目标检测方法及相关产品技术

本申请提供了一种目标检测方法及相关产品，方法包括：获取目标图像；将所述目标图像输入到预设ResNet残差网络，得到浅层网络特征、深层网络特征和耦合特征，所述预设ResNet残差网络为两级特征级联网络，所述两级特征级联网络包括第一级特征网络和第二级特征网络，所述第一级特征网络用于提取浅层网络特征，所述第二级网络特征用于提取深层网络特征；基于预设互斥损失规则对所述浅层网络特征进行目标检测，得到第一目标区域；基于所述深层网络特征和所述耦合特征进行目标检测，得到第二目标区域；将所述第一目标区域和所述第二目标区域作为最终的目标区域。采用本申请可提升目标检测召回率和检测精度。

Target Detection Method and Related Products

【技术实现步骤摘要】
目标检测方法及相关产品
本申请涉及图像处理
，具体涉及一种目标检测方法及相关产品。
技术介绍
目标检测是计算机视觉应用的关键部分。它在在城市自动驾驶、视频监控和工业机器人场景中有广泛的应用前景。随着计算机视觉技术的发展，目标检测的检测精度和检测速度都有了极大的提升。但是，拥挤场景下的行人、车辆检测以及大场景下的微小目标检测，一直是目标检测技术难以突破的瓶颈。即使当前的大多数目标检测技术对离摄像头较近的目标检测效果都比较好，但是对那些远离摄像头的相对较小的行人和车辆目标检出率和检出精度都难以令人满意。
技术实现思路
本申请实施例提供了一种目标检测方法及相关产品，能够提升目标检测精度。本申请实施例第一方面提供了一种目标检测方法，包括：获取目标图像；将所述目标图像输入到预设ResNet残差网络，得到浅层网络特征、深层网络特征和耦合特征，所述预设ResNet残差网络为两级特征级联网络，所述两级特征级联网络包括第一级特征网络和第二级特征网络，所述第一级特征网络用于提取浅层网络特征，所述第二级网络特征用于提取深层网络特征；基于预设互斥损失规则对所述浅层网络特征进行目标检测，得到第一目标区域；基于所述深层网络特征和所述耦合特征进行目标检测，得到第二目标区域；将所述第一目标区域和所述第二目标区域作为最终的目标区域。本申请实施例第二方面提供了一种目标检测装置，包括:获取单元，用于获取目标图像；处理单元，用于将所述目标图像输入到预设ResNet残差网络，得到浅层网络特征、深层网络特征和耦合特征，所述预设ResNet残差网络为两级特征级联网络，所述两级特征级联网络包括第一级特征网络和第二级特征网络，所述第一级特征网络用于提取浅层网络特征，所述第二级网络特征用于提取深层网络特征；检测单元，用于基于预设互斥损失规则对所述浅层网络特征进行目标检测，得到第一目标区域；以及基于所述深层网络特征和所述耦合特征进行目标检测，得到第二目标区域；确定单元，用于将所述第一目标区域和所述第二目标区域作为最终的目标区域。第三方面，本申请实施例提供了一种电子设备，包括：处理器和存储器；以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置成由所述处理器执行，所述程序包括用于如第一方面中所描述的部分或全部步骤的指令。第四方面，本申请实施例提供了一种计算机可读存储介质，其中，所述计算机可读存储介质用于存储计算机程序，其中，所述计算机程序使得计算机执行如本申请实施例第一方面中所描述的部分或全部步骤的指令。第五方面，本申请实施例提供了一种计算机程序产品，其中，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。实施本申请实施例，具有如下有益效果：可以看出，通过本申请实施例所描述的目标检测方法及相关产品，获取目标图像，将目标图像输入到预设ResNet残差网络，得到浅层网络特征、深层网络特征和耦合特征，预设ResNet残差网络为两级特征级联网络，两级特征级联网络包括第一级特征网络和第二级特征网络，第一级特征网络用于提取浅层网络特征，第二级网络特征用于提取深层网络特征，基于预设互斥损失规则对浅层网络特征进行目标检测，得到第一目标区域，基于深层网络特征和耦合特征进行目标检测，得到第二目标区域，将第一目标区域和第二目标区域作为最终的目标区域，如此，不仅能够提取图像中的大目标，还可以提取图像中的小目标，提升了目标检测精度。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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他的附图。图1A是本申请实施例提供的一种目标检测方法的实施例流程示意图；图1B是本申请实施例提供的一种预设ResNet残差网络的演示示意图；图2是本申请实施例提供的一种目标检测装置的实施例结构示意图；图3是本申请实施例提供的一种电子设备的实施例结构示意图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。本申请实施例所描述行电子设备可以包括智能手机(如Android手机、iOS手机、WindowsPhone手机等)、平板电脑、视频矩阵、监控平台、车载设备、卫星、掌上电脑、笔记本电脑、移动互联网设备(MID，MobileInternetDevices)或穿戴式设备等，上述仅是举例，而非穷举，包含但不限于上述装置，当然，上述电子设备还可以为服务器。请参阅图1A，为本申请实施例提供的一种目标检测方法的实施例流程示意图。本实施例中所描述的目标检测方法，包括以下步骤：101、获取目标图像。其中，目标图像可以为抓拍图像，例如，由监控摄像头抓拍的图像，或者，目标图像可以由用户输入的任一图像。可选地，上述步骤101，获取目标图像，可包括如下步骤：A1、获取输入图像；A2、对所述输入图像进行缩放处理，使得缩放处理后的所述输入图像与图像库中的图像的尺寸大小一样；A3、对缩放处理后的所述输入图像进行图像分割，得到所述目标图像。其中，输入图像可以为任一抓拍图像，由于输入图像尺寸不统一，因此，可以对输入图像进行缩放处理，使得缩放处理后的输入图像与图像库中的图像的尺寸大小一样，对缩放处理后的输入图像进行图像分割，则可以先粗略确定目标位置，便于后续精准提取目标。可选地，上述步骤101，获取目标图像，可包括如下步骤：B1、获取输入图像；B2、对所述输入图像进行抠图处理，得到抠图图像；B3、对所述抠图图像进行缩放处理，得到所述目标图像，缩放处理后的目标图像与图像库中的图像的尺寸大小一样。其中，输入图像可以为任一抓拍图像，可以对输入图像进行抠图处理，具体地，用户可以指定抠图区域，对抠图区域进行抠图处理，得到抠图图像，对抠图图像进行缩放处理，得到目标图像，缩放处理后的目标图像与图像库中的图像的尺寸大小一致，如此，便于后续目标检测。102、将所述目标图像输入到预设ResNet残差网络，得到浅层网络特征、深层网络特征和耦合特本文档来自技高网...

【技术保护点】
1.一种目标检测方法，其特征在于，包括：获取目标图像；将所述目标图像输入到预设ResNet残差网络，得到浅层网络特征、深层网络特征和耦合特征，所述预设ResNet残差网络为两级特征级联网络，所述两级特征级联网络包括第一级特征网络和第二级特征网络，所述第一级特征网络用于提取浅层网络特征，所述第二级网络特征用于提取深层网络特征；基于预设互斥损失规则对所述浅层网络特征进行目标检测，得到第一目标区域；基于所述深层网络特征和所述耦合特征进行目标检测，得到第二目标区域；将所述第一目标区域和所述第二目标区域作为最终的目标区域。

【技术特征摘要】
1.一种目标检测方法，其特征在于，包括：获取目标图像；将所述目标图像输入到预设ResNet残差网络，得到浅层网络特征、深层网络特征和耦合特征，所述预设ResNet残差网络为两级特征级联网络，所述两级特征级联网络包括第一级特征网络和第二级特征网络，所述第一级特征网络用于提取浅层网络特征，所述第二级网络特征用于提取深层网络特征；基于预设互斥损失规则对所述浅层网络特征进行目标检测，得到第一目标区域；基于所述深层网络特征和所述耦合特征进行目标检测，得到第二目标区域；将所述第一目标区域和所述第二目标区域作为最终的目标区域。2.根据权利要求1所述的方法，其特征在于，所述预设ResNet残差网络，包括：一个1*1的卷积层和一个3*3的卷积层，并通过shortcut的残差连接恢复回输入的卷积通道数。3.根据权利要求1或2所述的方法，其特征在于，所述基于预设互斥损失规则对所述浅层网络特征进行目标检测，得到第一目标区域，包括：按照如下公式构造候选框向真实标签靠拢的损失:其中，L1表示候选框向真实标签靠拢的损失，P为所述浅层网络特征对应的候选框集，G为真实标签框，其表示与标签具有极大IOU的真实框为回归目标；按照如下公式构造候选框与非真实标签之间的排斥项：其中，L2表示候选框与非真实标签之间的排斥项，IoG(P,GP)表示预测框与真实框之间的交叉比例，其取值范围属于[0，1]；按照如下公式构造候选框与候选框之间的排斥项:其中，L3表示候选框与候选框之间的排斥项，i、j表示所述候选框集中的任一候选框，IoU(Pi，Pj)为Pi，Pj之间的交叉比例，∈为常数；按照如下公式对所述浅层网络特征进行目标检测，得到所述第一目标区域：Loss＝L1+γ*L2+δ*L3其中，γ、δ均为损失平衡因子。4.根据权利要求1-3任一项所述的方法，其特征在于，所述获取目标图像，包括：获取输入图像；对所述输入图像进行缩放处理，使得缩放处理后的所述输入图像与图像库中的图像的尺寸大小一样；对缩放处理后的所述输入图像进行图像分割，得到所述目标图像。5.根据权利要求1-3任一项所述的方法，其特征在于，所述获取目标图像，包括：获取输入图像；对所述输入图像进行抠图处理，得到抠图图像；对所述抠图图像进行缩放处理，得到所述目标图像，缩放处理后的目标图像与图像库中的图像的尺寸大小一样。6.一种...

【专利技术属性】
技术研发人员：施欣欣，曾儿孟，贺武，
申请(专利权)人：深圳市华尊科技股份有限公司，
类型：发明
国别省市：广东,44