目标检测方法、装置及计算机可读存储介质制造方法及图纸

本发明专利技术涉及图像检测技术，揭露了一种目标检测方法、装置及计算机可读存储介质，该方法包括：搭建检测目标网络结构，其包含基于上下文关系的ROI池化层，ROI池化层包括第一、第二ROI池化层分支；接收待检测目标的图像；通过第一ROI池化层分支获取待检测目标的图像的第一ROI候选框；通过第二ROI池化层分支获取待检测目标的图像的第二ROI候选框，第二ROI候选框的大小大于第一ROI候选框的大小，第二ROI候选框包含第一ROI候选框中的内容及第一ROI候选框中的内容的上下文信息；将第一ROI候选框的内容及第二ROI候选框的内容发送给检测目标网络结构的全连接层；基于检测目标网络结构的全连接层更新检测目标网络结构以完成待检测目标的图像检测。

Target detection method, device and computer readable storage medium

【技术实现步骤摘要】
目标检测方法、装置及计算机可读存储介质
本专利技术涉及图像检测领域，尤其涉及一种基于ROI多分支的目标检测方法、装置及计算机可读存储介质。
技术介绍
图像具有内容丰富、不受语言控制、便于国际交流等优点。近年来，无论是国防军事、工业制造、新闻媒体、医疗卫生还是大众娱乐，社会的各行各业对图像信息的使用越来越广，因此对图像进行检测显得尤为重要。在现有的图像检测任务中，所涉及的算法大多都会根据提取感兴趣区域(ROI)来计算，ROI包含了图像检测任务中需要检测的目标。然而在实际运用中，往往有许多类似的目标也会被检测到，从而在图像检测时产生很多不必要的假阳性，降低了检测的准确率。此外，ROI的生成往往会存在一些偏差，这也会对检测结果造成影响。
技术实现思路
本专利技术提供一种目标检测方法、装置及计算机可读存储介质，其主要目的在于提高目标检测的准确率，降低假阳性的产生率，减少ROI的生成偏差，从而减小对检测结果的影响。为实现上述目的，本专利技术提供一种目标检测方法，所述目标检测方法包括：搭建检测目标网络结构，所述检测目标网络结构包含基于上下文关系的ROI池化层，所述ROI池化层包括第一ROI池化层分支及第二ROI池化层分支；接收待检测目标的图像；通过所述第一ROI池化层分支获取所述待检测目标的图像的第一ROI候选框；通过所述第二ROI池化层分支获取所述待检测目标的图像的第二ROI候选框，所述第二ROI候选框的大小大于所述第一ROI候选框的大小，所述第二ROI候选框包含所述第一ROI候选框中的内容及所述第一ROI候选框中的内容的上下文信息；将所述第一ROI候选框的内容及所述第二ROI候选框的内容发送给所述检测目标网络结构的全连接层；基于所述检测目标网络结构的全连接层更新所述检测目标网络结构以完成所述待检测目标的图像检测。可选地，所述第二ROI候选框的大小为所述第一ROI候选框的大小的1.5倍，所述将所述第一ROI候选框的内容及所述第二ROI候选框的内容发送给所述检测目标网络结构的全连接层的步骤包括：将不同大小的所述第一ROI池化层分支与所述所述第二ROI池化层分支的特征连接在一起，输入后续的网络所述检测目标网络结构的全连接层中，形成ROI多分支网络结构。可选地，所述搭建检测目标网络结构的步骤包括：获取待识别图像；利用显著性检测方法，检测出所述待识别图像中可能存在目标的区域，形成显著图；通过构建评价指标，确定所述显著图上不同区域的显著性程度，并根据所述显著性程度确定包含目标的检测目标网络结构。可选地，所述搭建检测目标网络结构的步骤还包括：在对所述待识别图像进行显著性检测之前，还需要对所述待识别图像进行预处理，包括以下步骤：获取所述待识别图像的灰度直方图、颜色直方图和矩阵，并分别以参数形式进行保存；对灰度直方图、颜色直方图和矩阵分别使用灰度共生矩阵进行纹理检测，分别得到灰度直方图、颜色直方图和矩阵中灰度的空间相关特性，并分别以参数形式进行保存；将所述待识别图像旋转360度，每隔60度重复前述两个步骤，得到六组不同的参数，用于图像的显著性检测。可选地，所述搭建检测目标网络结构，所述检测目标网络结构包含基于上下文关系的ROI池化层的步骤包括：对每个可能包含目标的ROI区域进行特征提取，得到每个可能包含目标的ROI区域的特征向量；将所述每个可能包含目标的ROI区域的特征向量送入分类器进行比对，得到含有真实目标的ROI区域；确定所述待识别图像的检测目标网络结构的ROI池化层。本专利技术还提供一种电子装置，所述电子装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的目标检测程序，所述目标检测程序被所述处理器执行时实现如下步骤：搭建检测目标网络结构，所述检测目标网络结构包含基于上下文关系的ROI池化层，所述ROI池化层包括第一ROI池化层分支及第二ROI池化层分支；接收待检测目标的图像；通过所述第一ROI池化层分支获取所述待检测目标的图像的第一ROI候选框；通过所述第二ROI池化层分支获取所述待检测目标的图像的第二ROI候选框，所述第二ROI候选框的大小大于所述第一ROI候选框的大小，所述第二ROI候选框包含所述第一ROI候选框中的内容及所述第一ROI候选框中的内容的上下文信息；将所述第一ROI候选框的内容及所述第二ROI候选框的内容发送给所述检测目标网络结构的全连接层；基于所述检测目标网络结构的全连接层更新所述检测目标网络结构以完成所述待检测目标的图像检测。可选地，所述第二ROI候选框的大小为所述第一ROI候选框的大小的1.5倍，所述将所述第一ROI候选框的内容及所述第二ROI候选框的内容发送给所述检测目标网络结构的全连接层的步骤包括：将不同大小的所述第一ROI池化层分支与所述所述第二ROI池化层分支的特征连接在一起，输入后续的所述检测目标网络结构的全连接层网络中，形成ROI多分支网络结构。可选地，所述搭建检测目标网络结构的步骤包括：获取待识别图像；利用显著性检测方法，检测出所述待识别图像中可能存在目标的区域，形成显著图；通过构建评价指标，确定所述显著图上不同区域的显著性程度，并根据所述显著性程度确定包含目标的检测目标网络结构。可选地，所述搭建检测目标网络结构的步骤还包括：在对所述待识别图像进行显著性检测之前，还需要对所述待识别图像进行预处理，包括以下步骤：获取所述待识别图像的灰度直方图、颜色直方图和矩阵，并分别以参数形式进行保存；对灰度直方图、颜色直方图和矩阵分别使用灰度共生矩阵进行纹理检测，分别得到灰度直方图、颜色直方图和矩阵中灰度的空间相关特性，并分别以参数形式进行保存；将所述待识别图像旋转360度，每隔60度重复前述两个步骤，得到六组不同的参数，用于图像的显著性检测。此外，为实现上述目的，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有目标检测程序，所述目标检测程序可被一个或者多个处理器执行，以实现上述的目标检测方法的步骤。本专利技术提供的目标检测方法、装置及计算机可读存储介质在已有的检测目标网络结构中，找到对应的ROI池化层，将该层后续的所述检测目标网络结构的全连接层网络结构进行更改，通过结合不同大小的ROI分支，既强调了原本检测物的内容，又强调了周围的上下文环境信息，为检测任务提供了更多的上下文特性信息；且能够提高目标检测的准确率，降低假阳性的产生率，与此同时，又能减少ROI的生成偏差，从而减小对检测结果的影响。附图说明图1为本专利技术一实施例提供的目标检测方法的流程示意图；图2为本专利技术一实施例提供的电子装置的内部结构示意图；图3为本专利技术一实施例提供的电子装置中基于目标检测程序的模块示意图。本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明本文档来自技高网...

【技术保护点】
1.一种目标检测方法，其特征在于，所述目标检测方法包括：/n搭建检测目标网络结构，所述检测目标网络结构包含基于上下文关系的ROI池化层，所述ROI池化层包括第一ROI池化层分支及第二ROI池化层分支；/n接收待检测目标的图像；/n通过所述第一ROI池化层分支获取所述待检测目标的图像的第一ROI候选框；/n通过所述第二ROI池化层分支获取所述待检测目标的图像的第二ROI候选框，所述第二ROI候选框的大小大于所述第一ROI候选框的大小，所述第二ROI候选框包含所述第一ROI候选框中的内容及所述第一ROI候选框中的内容的上下文信息；/n将所述第一ROI候选框的内容及所述第二ROI候选框的内容发送给所述检测目标网络结构的全连接层；/n基于所述检测目标网络结构的全连接层更新所述检测目标网络结构以完成所述待检测目标的图像检测。/n

【技术特征摘要】
1.一种目标检测方法，其特征在于，所述目标检测方法包括：
搭建检测目标网络结构，所述检测目标网络结构包含基于上下文关系的ROI池化层，所述ROI池化层包括第一ROI池化层分支及第二ROI池化层分支；
接收待检测目标的图像；
通过所述第一ROI池化层分支获取所述待检测目标的图像的第一ROI候选框；
通过所述第二ROI池化层分支获取所述待检测目标的图像的第二ROI候选框，所述第二ROI候选框的大小大于所述第一ROI候选框的大小，所述第二ROI候选框包含所述第一ROI候选框中的内容及所述第一ROI候选框中的内容的上下文信息；
将所述第一ROI候选框的内容及所述第二ROI候选框的内容发送给所述检测目标网络结构的全连接层；
基于所述检测目标网络结构的全连接层更新所述检测目标网络结构以完成所述待检测目标的图像检测。


2.如权利要求1所述的目标检测方法，其特征在于，所述第二ROI候选框的大小为所述第一ROI候选框的大小的1.5倍，所述将所述第一ROI候选框的内容及所述第二ROI候选框的内容发送给所述检测目标网络结构的全连接层的步骤包括：
将不同大小的所述第一ROI池化层分支与所述第二ROI池化层分支的特征连接在一起，输入后续的所述检测目标网络结构的全连接层网络中，形成ROI多分支网络结构。


3.如权利要求1所述的目标检测方法，其特征在于，所述搭建检测目标网络结构的步骤包括：
获取待识别图像；
利用显著性检测方法，检测出所述待识别图像中可能存在目标的区域，形成显著图；
通过构建评价指标，确定所述显著图上不同区域的显著性程度，并根据所述显著性程度确定包含目标的检测目标网络结构。


4.如权利要求3所述的目标检测方法，其特征在于，所述搭建检测目标网络结构的步骤还包括：
在对所述待识别图像进行显著性检测之前，还需要对所述待识别图像进行预处理，包括以下步骤：
获取所述待识别图像的灰度直方图、颜色直方图和矩阵，并分别以参数形式进行保存；
对灰度直方图、颜色直方图和矩阵分别使用灰度共生矩阵进行纹理检测，分别得到灰度直方图、颜色直方图和矩阵中灰度的空间相关特性，并分别以参数形式进行保存；
将所述待识别图像旋转360度，每隔60度重复前述两个步骤，得到六组不同的参数，用于图像的显著性检测。


5.如权利要求3所述的目标检测方法，其特征在于，所述搭建检测目标网络结构，所述检测目标网络结构包含基于上下文关系的ROI池化层的步骤包括：
对每个可能包含目标的ROI区域进行特征提取，得到每个可能包含目标的ROI区域的特征向量；
将所述每个可能包含目标的ROI区域的特征向量送入分类器进行比对，得到含有真实目标的ROI区域；
确定...

【专利技术属性】
技术研发人员：章古月，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44