[發(fā)明專(zhuān)利]一種目標(biāo)檢測(cè)方法、裝置、存儲(chǔ)介質(zhì)及終端

在審

• 申請(qǐng)?zhí)枺?/td>: 202110198093.3
• 申請(qǐng)日: 2021-02-22
• 公開(kāi)（公告）號(hào): CN112906794A
• 公開(kāi)（公告）日: 2021-06-04
• 發(fā)明（設(shè)計(jì)）人: 廖玲;劉志昌;張亞昇
• 申請(qǐng)（專(zhuān)利權(quán)）人: 珠海格力電器股份有限公司
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京煦潤(rùn)律師事務(wù)所 11522
• 代理人: 高瑩;梁永芳

1.一種目標(biāo)檢測(cè)方法，其特征在于，包括：

獲取預(yù)先進(jìn)行過(guò)標(biāo)注的圖像樣本；所述標(biāo)注包括：標(biāo)注目標(biāo)物體的類(lèi)別和目標(biāo)物體在圖像中的坐標(biāo)；

將獲取的圖像樣本輸入預(yù)設(shè)的CSPDarknet53網(wǎng)絡(luò)結(jié)構(gòu)中進(jìn)行特征提取得到特征圖；

對(duì)得到的特征圖進(jìn)行卷積處理、上采樣處理以及特征融合，得到目標(biāo)物體的特征信息；所述特征信息，包括：位置信息和語(yǔ)義特征信息；

根據(jù)所述目標(biāo)物體的特征信息進(jìn)行邊框預(yù)測(cè)，得到預(yù)測(cè)邊框的邊框信息和類(lèi)別置信度，并在得到的預(yù)測(cè)邊框中篩選出檢測(cè)框；

根據(jù)篩選出的所述檢測(cè)框計(jì)算邊框損失和類(lèi)別損失，并根據(jù)計(jì)算得到的邊框損失和類(lèi)別損失更新權(quán)重參數(shù)，得到用于進(jìn)行目標(biāo)檢測(cè)的網(wǎng)絡(luò)模型；

將待檢測(cè)的圖像輸入所述網(wǎng)絡(luò)模型中進(jìn)行目標(biāo)檢測(cè)，并在所述圖像中對(duì)所述目標(biāo)物體進(jìn)行標(biāo)注。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，采用以下的公式計(jì)算得到預(yù)測(cè)邊框：

b_x＝σ(t_x)+c_x，b_y＝σ(t_y)+c_y，

其中，p_w，p_h分別表示錨框的寬和高，t_x、t_y表示網(wǎng)絡(luò)預(yù)測(cè)的坐標(biāo)偏移值，t_w、t_h表示網(wǎng)絡(luò)預(yù)測(cè)的縮放尺度，σ(t_x)、σ(t_y)分別表示對(duì)t_x、t_y進(jìn)行Sigmoid函數(shù)激活處理；c_x、c_y分別表示預(yù)測(cè)邊框所在的網(wǎng)格在圖像中的相對(duì)位置，b_x，b_y表示預(yù)測(cè)邊框的中心點(diǎn)坐標(biāo)，b_w，b_h分別表示預(yù)測(cè)邊框的寬、高。

3.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，

將獲取的圖像樣本輸入預(yù)設(shè)的CSPDarknet53網(wǎng)絡(luò)結(jié)構(gòu)中進(jìn)行特征提取之前，還包括：

對(duì)所述圖像樣本進(jìn)行預(yù)處理，包括：

對(duì)所述圖像樣本采用預(yù)設(shè)的數(shù)據(jù)增強(qiáng)的方式進(jìn)行數(shù)據(jù)增強(qiáng)；

和/或，

對(duì)所述圖像樣本進(jìn)行縮放處理，使縮放后的縱橫像素點(diǎn)數(shù)均為32的倍數(shù)；其中，輸入所述CSPDarknet53網(wǎng)絡(luò)的圖像進(jìn)行五次下采樣；

和/或，

將待檢測(cè)的圖像輸入所述神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行目標(biāo)檢測(cè)之前，還包括：

對(duì)所述待檢測(cè)的圖像進(jìn)行縮放處理，使縮放后的縱橫像素點(diǎn)數(shù)均為32的倍數(shù)。

4.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，對(duì)得到的特征圖進(jìn)行卷積處理、上采樣以及特征融合，得到目標(biāo)物體的特征信息，包括：

將每次經(jīng)過(guò)卷積處理和上采樣得到的特征圖與在所述CSPDarknet53網(wǎng)絡(luò)中下采樣得到的尺寸相同的特征圖進(jìn)行特征融合后，通過(guò)跨階段局部融合層進(jìn)行跨階段局部融合。

5.一種目標(biāo)檢測(cè)裝置，其特征在于，包括：

獲取單元，用于獲取預(yù)先進(jìn)行過(guò)標(biāo)注的圖像樣本；所述標(biāo)注包括：標(biāo)注目標(biāo)物體的類(lèi)別和目標(biāo)物體在圖像中的坐標(biāo)；

特征提取單元，用于將獲取的圖像樣本輸入預(yù)設(shè)的CSPDarknet53網(wǎng)絡(luò)結(jié)構(gòu)中進(jìn)行特征提取得到特征圖；

特征融合單元，用于對(duì)得到的特征圖進(jìn)行卷積處理、上采樣處理以及特征融合，得到目標(biāo)物體的特征信息；所述特征信息，包括：位置信息和語(yǔ)義特征信息；

邊框預(yù)測(cè)單元，用于根據(jù)所述目標(biāo)物體的特征信息進(jìn)行邊框預(yù)測(cè)，得到預(yù)測(cè)邊框的邊框信息和類(lèi)別置信度，并在得到的預(yù)測(cè)邊框中篩選出檢測(cè)框；

參數(shù)更新單元，用于根據(jù)篩選出的所述檢測(cè)框計(jì)算邊框損失和類(lèi)別損失，并根據(jù)計(jì)算得到的邊框損失和類(lèi)別損失更新權(quán)重參數(shù)，得到用于進(jìn)行目標(biāo)檢測(cè)的網(wǎng)絡(luò)模型；

目標(biāo)檢測(cè)單元，用于將待檢測(cè)的圖像輸入所述網(wǎng)絡(luò)模型中進(jìn)行目標(biāo)檢測(cè)，并在所述圖像中對(duì)所述目標(biāo)物體進(jìn)行標(biāo)注。