一种目标检测装置制造方法及图纸

本发明专利技术公开了一种目标检测装置。一种目标检测装置，包括存储器、存储器控制器、处理器和外设接口；所述外设接口包含图像采集单元、人机交互单元和显示单元；所述存储器包含目标检测模块；所述处理器获取所述图像采集单元采集到的图像信息，然后以所述图像信息为输入执行所述目标检测模块，输出所述图像信息的目标信息；最后将所述目标信息显示于所述显示单元中。其中所述目标检测模块包含：获取样本单元；建立基于目标候选框的卷积网络单元；确定目标候选框的标签信息和目标样本数据的映射信息单元；确定目标候选框的回归信息单元；训练基于目标候选框的卷积网络单元；预测目标单元。本发明专利技术适用于检测目标的应用情景。

【技术实现步骤摘要】
一种目标检测装置
本专利技术涉及目标检测
，特别涉及一种目标检测的装置。
技术介绍
随着科学技术的进步，目标检测的需要越来越多。美颜应用中需要检测目标，在此基础上进行美颜；换脸应用中也是先检测目标，然后在进行换脸；目标考勤也需要先检测目标，在识别目标。以上应用中，目标检测的准确性对上述应用有至关重要的影响。随着卷积神经网络的兴起，目标检测取得了显著的进展，其准确率一路飙升。但是，由于卷积网络的计算量巨大，需要高性能的GPU(如TITAN)才能实时检测。其高成本一直是制约其量产的关键瓶颈。本文提出了一种目标检测装置，其通过分类网络鉴别目标候选框是否为目标，通过回归网络来预测目标候选框相对于真实目标的偏移量，分类网络和回归网络共享特征层，来降低算法的计算量，采用分类误差和回归误差一起训练卷积神经网络，实现了端到端的训练。此网络通过贡献特征层，达到了降低计算量和模型参数量的目的，从而为实时检测创造的条件。
技术实现思路
本专利技术的实施例提供一种目标检测装置，可以实时检测目标。本专利技术是实施例采用的技术方案为：一种目标检测装置，包括存储器111、存储器控制器112、处理器113和外设接口114；所述外设接口包含图像采集单元115、人机交互单元116和显示单元117；所述存储器包含目标检测模块200；所述处理器获取所述图像采集单元采集到的图像信息，然后以所述图像信息为输入执行所述目标检测模块，输出所述图像信息的目标信息；最后将所述目标信息显示于所述显示单元中。其中所述目标检测模块包含：获取样本单元，用于获取标注过的目标样本数据；建立基于目标候选框的卷积网络单元，用于建立基于目标候选框的卷积网络，所述卷积网络包含特征提取网络和目标分类回归网络；确定目标候选框的标签信息和目标样本数据的映射信息单元，用于根据所述特征提取网络和所述目标样本数据，确定目标候选框的标签信息和目标样本数据的目标标注框在所述特征提取网络最后一层特征层上的目标标注框的映射信息；确定目标候选框的回归信息单元，用于根据所述目标候选框的标签信息和所述目标标注框的映射信息，确定所述目标候选框的回归信息；训练基于目标候选框的卷积网络单元，用于将所述目标候选框的标签信息和所述目标候选框的回归信息作为所述目标候选框的真值数据，训练所述卷积网络，当所述卷积网络模拟出所述目标候选框的真值数据的分布时，训练结束；预测目标单元，接收待测目标图像，用于通过所述卷积网络输出目标区域和目标得分进行目标预测。进一步的，所述特征提取网络为VGG-16去除最后三层的全连接层后剩余的部分。进一步的，所述确定目标候选框的标签信息和目标样本数据的映射信息单元，包括：获取带映射特征图模块，用于获取所述特征提取网络的最后一层信息，记为待映射特征图；生成目标候选框模块，用于在所述待映射特征图上，针对每一个像素位置，按照目标尺寸S和目标长宽比R，生成目标候选框；确定目标候选框的标签信息模块，用于确定所述目标候选框的标签信息。如果所述目标候选框与所述目标样本数据的目标标注框有交集，并且其交集与其并集之比，大于预设阈值T1，则将所述目标候选框标记为正样本；如果其交集与其并集之比，小于预设阈值T2，则将所述目标候选框标记为负样本；确定目标样本数据的映射信息模块，用于确定所述目标标注框的映射信息。计算所述特征提取网络的放缩比例，将所述目标样本数据的目标标注框映射在待映射特征图上，获得目标标注框的映射信息。进一步的，所述生成目标候选框的个数为所述目标尺寸S的个数与所述目标长宽比R的个数的乘积。进一步的，所述确定目标候选框的标签信息模块，还包括：标记目标样本数据的目标标注框模块。如果目标候选框与所述标注过的目标样本数据的目标标注框有交集，并且其交集与其并集之比，大于预设阈值T1，则所述目标候选框标记为正样本，并且将所述目标标注框标记为已配对目标候选框；统计没有与目标候选框配对的目标标注框模块。重新将没有与目标候选框配对成功的目标标注框进行配对操作模块。针对每一个没有与目标候选框配对成功的目标标注框，计算该没有与目标候选框配对成功的目标标注框与全部目标候选框的交集与并集的比率，并进行排序；将最大的比率所对应的目标候选框，标记为正样本。进一步的，所述确定目标候选框的回归信息单元，包括：所述目标候选框的标签信息包含正样本和负样本；如果所述目标候选框的标签信息为正样本，获取与所述目标候选框的交集和并集之比最大的目标标注框；计算所述目标候选框位置相对于所述目标标注框的偏移量，将所述偏移量作目标候选框的回归信息。进一步的，所述训练基于目标候选框的卷积网络单元，包括：所述目标候选框的标签信息包含正样本和负样本；随机选取所述标签信息为正样本和负样本的目标候选框，训练所述卷积网络，其中所述标签信息为正样本的目标候选框的数目和所述标签信息为负样本的目标候选框的数目一致。进一步的，所述训练基于目标候选框的卷积网络单元，包括：计算所述卷积网络的目标代价函数，所述目标代价函数包含：分类代价和回归代价。进一步的，所述计算所述卷积网络的目标代价函数，包括：分类代价除以参与计算的目标候选框的个数进行归一化，回归代价除以四倍的正样本目标候选框的个数进行归一化。进一步的，所述预测目标单元，包括：获取第一目标集合模块：获取所述卷积网络的目标区域，记为第一目标区域，获取所述卷积网络的目标得分，记为第一目标得分；建立所述第一目标区域和所述第一目标得分的映射集合，记为第一目标集合；计算最高目标得分对应的目标模块：根据第一目标得分，对所述第一目标集合进行排序，获取当前第一目标集合中的最高目标得分；计算与最高得分的目标交并比小于预设阈值的目标模块：计算最高目标得分对应的目标模块中的最高目标得分对应的目标区域与第一目标集合中其余目标区域的交集和并集之比，当所述交集和并集之比大于预设阈值T3时，从第一目标集合中删除其交集和并集之比对应的目标区域；计算第二目标集合模块：将第一目标集合中最高目标得移除，保存至第二目标集合；计算检测目标集合模块：合并第一目标集合和第二目标集合，为待测目标图像的目标区域。与现有技术相比，本专利技术提出了一种目标检测的装置。本装置采用注意力机制关注目标候选框，通过分类网络鉴别目标候选框是否为目标，通过回归网络来预测目标候选框相对于真实目标的偏移量，分类网络和回归网络共享特征层，来降低算法的计算量，采用分类误差和回归误差一起训练卷积神经网络。本专利技术提出的装置，可以在低性能的显卡上可以实时准确的检测检测，其帧率可以达到45fps/s，其准确率为98％，满足了工业中目标检测的需求。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。图1为一种目标检测装置的示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。为使本文档来自技高网...

【技术保护点】
1.一种目标检测装置，包括存储器、存储器控制器、处理器和外设接口；所述外设接口包含图像采集单元、人机交互单元和显示单元；所述存储器包含目标检测模块；所述处理器获取所述图像采集单元采集到的图像信息，然后以所述图像信息为输入执行所述目标检测模块，输出所述图像信息的目标信息；最后将所述目标信息显示于所述显示单元中；其中所述目标检测模块包含：获取样本单元，用于获取标注过的目标样本数据；建立基于目标候选框的卷积网络单元，用于建立基于目标候选框的卷积网络，所述卷积网络包含特征提取网络和目标分类回归网络；确定目标候选框的标签信息和目标样本数据的映射信息单元，用于根据所述特征提取网络和所述目标样本数据，确定目标候选框的标签信息和目标样本数据的目标标注框在所述特征提取网络最后一层特征层上的目标标注框的映射信息；确定目标候选框的回归信息单元，用于根据所述目标候选框的标签信息和所述目标标注框的映射信息，确定所述目标候选框的回归信息；训练基于目标候选框的卷积网络单元，用于将所述目标候选框的标签信息和所述目标候选框的回归信息作为所述目标候选框的真值数据，训练所述卷积网络，当所述卷积网络模拟出所述目标候选框的真值数据的分布时，训练结束；预测目标单元，接收待测目标图像，用于通过所述卷积网络输出目标区域和目标得分进行目标预测。...

【技术特征摘要】
1.一种目标检测装置，包括存储器、存储器控制器、处理器和外设接口；所述外设接口包含图像采集单元、人机交互单元和显示单元；所述存储器包含目标检测模块；所述处理器获取所述图像采集单元采集到的图像信息，然后以所述图像信息为输入执行所述目标检测模块，输出所述图像信息的目标信息；最后将所述目标信息显示于所述显示单元中；其中所述目标检测模块包含：获取样本单元，用于获取标注过的目标样本数据；建立基于目标候选框的卷积网络单元，用于建立基于目标候选框的卷积网络，所述卷积网络包含特征提取网络和目标分类回归网络；确定目标候选框的标签信息和目标样本数据的映射信息单元，用于根据所述特征提取网络和所述目标样本数据，确定目标候选框的标签信息和目标样本数据的目标标注框在所述特征提取网络最后一层特征层上的目标标注框的映射信息；确定目标候选框的回归信息单元，用于根据所述目标候选框的标签信息和所述目标标注框的映射信息，确定所述目标候选框的回归信息；训练基于目标候选框的卷积网络单元，用于将所述目标候选框的标签信息和所述目标候选框的回归信息作为所述目标候选框的真值数据，训练所述卷积网络，当所述卷积网络模拟出所述目标候选框的真值数据的分布时，训练结束；预测目标单元，接收待测目标图像，用于通过所述卷积网络输出目标区域和目标得分进行目标预测。2.根据权利要求1所述的装置，其特征在于，所述特征提取网络为VGG-16去除最后三层的全连接层后剩余的部分。3.根据权利要求1所述的装置，其特征在于，所述确定目标候选框的标签信息和目标样本数据的映射信息单元，包括：获取带映射特征图模块，用于获取所述特征提取网络的最后一层信息，记为待映射特征图；生成目标候选框模块，用于在所述待映射特征图上，针对每一个像素位置，按照目标尺寸S和目标长宽比R，生成目标候选框；确定目标候选框的标签信息模块，用于确定所述目标候选框的标签信息；如果所述目标候选框与所述目标样本数据的目标标注框有交集，并且其交集与其并集之比，大于预设阈值T1，则将所述目标候选框标记为正样本；如果其交集与其并集之比，小于预设阈值T2，则将所述目标候选框标记为负样本；确定目标样本数据的映射信息模块，用于确定所述目标标注框的映射信息；计算所述特征提取网络的放缩比例，将所述目标样本数据的目标标注框映射在待映射特征图上，获得目标标注框的映射信息。4.根据权利要求3所述的装置，其特征在于，所述生成目标候选框的个数为所述目标尺寸S的个数与所述目标长宽比R的个数的乘积。5.根据权利要求3所述的装置，其特征在于，所述确定目标候选框的标签信息模块，还包括：标记目标样本数据的...

【专利技术属性】
技术研发人员：高体红，
申请(专利权)人：成都通甲优博科技有限责任公司，
类型：发明
国别省市：四川,51