图像检测方法及装置制造方法及图纸

本申请实施例公开了一种图像检测方法和装置，所述方法包括：利用检测框分类模型，获取待检测图像中属于目标物体概率最高的目标物体检测框；其中，所述检测框分类模型预先根据标注目标物体的第一类样本图像训练得到；抽取所述目标物体检测框中的图像特征；根据所述目标物体检测框的图像特征，利用目标物体分类器，检测所述目标物体检测框是否为目标物体；其中，所述目标物体分类器预先根据第二类样本图像中目标物体的正样本以及目标物体的负样本进行训练得到。本申请实施例实现了待检测图像的有效检测，提高了图像检测精确度。

【技术实现步骤摘要】

本申请属于图像处理
，具体地说，涉及一种图像检测方法及装置。
技术介绍
在图像存在复杂背景的情况下，如何将目标物体从图像的背景中检测出来，是图像处理过程经常遇到的问题。特别是目标物体为人体时，在不同的技术应用中均有涉及。现有技术中，以检测图像中的人体为例，绝大多数的图像检测流程一般是：首先构造人工设计的规则或者图像特征(如人体轮廓特征，人体区域直方图特征，人体关键点特征等)，然后训练检测模型或者分类模型，最后通过得到的检测器或者分类器在图像中定位出人体的位置。但是，现有的这种图像检测方案，图像检测的精确度还有待提高。
技术实现思路
有鉴于此，本申请所要解决的技术问题是提供了一种图像检测方法及装置，实现了图像有效检测，提高了图像检测的精确度。为了解决上述技术问题，本申请公开了一种图像检测方法及装置。一种图像检测方法，包括：利用检测框分类模型，获取待检测图像中属于目标物体概率最高的目标物体检测框；其中，所述检测框分类模型预先根据标注目标物体的第一类样本图像训练得到；抽取所述目标物体检测框中的图像特征；根据所述目标物体检测框的图像特征，利用目标物体分类器，检测所述目标物体检测框是否为目标物体；其中，所述目标物体分类器预先根据第二类样本图像中目标物体的正样本以及负样本进行训练得到。优选地，在检测所述目标物体检测框不是目标物体时，所述方法还包括：利用候选框提取算法，抽取所述待检测图像中的目标物体候选框；针对每一目标物体候选框，抽取所述目标物体候选框中的图像特征，并根据所述目标物体候选框的图像特征，利用所述目标物体分类器，确定所述目标物体候选框是否为目标物体。优选地，所述利用检测框分类模型为全卷积网络FCN分类模型；所述利用检测框分类模型，获取待检测图像属于目标物体的概率最高的目标物体检测框包括：利用FCN分类模型，获得待检测图像中属于目标物体概率最高的目标物体检测框；所述FCN分类模型预先根据标注目标物体的第一类样本图像，对FCN网络结构训练得到。优选地，所述抽取所述目标物体检测框中的图像特征包括：利用卷积神经网络CNN模型，抽取所述目标物体检测框的CNN特征；其中，所述CNN模型预先根据第二类样本图像中的目标物体正样本以及负样本对CNN网络结构进行训练得到；所述CNN模型训练时的目标物体正样本为第二类样本图像中与目标物体标注框重合度大于第一预设值的目标物体候选框；目标物体负样本为第二类样本图像中与目标物体标注框重合度小于第二预设值的物体候选框；所述目标物体分类器训练时的目标物体正样本为第二类样本图像中的样本物体标注框；负样本为与所述目标物体标注框重合度小于第三预设值的目标物体候选框。优选地，在检测所述目标物体检测框为目标物体之后，所述方法还包括：利用第一检测框回归模型对所述目标物体检测框进行修正，得到调整之后的检测框，并在所述待检测图像中输出所述调整之后的检测框；其中，所述第一检测框回归模型预先根据所述第一类样本图像的目标物体标注框与目标物体检测框的误差训练得到。优选地，所述根据所述目标检测框的图像特征，利用目标物体分类器，检测所述目标物体检测框是否为目标物体包括：根据所述目标检测框的图像特征，利用目标物体分类器，获得所述目标物体检测框为目标物体的置信度；根据所述目标物体检测框的置信度，确定所述目标物体检测框是否为目标物体，其中，在所述目标物体检测框的置信度大于第一阈值时，确定所述目标候选框为目标物体；所述根据所述目标物体候选框的图像特征，利用目标物体分类器，检测所述目标物体候选框是否为目标物体包括：根据所述目标候选框的图像特征，利用目标物体分类器，获得所述目标物体候选框为目标物体的置信度；根据所述目标物体候选框的置信度，确定所述目标物体候选框是否为目标物体；其中，在所述目标物体候选框的置信度大于第一阈值时，确定所述目标候选框为目标物体。优选地，在确定所述目标物体候选框为目标物体之后，所述方法还包括：从置信度大于第一阈值的目标物体候选框中，对于重合度大于重合阈值的任意两个目标物体候选框，选择置信度最大的目标物体候选框作为目标物体结果框；利用第二检测框回归模型对所述目标物体结果框进行修正，得到调整之后的目标物体结果框，并在所述待检测图像中输出所述调整之后的目标物体结果框；其中，所述第二检测框回归模型预先根据第二类样本图像的目标物体标注框，以及第二类样本图像的目标物体结果框的误差训练得到；所述第二类样本图像的目标物体结果框按照下述方式确定：获取第二类样本图像中的目标物体候选框；针对所述第二类样本图像中的每一目标物体候选框，抽取所述目标物体候选框中的图像特征，并根据所述图像特征，利用所述目标物体分类器，获得置信度大于第一阈值的目标物体候选框；从所述置信度大于第一阈值的目标物体候选框中，对于重合度大于重合阈值的任意两个目标物体候选框，选择置信度最大的目标物体候选框作为所述第二类样本图像的目标物体结果框。一种图像检测装置，包括：检测框获取模块，用于利用检测框分类模型，获取待检测图像中属于目标物体概率最高的目标物体检测框；其中，所述检测框分类模型预先根据标注目标物体的第一类样本图像训练得到；第一特征抽取模块，用于抽取所述目标物体检测框中的图像特征；第一检测模块，用于根据所述目标物体检测框的图像特征，利用目标物体分类器，检测所述目标物体检测框是否为目标物体；其中，所述目标物体分类器预先根据第二类样本图像中目标物体的正样本以及目标物体的负样本进行训练得到。优选地，所述装置还包括：候选框获取模块，用于在第一检测模块检测所述目标物体检测框不是目标物体时，利用候选框提取算法，抽取所述待检测图像中的目标物体候选框；第二特征抽取模块，用于针对每一目标物体候选框，抽取所述目标物体候选框中的图像特征；第二检测模块，用于根据所述目标物体候选框的图像特征，利用所述目标物体分类器，确定所述目标物体候选框是否为目标物体。优选地，所述检测框分类模型为全卷积网络FCN分类模型；所述检测框获取模块具体用于利用FCN分类模型，获得待检测图像中属于目标物体概率最高的目标物体检测框；所述FCN分类模型预先根据标注目标物体的样本图像，对FCN网络结构训练得到。优选地，所述第一特征抽取模块具体用于利用卷积神经网络CNN模型，抽取所述目标物体检测框的CNN特征；其中，所述CNN模型预先根据第二类样本图像中的目标物体正样本以及负样本对CNN网络结构进行训练得到；所述CNN模型训练时的目标物体正样本为样本图像中与目标物体标注框重合度大于第一预设值的目标物体候选框；目标物体负样本为样本图像中与目标物体标注框重合度小于第二预设值的样本物体候选框；则所述目标物体分类器训练时的目标物体正样本为第二类样本图像中的样本物体标注框；负样本为与所述目标物体标注框重合度小于第三预设值的目标物体候选框。优选地，还包括：第一调整模块，用于利用第一检测框回归模型对所述目标物体检测框进行修正，得到调整之后的目标物体检测框；第二输出模块，用于在所述待检测图像中输出所述调整之后的目标物体检测框；其中，所述第一检测框回归模型预先根据第一类样本图像的目标物体标注框与目标物体检测框的误差训练得到。优选地，所述第一检测模块包括：第一置信度获取单元，用于根据所述目标检测框的图像特征，利用目本文档来自技高网...

【技术保护点】
一种图像检测方法，其特征在于，包括：利用检测框分类模型，获取待检测图像中属于目标物体概率最高的目标物体检测框；其中，所述检测框分类模型预先根据标注目标物体的第一类样本图像训练得到；抽取所述目标物体检测框中的图像特征；根据所述目标物体检测框的图像特征，利用目标物体分类器，检测所述目标物体检测框是否为目标物体；其中，所述目标物体分类器预先根据第二类样本图像中目标物体的正样本以及负样本进行训练得到。

【技术特征摘要】
1.一种图像检测方法，其特征在于，包括：利用检测框分类模型，获取待检测图像中属于目标物体概率最高的目标物体检测框；其中，所述检测框分类模型预先根据标注目标物体的第一类样本图像训练得到；抽取所述目标物体检测框中的图像特征；根据所述目标物体检测框的图像特征，利用目标物体分类器，检测所述目标物体检测框是否为目标物体；其中，所述目标物体分类器预先根据第二类样本图像中目标物体的正样本以及负样本进行训练得到。2.如权利要求1所述的方法，其特征在于，在检测所述目标物体检测框不是目标物体时，所述方法还包括：利用候选框提取算法，抽取所述待检测图像中的目标物体候选框；针对每一目标物体候选框，抽取所述目标物体候选框中的图像特征，并根据所述目标物体候选框的图像特征，利用所述目标物体分类器，确定所述目标物体候选框是否为目标物体。3.如权利要求1或2所述的方法，其特征在于，所述检测框分类模型为全卷积网络FCN分类模型；所述利用检测框分类模型，获取待检测图像属于目标物体的概率最高的目标物体检测框包括：利用FCN分类模型，获得待检测图像中属于目标物体概率最高的目标物体检测框；所述FCN分类模型预先根据标注目标物体的第一类样本图像，对FCN网络结构训练得到。4.如权利要求1或2所述的方法，其特征在于，所述抽取所述目标物体检测框中的图像特征包括：利用卷积神经网络CNN模型，抽取所述目标物体检测框的CNN特征；其中，所述CNN模型预先根据第二类样本图像中的目标物体正样本以及负样本对CNN网络结构进行训练得到；所述CNN模型训练时的目标物体
\t正样本为第二类样本图像中与目标物体标注框重合度大于第一预设值的目标物体候选框；目标物体负样本为第二类样本图像中与目标物体标注框重合度小于第二预设值的物体候选框；所述目标物体分类器训练时的目标物体正样本为第二类样本图像中的样本物体标注框；负样本为与所述目标物体标注框重合度小于第三预设值的目标物体候选框。5.如权利要求1所述的方法，其特征在于，在检测所述目标物体检测框为目标物体之后，所述方法还包括：利用第一检测框回归模型对所述目标物体检测框进行修正，得到调整之后的检测框，并在所述待检测图像中输出所述调整之后的检测框；其中，所述第一检测框回归模型预先根据所述第一类样本图像的目标物体标注框与目标物体检测框的误差训练得到。6.如权利要求2或5所述的方法，其特征在于，所述根据所述目标检测框的图像特征，利用目标物体分类器，检测所述目标物体检测框是否为目标物体包括：根据所述目标检测框的图像特征，利用目标物体分类器，获得所述目标物体检测框为目标物体的置信度；根据所述目标物体检测框的置信度，确定所述目标物体检测框是否为目标物体，其中，在所述目标物体检测框的置信度大于第一阈值时，确定所述目标候选框为目标物体；所述根据所述目标物体候选框的图像特征，利用目标物体分类器，检测所述目标物体候选框是否为目标物体包括：根据所述目标候选框的图像特征，利用目标物体分类器，获得所述目标物体候选框为目标物体的置信度；根据所述目标物体候选框的置信度，确定所述目标物体候选框是否为目标物体；其中，在所述目标物体候选框的置信度大于第一阈值时，确定所述目标候选框为目标物体。7.如权利要求6所述的方法，其特征在于，在确定所述目标物体候选
\t框为目标物体之后，所述方法还包括：从置信度大于第一阈值的目标物体候选框中，对于重合度大于重合阈值的任意两个目标物体候选框，选择置信度最大的目标物体候选框作为目标物体结果框；利用第二检测框回归模型对所述目标物体结果框进行修正，得到调整之后的目标物体结果框，并在所述待检测图像中输出所述调整之后的目标物体结果框；其中，所述第二检测框回归模型预先根据第二类样本图像的目标物体标注框，以及第二类样本图像的目标物体结果框的误差训练得到；所述第二类样本图像的目标物体结果框按照下述方式确定：获取第二类样本图像中的目标物体候选框；针对所述第二类样本图像中的每一目标物体候选框，抽取所述目标物体候选框中的图像特征，并根据所述图像特征，利用所述目标物体分类器，获得置信度大于第一阈值的目标物体候选框；从所述置信度大于第一阈值的目标物体候选框中，对于重合度大于重合阈值的任意两个目标物体候选框，选择置信度最大的目标物体候选框作为所述第二类样本图像的目标物体结果...

【专利技术属性】
技术研发人员：祝健飞，刘彬，刘扬，陈宇，高洋，安山，赵小伟，张洪明，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛;KY