方差損失。

5.一種目標檢測裝置，其特征在于，包括：

第一檢測模塊，所述第一檢測模塊用于通過深度學習目標檢測算法對樣本圖像進行檢測，得到至少一個第一檢測框和至少一個第二檢測框，其中，所述第一檢測框中的第一圖像為真目標，所述第二檢測框中的第二圖像為假目標；

第一獲取模塊，所述第一獲取模塊用于分別獲取每個所述第一圖像和每個所述第二圖像的N種特征變量，并從所述N種特征變量中選擇出n種選定特征變量，其中，所述第一圖像的選定特征變量與所述第二圖像的選定特征變量的差異值大于相應的預設差異值，其中，2≤n≤N，且N和n均為正整數；

回歸模塊，所述回歸模塊用于對所述n種選定特征變量做多元線性回歸，得到線性回歸函數；

第二檢測模塊，所述第二檢測模塊用于通過所述深度學習目標檢測算法對待檢測圖像進行檢測，得到多個第三檢測框；

第二獲取模塊，所述第二獲取模塊用于獲取每個所述第三檢測框中的圖像的n種選定特征變量；

判斷模塊，所述判斷模塊用于將所述第三檢測框中的圖像的n種選定特征變量輸入所述線性回歸函數，并根據輸出結果判定每個所述第三檢測框中的圖像是否為真目標。

6.根據權利要求5所述的目標檢測裝置，其特征在于，所述N種特征變量包括至少一種直方圖分布參數、至少一種紋理特性參數、至少一種全局閾值參數、至少一種輪廓信息參數中的多種，其中，全局閾值參數包括灰度平均值、黃氏模糊閾值、谷底最小值、百分比閾值、迭代法閾值、大律法閾值、一維最大熵閾值，輪廓信息參數包括輪廓面積和長度、矩特征。

7.根據權利要求6所述的目標檢測裝置，其特征在于，所述線性回歸函數的輸入為所述n種選定特征變量，輸出為圖像為真目標的概率。

8.一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時，實現根據權利要求1-4中任一項所述的目標檢測方法。

9.一種非臨時性計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執行時實現根據權利要求1-4中任一項所述的目標檢測方法。