一种目标检测方法、装置及设备制造方法及图纸

本申请公开了一种目标检测方法、装置及设备，根据卷积神经网络对图像样本进行处理，得到至少两个特征图；将所述至少两个特征图进行融合，得到融合特征图；基于所述融合特征图确定目标检测结果，所述目标检测结果包括目标类别和目标位置中的至少一个。将多个特征图进行融合，可以增强目标的特征值，融合后的特征图适应性更强，针对小物体也有了更强的检测能力。

【技术实现步骤摘要】
一种目标检测方法、装置及设备
本申请涉及计算机软件
，尤其涉及一种目标检测方法、装置及设备。
技术介绍
当前目标检测领域主要包含深度学习方法和传统学习方法，传统目标检测的方法一般分为三个阶段：首先在给定的图像上选择一些候选的区域，然后对这些区域提取特征，最后使用训练的分类器进行分类。深度学习的方法包括基于RegionProposal的深度学习目标检测算法的两步检测方法，以及以SSD(全称：SingleShotMultiBoxDetector)为主的单步检测方法。其中两步方法包括：第一步为选取候选框的过程，也就是在图片中选取可能包含物体的框；第二步为对所选择的候选框进行分类和框位置的调整。这种方法速度比较慢。基于SSD的单步检测方法是基于卷积神经网络(英文名：ConvolutionalNeuralNetwork，缩写：CNN)的深度学习算法，利用多个卷积层获取多个特征图，并直接对多个特征图进行分类。这种方法的速度非常快，但是这类方法对于小物体检测不是很好。
技术实现思路
本说明书实施例提供了一种目标检测方法、装置及设备，用以解决现有目标检测手段对对于小物体检测效果不理想的问题。为解决上述技术问题，本说明书实施例是这样实现的：本说明书实施例提供一种目标检测方法，包括：根据卷积神经网络对图像样本进行处理，得到至少两个特征图；将所述至少两个特征图进行融合，得到融合特征图；基于所述融合特征图确定目标检测结果，所述目标检测结果包括目标类别和目标位置中的至少一个。本说明书实施例还提供一种目标检测装置，包括：处理模块，根据卷积神经网络，对图像样本进行处理，得到至少两个特征图；融合模块，将所述至少两个特征图进行融合，得到融合特征图；确定模块，基于所述融合特征图确定目标检测结果，所述目标检测结果包括目标类别和目标位置中的至少一个。本说明书实施例还提供一种电子设备，包括至少一个处理器及存储器，所述存储器存储有程序，并且被配置成由至少一个所述处理器执行上述目标检测方法。本说明书实施例还提供一种计算机可读存储介质，其特征在于，包括与电子设备结合使用的程序，程序可被处理器执行以完成上述目标检测方法。本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：根据卷积神经网络对图像样本进行处理，得到至少两个特征图；将所述至少两个特征图进行融合，得到融合特征图；基于所述融合特征图确定目标检测结果，所述目标检测结果包括目标类别和目标位置中的至少一个。将多个特征图进行融合，可以增强目标的特征数据，融合后的特征图适应性更强，针对小物体也有了更强的检测能力。同时特征融合操作并没有引入其他复杂操作，因此性能提高的同时，也可以保证目标检测速率。附图说明为了更清楚地说明本说明书实施例或现有技术中的技术方案，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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：图1为本说明书实施例提出的一种基于目标检测方法的整体架构示意图；图2为本说明书实施例提供的一种目标检测方法的流程示意图；图3为图2所示目标检测方法中的特征图融合的原理图；图4为本说明书实施例提出的一种目标检测装置的结构示意图。具体实施方式针对现有技术存在的问题进行分析发现，基于卷积神经网络的目标检测方法，对大物体的检测效果良好。但是，对于小物体来说，较小尺寸特征图中容易漏掉小物体，较大尺寸特征图中的小物体的特征向量不能充分用于分类，因此对于小物体检测比较差。本说明书实施例提供一种目标检测方法、装置以及设备，根据卷积神经网络，对图像样本进行处理，得到至少两个特征图；将所述至少两个特征图进行融合，得到融合特征图；基于所述融合特征图确定目标检测结果，所述目标检测结果包括目标类别和目标位置中的至少一个。利用本说明书实施例记载的方案，将多个特征图进行融合，可以降低小物体漏检的几率，还可以增强小物体的特征值，提升对小物体目标的检测精度和效果。为了使本
的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。图1为本说明书实施例提出的一种基于目标检测方法的整体架构示意图。该整体架构包括：图像样本；目标检测模型。其中，目标检测模型包括利用已知图像数据训练得到的卷积神经网络和特征图融合。图像样本被输入到目标检测模型，根据卷积神经网络对图像样本进行处理，得到至少两个特征图；将其中至少两个特征图进行融合，得到融合特征图；这样，可以基于融合特征图确定目标检测结果，目标检测结果可以包括目标类别和目标位置中的至少一个。在本说明书实施例中，本说明书使用的图像样本与用于训练卷积神经网络的已知图像数据具有相同大小及格式，主要来源于PASCALVOC以及微软COCO数据集，由于这两个数据集的格式不一致，我们只需要进行预处理操作，就可以将图像样本格式统一转化成相同的格式。图2为本说明书实施例提供的一种目标检测方法的流程示意图。从程序角度而言，该流程的执行主体可以是服务器上或者终端上的程序，比如，模型训练程序、图像目标检测程序、图像目标检测应用等。从设备角度而言，该流程可能的执行主体包括但不限于可作为服务器或者终端的以下至少一种设备：手机、平板电脑、智能可穿戴设备、车机、个人计算机、中型计算机、计算机集群等。步骤201：根据卷积神经网络对图像样本进行处理，得到至少两个特征图。在本说明书实施例中，图像样本可以是原图像或从原图像中提取得到。在实际应用场景中，图像样本可以是来自监控视频中的帧图像。具体地，根据卷积神经网络对图像样本进行处理，可以包括：将图像样本输入训练好的卷积神经网络，在卷积神经网络的多层卷积层对图像样本进行卷积计算，这样可以得到多层特征图。其中，所述特征图是对图像样本中的特征进行抽象而得到。在本说明书实施例中，卷积神经网络构成了SSD网络结构，在基础网络结构后，添加了额外的卷积层，这些卷积层输出的特征图尺寸是逐层递减的。因此，根据卷积神经网络，对图像样本进行处理，得到至少两个特征图，可以包括：根据卷积神经网络对图像样本进行处理，得到至少两个不同尺寸特征图；步骤202：将所述至少两个特征图进行融合，得到融合特征图。在这种情况下，融合可以增强融合特征图中的特征向量。图3为本说明书实施例提出的一种目标检测方法中的特征图融合的原理图。将所述至少两个特征图进行融合，得到融合特征图，可以包括：基于公式：将所述至少两个特征图进行融合，得到融合特征图；其中是指融合后第i层特征图的感受野，Ri是指第i层特征图的感受野，Rj是指第j层特征图的感受野，cj是比例因子，是指在第j层特征图中被抽取的通道数，Cj是指第j层特征图通道总数。具体的，一般来说，一个卷积神经网络中不同的特征图有着不同尺寸的感受野(receptivefields)。这里的感受野，指的是输出的特征图上的一个节点，其对应输入图像上尺寸的大小。本文档来自技高网...

【技术保护点】
1.一种目标检测方法。其特征在于，包括：根据卷积神经网络对图像样本进行处理，得到至少两个特征图；将所述至少两个特征图进行融合，得到融合特征图；基于所述融合特征图确定目标检测结果，所述目标检测结果包括目标类别和目标位置中的至少一个。

【技术特征摘要】
1.一种目标检测方法。其特征在于，包括：根据卷积神经网络对图像样本进行处理，得到至少两个特征图；将所述至少两个特征图进行融合，得到融合特征图；基于所述融合特征图确定目标检测结果，所述目标检测结果包括目标类别和目标位置中的至少一个。2.如权利要求1所述的目标检测方法，其特征在于，根据卷积神经网络对图像样本进行处理，得到至少两个特征图，包括：根据卷积神经网络，对图像样本进行处理，得到至少两个不同尺寸特征图；将所述至少两个特征图进行融合，得到融合特征图，包括：将所述至少两个不同尺寸特征图进行融合，得到融合特征图。3.如权利要求2所述的目标检测方法，其特征在于，将所述至少两个不同尺寸特征图进行融合，得到融合特征图，包括：对所述特征图进行处理，得到同一目标尺寸的特征图；将至少两个同一目标尺寸的特征图进行融合，得到融合特征图。4.如权利要求3所述的目标检测方法，其特征在于，对所述特征图进行处理，得到同一目标尺寸的特征图，包括：根据每一个特征图确定对应的目标特征图；根据所述目标特征图的尺寸确定所述同一目标尺寸；对所述目标特征图之外的至少一个其他特征图进行处理，得到所述同一目标尺寸的特征图；将至少两个同一目标尺寸的特征图进行融合，得到融合特征图，包括：将所述目标特征图与对应的所述至少一个其他特征图进行融合，得到融合特征图。5.如权利要求4所述的目标检测方法，其特征在于，根据至少一个特征图确定目标特征图，包括：依次根据各不同尺寸特征图确定目标特征图；对所述目标特征图之外的至少一个其他特征图进行处理，得到所述同一目标尺寸的特征图，包括：依次对所述目标特征图之外的其他各特征图进行处理，得到所述同一目标尺寸的特征图。6.如权利要求4所述的目标检测方法，其特征在于，基于所述融合特征图确定目标检测结果，包括：在对应不同的所述目标特征图分别得到不同融合特征图时，根据各融合特征图的分类结果确定所述目标检测结果。7.如权利要求1所述的目标检测方法，其特征在于，在根据卷积神经网络，对图像样本进行处理，得到至少两个特征图之前，所述目标检测方法还包括：在原图像中提取所述图像样本。8.如权利要求1所述的目标检测方法，其特征在于，将所述至少两个特征图进行融合，得到融合特征图，包括：基于公式：将所述至少两个特征图进行融合，得到融合特征图；其中，是指融合后第i层特征图的感受野，Ri是指第i层特征图的感受野，Rj是指第j层特征图的感受野，cj是比例因子，是指在第j层特征图中被抽取的通道数，Cj是指第j层特征图通道总数。9.一种目标检测装置，其特征在于，包括：处理模块，根据卷积神经网络，对图像样本进行处理，得到至少两个特征图；融合模块，将所述至少两个特征图进行融合，得到融合特...

【专利技术属性】
技术研发人员：姚勇强，董远，白洪亮，熊风烨，
申请(专利权)人：北京飞搜科技有限公司，
类型：发明
国别省市：北京,11