边界框确定方法、装置、电子设备及存储介质制造方法及图纸

本申请是关于一种边界框确定方法、装置、电子设备及存储介质，涉及图像处理技术领域，所述边界框确定方法，包括：将待检测图像输入第一卷积神经子网络，获取所述待检测图像中目标物体的第一特征；所述第一特征包括：所述待检测图像中所述目标物体的边界图像特征；将所述第一特征，分别输入n个第二神经子网络，得到所述目标物体的n个第一边界框；所述n为大于等于2的整数；所述各个第一边界框包括第一位置参数值；基于所述n个第一边界框的各个第一位置参数值，确定所述待检测图像中目标物体的目标边界框。能够提升确定目标物体的边界框的鲁棒性，有效避免过拟合，能够提升目标物体的边界框的准确性。

Boundary Frame Determination Method, Device, Electronic Equipment and Storage Media

The present application relates to a boundary frame determination method, device, electronic equipment and storage medium, and relates to the field of image processing technology. The boundary frame determination method includes: input the image to be detected into the first convolutional neural subnetwork to obtain the first feature of the target object in the image to be detected; the first feature includes: the edge of the target object in the image to be detected; Boundary image features; input the first features into N second neural subnetworks to obtain n first boundaries of the object; the n is an integer greater than or equal to 2; the first boundaries include the first position parameter values; and determine the target boundaries of the object in the image to be detected based on the first position parameter values of the n first boundaries. \u3002 It can improve the robustness of determining the boundary frame of the target object, effectively avoid over-fitting, and improve the accuracy of the boundary frame of the target object.

【技术实现步骤摘要】
边界框确定方法、装置、电子设备及存储介质
本公开涉及图像处理
，尤其涉及边界框确定方法、装置、电子设备及存储介质。
技术介绍
边界框为物体检测时界定目标物体边缘的界限。目前主要通过边界框对应的第一位置参数值对目标物体的界限进行划分。目前主要基于卷积神经子网络，将待检测的图像作为输入，通过卷积神经子网络进行图像特征提取后，获得待检测图像的图像特征后，将该待检测图像的图像特征通过第二神经子网络，输出待检测图像中的目标物体的边界框。相关技术中，由于第二神经子网络本身的不稳定性等，导致基于该第二神经子网络得到的边界框存在识别不准的问题。
技术实现思路
为克服相关技术中存在的问题，本公开提供一种边界框确定方法及装置。根据本公开实施例的第一方面，提供一种边界框确定方法，包括将待检测图像输入第一卷积神经子网络，获取所述待检测图像中目标物体的第一特征；所述第一特征包括：所述待检测图像中所述目标物体的边界图像特征；将所述第一特征，分别输入n个第二神经子网络，得到所述目标物体的n个第一边界框；所述n为大于等于2的整数；所述各个第一边界框包括第一位置参数值；基于所述n个第一边界框的各个第一位置参数值，确定所述待检测图像中目标物体的目标边界框。可选的，若所述n个第二神经子网络中包括：m组第三神经子网络，所述m为大于0小于n的整数，所述各组第三神经子网络分别包括：y个相同的第四神经子网络，所述y为大于等于2小于等于n的整数，所述将所述第一特征，分别输入n个第二神经子网络，得到所述目标物体的n个第一边界框之前，还包括：对所述第一特征进行差异化处理，得到y种不同的第二特征；所述将所述第一特征，分别输入n个第二神经子网络，得到所述目标物体的n个第一边界框，包括：将所述y种不同的第二特征，分别输入各组第三神经子网络中的各个第四神经子网络，得到所述目标物体的k个第一边界框；所述k为大于0小于等于n的整数；将所述第一特征，分别输入x个第二神经子网络，得到所述目标物体的x个第一边界框；所述x个第二神经子网络为所述n个第二神经子网络中，除所述第三神经子网络或第四神经子网络之外的神经子网络；所述x为大于等于0小于n的整数。可选的，所述差异化处理包括：剪裁处理、缩放处理、镜像处理、旋转处理、增强处理、锐化处理中的至少一种。可选的，所述基于所述n个第一边界框的各个第一位置参数值，确定所述待检测图像中目标物体的目标边界框，包括：将所述n个第一边界框的各个第一位置参数值，按照预设权重加权求和，得到所述目标物体的第二位置参数值，并基于所述第二位置参数值确定所述待检测图像中目标物体的目标边界框。可选的，所述第二神经子网络为：a个平均池化层、b个最大池化层、c个卷积层、d个全连接层的任意组合；所述a、b、d为大于等于0的整数；所述c为大于等于1的整数。可选的，所述将待检测图像输入第一卷积神经子网络之前，还包括：获取第一图像样本数据；基于所述第一图像样本数据，训练所述第一卷积神经子网络；所述将所述第一特征，分别输入n个第二神经子网络，确定所述目标物体的边界之前，还包括：将所述第一图像样本数据，输入所述第一卷积神经子网络，获取所述第一图像样本数据中目标物体的第三特征；所述第三特征包括：所述第一图像样本数据中所述目标物体的边界图像特征；基于所述第三特征，训练所述n个第二神经子网络。可选的，所述基于所述n个第一边界框的各个第一位置参数值，确定所述待检测图像中目标物体的目标边界框之后，还包括：获取所述待检测图像中目标物体的实际边界框；基于所述实际边界框和所述目标边界框，确定所述目标边界框的评价值。根据本公开实施例的第二方面，提供一种边界框确定装置，包括：第一特征获取模块，被配置为将待检测图像输入第一卷积神经子网络，获取所述待检测图像中目标物体的第一特征；所述第一特征包括：所述待检测图像中所述目标物体的边界图像特征；第一边界框确定模块，被配置为将所述第一特征，分别输入n个第二神经子网络，得到所述目标物体的n个第一边界框；所述n为大于等于2的整数；所述各个第一边界框包括第一位置参数值；目标边界框确定模块，被配置为基于所述n个第一边界框的各个第一位置参数值，确定所述待检测图像中目标物体的目标边界框。可选的，若所述n个第二神经子网络中包括：m组第三神经子网络，所述m为大于0小于n的整数，所述各组第三神经子网络分别包括：y个相同的第四神经子网络，所述y为大于等于2小于等于n的整数，所述装置，还包括：差异化处理模块，被配置为对所述第一特征进行差异化处理，得到y种不同的第二特征；所述第一边界框确定模块包括：第一边界框第一确定单元，被配置为将所述y种不同的第二特征，分别输入各组第三神经子网络中的各个第四神经子网络，得到所述目标物体的k个第一边界框；所述k为大于0小于等于n的整数；第一边界框第二确定单元，被配置为将所述第一特征，分别输入x个第二神经子网络，得到所述目标物体的x个第一边界框；所述x个第二神经子网络为所述n个第二神经子网络中，除所述第三神经子网络或第四神经子网络之外的神经子网络；所述x为大于等于0小于n的整数。可选的，所述差异化处理包括：剪裁处理、缩放处理、镜像处理、旋转处理、增强处理、锐化处理中的至少一种。可选的，所述目标边界框确定模块包括：目标边界框确定单元，被配置为将所述n个第一边界框的各个第一位置参数值，按照预设权重加权求和，得到所述目标物体的第二位置参数值，并基于所述第二位置参数值确定所述待检测图像中目标物体的目标边界框。可选的，所述第二神经子网络为：a个平均池化层、b个最大池化层、c个卷积层、d个全连接层的任意组合；所述a、b、d为大于等于0的整数；所述c为大于等于1的整数。可选的，所述的边界框确定装置还包括：第一图像样本数据获取模块，被配置为获取第一图像样本数据；第一卷积神经子网络训练模块，被配置为基于所述第一图像样本数据，训练所述第一卷积神经子网络；第三特征获取模块，被配置为将所述第一图像样本数据，输入所述第一卷积神经子网络，获取所述第一图像样本数据中目标物体的第三特征；所述第三特征包括：所述第一图像样本数据中所述目标物体的边界图像特征；第二卷积神经子网络训练模块，被配置为基于所述第三特征，训练所述n个第二神经子网络。可选的，所述边界框确定装置还包括：实际边界框获取模块，被配置为获取所述待检测图像中目标物体的实际边界框；评价模块，被配置为基于所述实际边界框和所述目标边界框，确定所述目标边界框的评价值。根据本公开实施例的第三方面，提供一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：执行上述的边界框确定方法。根据本公开实施例的第四方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行上述的边界框确定方法。根据本公开实施例的第五方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行上述的边界框确定方法。本公开的实施例提供的技术方案可以包括以下有益效果：将待检测图像输入第一卷积神经子网络，获取所述待检测图像中目标物体的第一特征；所述第一特征包括：所述待检测图像中所述目标物体的边界图像特征；将所述第一特本文档来自技高网...

【技术保护点】
1.一种边界框确定方法，其特征在于，包括：将待检测图像输入第一卷积神经子网络，获取所述待检测图像中目标物体的第一特征；所述第一特征包括：所述待检测图像中所述目标物体的边界图像特征；将所述第一特征，分别输入n个第二神经子网络，得到所述目标物体的n个第一边界框；所述n为大于等于2的整数；所述各个第一边界框包括第一位置参数值；基于所述n个第一边界框的各个第一位置参数值，确定所述待检测图像中目标物体的目标边界框。

【技术特征摘要】
1.一种边界框确定方法，其特征在于，包括：将待检测图像输入第一卷积神经子网络，获取所述待检测图像中目标物体的第一特征；所述第一特征包括：所述待检测图像中所述目标物体的边界图像特征；将所述第一特征，分别输入n个第二神经子网络，得到所述目标物体的n个第一边界框；所述n为大于等于2的整数；所述各个第一边界框包括第一位置参数值；基于所述n个第一边界框的各个第一位置参数值，确定所述待检测图像中目标物体的目标边界框。2.根据权利要求1所述的边界框确定方法，其特征在于，若所述n个第二神经子网络中包括：m组第三神经子网络，所述m为大于0小于n的整数，所述各组第三神经子网络分别包括：y个相同的第四神经子网络，所述y为大于等于2小于等于n的整数，所述将所述第一特征，分别输入n个第二神经子网络，得到所述目标物体的n个第一边界框之前，还包括：对所述第一特征进行差异化处理，得到y种不同的第二特征；所述将所述第一特征，分别输入n个第二神经子网络，得到所述目标物体的n个第一边界框，包括：将所述y种不同的第二特征，分别输入各组第三神经子网络中的各个第四神经子网络，得到所述目标物体的k个第一边界框；所述k为大于0小于等于n的整数；将所述第一特征，分别输入x个第二神经子网络，得到所述目标物体的x个第一边界框；所述x个第二神经子网络为所述n个第二神经子网络中，除所述第三神经子网络或第四神经子网络之外的神经子网络；所述x为大于等于0小于n的整数。3.根据权利要求2所述的边界框确定方法，其特征在于，所述差异化处理包括：剪裁处理、缩放处理、镜像处理、旋转处理、增强处理、锐化处理中的至少一种。4.根据权利要求1所述的边界框确定方法，其特征在于，所述基于所述n个第一边界框的各个第一位置参数值，确定所述待检测图像中目标物体的目标边界框，包括：将所述n个第一边界框的各个第一位置参数值，按照预设权重加权求和，得到所述目标物体的第二位置参数值，并基于所述第二位置参数值确定所述待检测图像中目标物体的目标边界框。5.一种边界框确定装置，其特征在于，包括：第一特征获取模块，被配置为将待检测图像输入第一卷积神经子网络，获取所述待检测图像中目标物体的第一特征；所述第一...

【专利技术属性】
技术研发人员：刘裕峰，胡玉坤，郑文，
申请(专利权)人：北京达佳互联信息技术有限公司，
类型：发明
国别省市：北京,11