一种基于深度学习的目标检测方法和装置制造方法及图纸

本发明专利技术公开了一种基于深度学习的目标检测方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：利用深度学习网络，确定每一周期内起始帧图像中的检测目标，其中，以连续采集的多帧图像中每连续数帧作为一个周期，各周期内第一帧图像为起始帧图像；对于周期内除起始帧图像之外的各帧图像，利用上一帧图像中检测目标的特征，按照动态追踪算法进行目标跟踪，以确定所述周期内除起始帧图像之外的各帧图像中的检测目标；在每确定一帧图像中的检测目标之后，输出该确定的检测目标。该实施方式能够在不降低识别准确率的基础上大程度地降低计算量，从而很好地满足无人驾驶或者机器人领域的需求，且很容易在硬件上部署。

A target detection method and device based on deep learning

【技术实现步骤摘要】
一种基于深度学习的目标检测方法和装置
本专利技术涉及计算机
，尤其涉及一种基于深度学习的目标检测方法和装置。
技术介绍
基于深度学习的目标检测方法目前广泛应用于时间关键的影像分析(Time-criticalvideoanalysis)场景，比如机器人导航和自动驾驶。这些方法将在每一帧图片上检测出该图像里面的车辆和行人，是计算机视觉应用在机器人导航和自动驾驶领域的一个基本的技术。现有的目标检测算法输出的边框都依靠Non-maxSuppression(非极大值抑制)方法输出一个概率最大的边框。Non-maxSuppression方法需要先计算检测到的边框和基准边框的IoU(Intersection-over-Union，交并比)值，从里面选取最大的作为这一帧输出的边框。在实现本专利技术过程中，专利技术人发现现有技术中至少存在如下问题：现有的目标检测方法对每一帧图像都要进行检测，计算量庞大，从而无法很好地满足无人驾驶或者机器人领域的需求。
技术实现思路
有鉴于此，本专利技术实施例提供一种基于深度学习的本文档来自技高网...

【技术保护点】
1.一种基于深度学习的目标检测方法，其特征在于，包括：/n利用深度学习网络，确定每一周期内起始帧图像中的检测目标，其中，以连续采集的多帧图像中每连续数帧作为一个周期，各周期内第一帧图像为起始帧图像；/n对于周期内除起始帧图像之外的各帧图像，利用上一帧图像中检测目标的特征，按照动态追踪算法进行目标跟踪，以确定所述周期内除起始帧图像之外的各帧图像中的检测目标；/n在每确定一帧图像中的检测目标之后，输出该确定的检测目标。/n

【技术特征摘要】
1.一种基于深度学习的目标检测方法，其特征在于，包括：
利用深度学习网络，确定每一周期内起始帧图像中的检测目标，其中，以连续采集的多帧图像中每连续数帧作为一个周期，各周期内第一帧图像为起始帧图像；
对于周期内除起始帧图像之外的各帧图像，利用上一帧图像中检测目标的特征，按照动态追踪算法进行目标跟踪，以确定所述周期内除起始帧图像之外的各帧图像中的检测目标；
在每确定一帧图像中的检测目标之后，输出该确定的检测目标。


2.根据权利要求1所述的方法，其特征在于，所述动态追踪算法为粒子滤波算法。


3.根据权利要求2所述的方法，其特征在于，对于周期内除起始帧图像之外的各帧图像，利用上一帧图像中检测目标的特征，按照动态追踪算法进行目标跟踪，以确定所述周期内除起始帧图像之外的各帧图像中的检测目标的步骤，包括：
计算所述周期内的起始帧图像中检测目标的特征直方图；
在所述周期内的第二帧图像平面上，按照预设规则部署粒子，并计算各粒子所在位置的特征直方图；
根据所述各粒子所在位置的特征直方图与所述检测目标的特征直方图的相似度，确定所述第二帧图像中的检测目标；
从所述周期内的第三帧图像开始，计算每帧的前一帧图像中检测目标的特征直方图，并根据所述每帧的前一帧图像中检测目标的位置，在每帧图像平面上部署粒子，然后计算所述每帧图像平面上各粒子所在位置的特征直方图，根据每帧的各粒子所在位置的特征直方图与前一帧中检测目标的特征直方图的相似度，确定所述每帧图像中的检测目标。


4.根据权利要求1所述的方法，其特征在于，所述深度学习网络为基于更快速基于图像区域的卷积神经网络或YOLO物体检测深度网络。


5.一种基于深度学习的目标检测装置，其特征在于，包括：
检测模块，用于利用深度学习网络，确定每一周期内起始帧图像中的检测目标...

【专利技术属性】
技术研发人员：张立成，鞠策，
申请(专利权)人：北京京东尚科信息技术有限公司，北京京东世纪贸易有限公司，
类型：发明
国别省市：北京;11