[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

本發明提供一種目標檢測方法和裝置，所述方法包括以下步驟：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，第一檢測框中的第一圖像為真目標，第二檢測框中的第二圖像為假目標；分別獲取每個第一圖像和每個第二圖像的N種特征變量，并從N種特征變量中選擇出n種選定特征變量；對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；獲取每個第三檢測框中的圖像的n種選定特征變量；將第三檢測框中的圖像的n種選定特征變量輸入線性回歸函數，并根據輸出結果判定每個第三檢測框中的圖像是否為真目標。

技術領域

本發明涉及人工智能技術領域，具體涉及一種目標檢測方法、一種目標檢測裝置、一種計算機設備和一種非臨時性計算機可讀存儲介質。

背景技術

深度學習目標檢測算法能夠方便智能地檢測出圖像中的目標，然而，現有的深度學習目標檢測算法對于相似目標的檢測效果不佳，往往會出現很多誤識別的情況。

發明內容

本發明為解決上述技術問題，提供了一種目標檢測方法和裝置，能夠實現相似目標的有效區分，大大提高目標檢測的準確度。

本發明采用的技術方案如下：

一種目標檢測方法，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。

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。

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。

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。

一種目標檢測裝置，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。

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。

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。

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，所述處理器執行所述計算機程序時，實現上述目標檢測方法。