一种目标检测方法、装置及电子设备制造方法及图纸

本发明专利技术实施例提供了一种目标检测方法、装置及电子设备，方法包括：基于预设的特征提取器，对所获得的待检测图像进行多层卷积运算，获得至少两层目标卷积运算各自对应的目标特征图，其中，至少两层目标卷积运算至少包括：最后一层卷积运算；基于预设的区域提取网络模型以及最后一层卷积运算对应的目标特征图，确定待检测图像的疑似目标区域的区域位置信息；基于预设的分类模型、所获得的目标特征图以及所确定的疑似目标区域的区域位置信息，从待检测图像中获得目标信息，其中，目标信息包括：待检测图像中目标对象的目标类型以及目标位置信息。应用本发明专利技术实施例，以实现对目标对象的更准确的检测。

【技术实现步骤摘要】
一种目标检测方法、装置及电子设备
本专利技术涉及图像处理
，特别是涉及一种目标检测方法、装置及电子设备。
技术介绍
现有的目标检测流程一般为：首先，基于预先训练的特征提取器，对待检测图像进行一系列的卷积、池化操作，以对待检测图像进行特征提取以及降采样；然后，获得最后一个卷积操作完成后所得到的第一特征图，利用预先训练的RPN(RegionProposalNetwork，区域提取网络)模型基于所获得的第一特征图，提取多个疑似目标区域(即疑似目标对象在待检测图像中的所在位置区域)；进一步，基于所提取的多个疑似目标区域，对所获得的第一特征图进行区域池化操作，即进行ROI(Regionofinterest，感兴趣区域)_pooling操作，获得每一疑似目标区域对应的特征；进而利用预先训练的分类模型对每一疑似目标区域对应的特征进行分类，确定待检测图像中目标对象的类别以及其在待检测图像中的位置信息，实现对待检测图像中目标对象的检测。上述预先训练的特征提取器、预先训练的RPN模型与上述预先训练的分类模型均为基于样本图像的第二特征图训练所得的模型，其中，上述第二特征图为样本图像进行一系列的卷积、池化操作后，所获得的最后一个卷积操作完成后所得到的特征图。如图1所示，为现有的目标检测流程的一种示意图，其中，分别对待检测图像进行5次卷积操作(conv1～conv5)和两次池化操作(pooling)后，基于最后一次卷积操作(即“conv5”)后所得的第一特征图，进行“RPN提取proposals”操作(即利用RPN从待检测图像中提取Proposals)，进而，基于所提取的proposals对第一特征图进行“ROI_pooling”操作，获得每一Proposal对应的特征，进而根据预先训练的分类器对每一proposal对应的特征进行“目标分类”操作(即利用预先训练的分类器对每一proposal对应的特征进行分类)，确定待检测图像中目标对象的类别以及其位置信息。对待检测图像进行的卷积操作次数越多，所获得的第一特征图中的特征的深度越深，特征越具有语义信息，越能更好的描述目标对象。然而，深度越深的特征，所具有的对目标对象的细节信息越少，这就容易造成对待检测图像中尺寸较小的目标对象的检测越困难，甚至检测不到的问题。可见，现有的目标检测流程，会出现对尺寸较小的目标对象的检测不够准确甚至难以检测等问题。
技术实现思路
本专利技术实施例的目的在于提供一种目标检测方法、装置及电子设备，以实现对目标对象的更准确的检测。具体技术方案如下：一方面，本专利技术实施例提供了一种目标检测方法，所述方法包括：获得待检测图像；基于预设的特征提取器，对所述待检测图像进行多层卷积运算，获得至少两层目标卷积运算各自对应的目标特征图，其中，所述至少两层目标卷积运算至少包括：最后一层卷积运算；基于预设的区域提取网络模型以及最后一层卷积运算对应的目标特征图，确定所述待检测图像的疑似目标区域的区域位置信息；基于预设的分类模型、所获得的目标特征图以及所确定的疑似目标区域的区域位置信息，从所述待检测图像中获得目标信息，其中，所述目标信息包括：所述待检测图像中目标对象的目标类型以及目标位置信息。可选地，在所述基于预设的特征提取器，对所述待检测图像进行多层卷积运算，获得至少两层目标卷积运算各自对应的目标特征图的步骤之前，所述方法还包括：建立所述预设的特征提取器、所述预设的区域提取网络模型以及所述预设的分类模型的过程，所述过程包括：获得初始的特征提取器、初始的区域提取网络模型以及初始的分类模型；获得多个样本图像，其中，所述样本图像中包含样本对象；获得针对每一样本图像的标定信息，其中，所述标定信息包含：所对应样本图像中样本对象的预期类型以及该样本对象在该样本图像中的预期位置信息；基于初始的特征提取器，对每一样本图像进行多层卷积运算，获得所述至少两层目标卷积运算各自对应的样本特征图；基于所获得的每一样本图像的样本特征图、每一样本图像中样本对象的预期类型以及该样本对象在该样本图像中的预期位置信息，训练所述初始的特征提取器、所述初始的区域提取网络模型以及所述初始的分类模型，得到所述预设的特征提取器、所述预设的区域提取网络模型以及所述预设的分类模型。可选地，在所述基于预设的分类模型、所获得的目标特征图以及所确定的疑似目标区域的区域位置信息，从所述待检测图像中获得目标信息的步骤之前，所述方法还包括：基于预设的特征提取器，分别对所述至少两层目标卷积运算中，除最后一层卷积运算外的其他目标卷积运算各自对应的目标特征图，进行目标池化操作，获得所述其他目标卷积运算各自对应池化特征图；所述基于预设的分类模型、所获得的目标特征图以及所确定的疑似目标区域的区域位置信息，从所述待检测图像中获得目标信息的步骤，包括：基于预设的分类模型、最后一层卷积运算对应的目标特征图、所述池化特征图以及所确定的疑似目标区域的区域位置信息，从所述待检测图像中获得目标信息。可选地，所述基于预设的分类模型、所获得的目标特征图以及所确定的疑似目标区域的区域位置信息，从所述待检测图像中获得目标信息的步骤，包括：针对每一疑似目标区域，基于该疑似目标区域的区域位置信息，对每一目标特征图进行区域池化操作，确定每一目标特征图中该疑似目标区域对应的目标特征；基于预设的分类模型以及每一目标特征图中每一疑似目标区域对应的目标特征，从所述待检测图像中获得目标信息。可选地，所述基于预设的分类模型以及每一目标特征图中每一疑似目标区域对应的目标特征，从所述待检测图像中获得目标信息的步骤，包括：针对每一疑似目标区域，融合每一目标特征图中该疑似目标区域对应的目标特征，获得包含每一疑似目标区域对应的合成特征的最终特征图；基于预设的分类模型以及所述最终特征图，从所述待检测图像中获得目标信息。可选地，所述针对每一疑似目标区域，融合每一目标特征图中该疑似目标区域对应的目标特征，获得包含每一疑似目标区域对应的合成特征的最终特征图的步骤，包括：针对每一疑似目标区域，获得每一目标特征图对应的预设权重值；针对每一疑似目标区域，将每一目标特征图中该疑似目标区域对应的目标特征与该目标特征图对应的预设权重值的乘积的和，作为每一疑似目标区域对应的合成特征；获得包含每一疑似目标区域对应的合成特征的最终特征图。另一方面，本专利技术实施例提供了一种目标检测装置，所述装置包括：第一获得模块，用于获得待检测图像；第二获得模块，用于基于预设的特征提取器，对所述待检测图像进行多层卷积运算，获得至少两层目标卷积运算各自对应的目标特征图，其中，所述至少两层目标卷积运算至少包括：最后一层卷积运算；第一确定模块，用于基于预设的区域提取网络模型以及最后一层卷积运算对应的目标特征图，确定所述待检测图像的疑似目标区域的区域位置信息；第三获得模块，用于基于预设的分类模型、所获得的目标特征图以及所确定的疑似目标区域的区域位置信息，从所述待检测图像中获得目标信息，其中，所述目标信息包括：所述待检测图像中目标对象的目标类型以及目标位置信息。可选地，所述装置还包括模型建立模块，所述模型建立模块用于建立所述预设的特征提取器、所述预设的区域提取网络模型以及所述预设的分类模型，包括第一获得单元、第二获得单元、第三获得单元、第四获得单本文档来自技高网...

【技术保护点】
1.一种目标检测方法，其特征在于，所述方法包括：获得待检测图像；基于预设的特征提取器，对所述待检测图像进行多层卷积运算，获得至少两层目标卷积运算各自对应的目标特征图，其中，所述至少两层目标卷积运算至少包括：最后一层卷积运算；基于预设的区域提取网络模型以及最后一层卷积运算对应的目标特征图，确定所述待检测图像的疑似目标区域的区域位置信息；基于预设的分类模型、所获得的目标特征图以及所确定的疑似目标区域的区域位置信息，从所述待检测图像中获得目标信息，其中，所述目标信息包括：所述待检测图像中目标对象的目标类型以及目标位置信息。

【技术特征摘要】
1.一种目标检测方法，其特征在于，所述方法包括：获得待检测图像；基于预设的特征提取器，对所述待检测图像进行多层卷积运算，获得至少两层目标卷积运算各自对应的目标特征图，其中，所述至少两层目标卷积运算至少包括：最后一层卷积运算；基于预设的区域提取网络模型以及最后一层卷积运算对应的目标特征图，确定所述待检测图像的疑似目标区域的区域位置信息；基于预设的分类模型、所获得的目标特征图以及所确定的疑似目标区域的区域位置信息，从所述待检测图像中获得目标信息，其中，所述目标信息包括：所述待检测图像中目标对象的目标类型以及目标位置信息。2.根据权利要求1所述的方法，其特征在于，在所述基于预设的特征提取器，对所述待检测图像进行多层卷积运算，获得至少两层目标卷积运算各自对应的目标特征图的步骤之前，所述方法还包括：建立所述预设的特征提取器、所述预设的区域提取网络模型以及所述预设的分类模型的过程，所述过程包括：获得初始的特征提取器、初始的区域提取网络模型以及初始的分类模型；获得多个样本图像，其中，所述样本图像中包含样本对象；获得针对每一样本图像的标定信息，其中，所述标定信息包含：所对应样本图像中样本对象的预期类型以及该样本对象在该样本图像中的预期位置信息；基于初始的特征提取器，对每一样本图像进行多层卷积运算，获得所述至少两层目标卷积运算各自对应的样本特征图；基于所获得的每一样本图像的样本特征图、每一样本图像中样本对象的预期类型以及该样本对象在该样本图像中的预期位置信息，训练所述初始的特征提取器、所述初始的区域提取网络模型以及所述初始的分类模型，得到所述预设的特征提取器、所述预设的区域提取网络模型以及所述预设的分类模型。3.根据权利要求1或2所述的方法，其特征在于，在所述基于预设的分类模型、所获得的目标特征图以及所确定的疑似目标区域的区域位置信息，从所述待检测图像中获得目标信息的步骤之前，所述方法还包括：基于预设的特征提取器，分别对所述至少两层目标卷积运算中，除最后一层卷积运算外的其他目标卷积运算各自对应的目标特征图，进行目标池化操作，获得所述其他目标卷积运算各自对应池化特征图；所述基于预设的分类模型、所获得的目标特征图以及所确定的疑似目标区域的区域位置信息，从所述待检测图像中获得目标信息的步骤，包括：基于预设的分类模型、最后一层卷积运算对应的目标特征图、所述池化特征图以及所确定的疑似目标区域的区域位置信息，从所述待检测图像中获得目标信息。4.根据权利要求1或2所述的方法，其特征在于，所述基于预设的分类模型、所获得的目标特征图以及所确定的疑似目标区域的区域位置信息，从所述待检测图像中获得目标信息的步骤，包括：针对每一疑似目标区域，基于该疑似目标区域的区域位置信息，对每一目标特征图进行区域池化操作，确定每一目标特征图中该疑似目标区域对应的目标特征；基于预设的分类模型以及每一目标特征图中每一疑似目标区域对应的目标特征，从所述待检测图像中获得目标信息。5.根据权利要求4所述的方法，其特征在于，所述基于预设的分类模型以及每一目标特征图中每一疑似目标区域对应的目标特征，从所述待检测图像中获得目标信息的步骤，包括：针对每一疑似目标区域，融合每一目标特征图中该疑似目标区域对应的目标特征，获得包含每一疑似目标区域对应的合成特征的最终特征图；基于预设的分类模型以及所述最终特征图，从所述待检测图像中获得目标信息。6.根据权利要求5所述的方法，其特征在于，所述针对每一疑似目标区域，融合每一目标特征图中该疑似目标区域对应的目标特征，获得包含每一疑似目标区域对应的合成特征的最终特征图的步骤，包括：针对每一疑似目标区域，获得每一目标特征图对应的预设权重值；针对每一疑似目标区域，将每一目标特征图中该疑似目标区域对应的目标特征与该目标特征图对应的预设权重值的乘积的和，作为每一疑似目标区域对应的合成特征；获得包含每一疑似目标区域对应的合成特征的最终特征图。7.一种目标检测装置，其特征在于，所述装置包括：第一获得模块，用于获得待检测图像；第二...

【专利技术属性】
技术研发人员：卜英家，谭文明，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
类型：发明
国别省市：浙江,33