目标检测方法、装置及存储介质制造方法及图纸

本申请公开了一种目标检测方法、装置及存储介质，属于深度学习技术领域。本申请实施例可以首先从每个第一特征图的多个proposal框的概率值中确定至少一个概率值，之后，再根据确定的至少一个概率值对应的proposal框的尺寸参数确定相应第一特征图中至少一个proposal框的位置，进而根据确定的至少一个proposal框的位置来确定待检测图像中的检测目标。这样，由于先根据proposal框的概率值对Proposal框的尺寸数据进行了筛选，缩减了数据量，因此，后续根据筛选出来的数据确定对应的proposal框的位置即可，减小了计算量，缩短了运算时间，有利于提高检测的实时性。

【技术实现步骤摘要】
目标检测方法、装置及存储介质
本申请涉及深度学习
，特别涉及一种目标检测方法、装置及计算机可读存储介质。
技术介绍
在监控场景下，经常需要通过目标检测网络模型对高分辨率的图像进行目标检测。例如，可以通过FRCNN(FasterRegionbasedConvolutionalNeuralNetwork，基于区域的快速卷积神经网络)模型对图像中包括的车辆、车牌等目标进行检测。相关技术中，当通过目标检测网络模型对图像进行目标检测时，可以首先提取待检测图像的图像特征，得到多个特征图。之后，对每个特征图进行处理，得到每个特征图中的多个Proposal框，确定每个特征图中的多个Proposal框在相应特征图中的位置。之后，根据确定的多个Proposal框的位置确定感兴趣区域，进而通过对感兴趣区域进行处理来确定每个感兴趣区域是否为检测目标。然而，由于对每个特征图进行处理后得到的Proposal框数量巨大，因此，后续确定每个特征图中的多个Proposal框的位置时计算量较大，耗时较长，严重影响目标检测网络模型的检测实时性。
技术实现思路
本申请实施例提供了一种目标检测方法、装置及计算机可读存储介质。所述技术方案如下：一方面，提供了一种目标检测方法，所述方法包括：通过目标检测网络模型对多个第一特征图进行处理，得到每个第一特征图的多个建议proposal框的尺寸参数和概率值，所述多个第一特征图是对待检测图像进行特征提取得到；从每个第一特征图的多个proposal框的概率值中获取至少一个概率值，得到每个第一特征图对应的至少一个概率值，所述每个第一特征图对应的至少一个概率值均大于相应第一特征图的多个proposal框的概率值中的剩余概率值；根据每个第一特征图对应的至少一个概率值所对应的proposal框的尺寸参数确定相应第一特征图中的至少一个proposal框的位置；根据每个第一特征图中的至少一个proposal框的位置，确定所述待检测图像中的检测目标。可选地，所述从每个第一特征图的多个proposal框的概率值中获取至少一个概率值，得到每个第一特征图对应的至少一个概率值，包括：通过快速排序法或堆排序法或二分排序法，从每个第一特征图的多个proposal框的概率值中获取至少一个概率值，得到每个第一特征图对应的至少一个概率值。可选地，所述通过快速排序法或堆排序法或二分排序法，从每个第一特征图的多个proposal框的概率值中获取至少一个概率值，得到每个第一特征图对应的至少一个概率值，包括：通过所述快速排序法或堆排序法或二分排序法，从每个第一特征图的多个proposal框的概率值中获取后M个概率值；确定获取的M个概率值中大于参考概率值的概率值，并将确定的概率值作为相应第一特征图对应的至少一个概率值。可选地，所述根据每个第一特征图中的至少一个proposal框的位置，确定所述待检测图像中的检测目标，包括：根据每个第一特征图中的至少一个proposal框的位置和所述多个第一特征图，提取每个proposal框所对应的感兴趣区域的特征数据；对提取的多个感兴趣区域的特征数据进行处理，得到所述待检测图像中的检测目标。可选地，所述目标检测网络模型包括分类层，所述分类层包括第一全连接层、第二全连接层、全局平均池化层和softmax层；所述对提取的多个感兴趣区域的特征数据进行处理，得到所述待检测图像中的检测目标，包括：通过所述第一全连接层和所述第二全连接层对提取的多个感兴趣区域的特征数据进行处理，得到多个第二特征图；通过所述全局平均池化层对所述多个第二特征图中的每个第二特征图进行处理，得到特征向量；通过所述softmax层对所述特征向量进行处理，得到所述多个感兴趣区域的检测概率，将所述多个感兴趣区域中检测概率大于参考检测概率的感兴趣区域确定为所述待检测图像中的检测目标。可选地，所述目标检测网络模型包括分类层，所述分类层第一全连接层、第二全连接层、第三全连接层和softmax层；所述对提取的多个感兴趣区域的特征数据进行处理，得到所述待检测图像中的检测目标，包括：通过所述第一全连接层和所述第二全连接层对提取的多个感兴趣区域的特征数据进行处理，得到多个第二特征图；获取所述第三全连接层的权重矩阵的转置矩阵，所述第三全连接层的权重矩阵的转置矩阵是在向所述目标检测网络模型输入所述待检测图像之前对所述第三全连接层的权重矩阵进行预处理得到的；通过所述第三全连接层，调用cuBLAS库对所述权重矩阵的转置矩阵和所述多个第二特征图中每个特征图对应的特征矩阵进行处理，得到特征向量，所述权重矩阵的转置矩阵和每个特征图对应的特征矩阵的运算类型均为第一类型，所述第一类型用于指示不对所述权重矩阵的转置矩阵和每个特征矩阵进行转置；通过所述softmax层对所述特征向量进行处理，得到所述多个感兴趣区域的检测概率，将所述多个感兴趣区域中检测概率大于参考检测概率的感兴趣区域确定为所述待检测图像中的检测目标。另一方面，提供了一种目标检测装置，所述装置包括：处理模块，用于通过目标检测网络模型对多个第一特征图进行处理，得到每个第一特征图的多个建议proposal框的尺寸参数和概率值，所述多个第一特征图是对待检测图像进行特征提取得到；获取模块，用于从每个第一特征图的多个proposal框的概率值中获取至少一个概率值，得到每个第一特征图对应的至少一个概率值，所述每个第一特征图对应的至少一个概率值均大于相应第一特征图的多个proposal框的概率值中的剩余概率值；第一确定模块，用于根据每个第一特征图对应的至少一个概率值所对应的proposal框的尺寸参数确定相应第一特征图中的至少一个proposal框的位置；第二确定模块，用于根据每个第一特征图中的至少一个proposal框的位置，确定所述待检测图像中的检测目标。可选地，所述获取模块包括：获取子模块，用于通过快速排序法或堆排序法或二分排序法，从每个第一特征图的多个proposal框的概率值中获取至少一个概率值，得到每个第一特征图对应的至少一个概率值。可选地，所述获取子模块具体用于：通过所述快速排序法或堆排序法或二分排序法，从每个第一特征图的多个proposal框的概率值中获取后M个概率值；确定获取的M个概率值中大于参考概率值的概率值，并将确定的概率值作为相应第一特征图对应的至少一个概率值。可选地，所述第二确定模块，包括：提取子模块，用于根据每个第一特征图中的至少一个proposal框的位置和所述多个第一特征图，提取每个proposal框所对应的感兴趣区域的特征数据；处理子模块，用于对提取的多个感兴趣区域的特征数据进行处理，得到所述待检测图像中的检测目标。可选地，所述目标检测网络模型包括分类层，所述分类层包括第一全连接层、第二全连接层、全局平均池化层本文档来自技高网...

【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：/n通过目标检测网络模型对多个第一特征图进行处理，得到每个第一特征图的多个建议proposal框的尺寸参数和概率值，所述多个第一特征图是对待检测图像进行特征提取得到；/n从每个第一特征图的多个proposal框的概率值中获取至少一个概率值，得到每个第一特征图对应的至少一个概率值，所述每个第一特征图对应的至少一个概率值均大于相应第一特征图的多个proposal框的概率值中的剩余概率值；/n根据每个第一特征图对应的至少一个概率值所对应的proposal框的尺寸参数确定相应第一特征图中的至少一个proposal框的位置；/n根据每个第一特征图中的至少一个proposal框的位置，确定所述待检测图像中的检测目标。/n

【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：
通过目标检测网络模型对多个第一特征图进行处理，得到每个第一特征图的多个建议proposal框的尺寸参数和概率值，所述多个第一特征图是对待检测图像进行特征提取得到；
从每个第一特征图的多个proposal框的概率值中获取至少一个概率值，得到每个第一特征图对应的至少一个概率值，所述每个第一特征图对应的至少一个概率值均大于相应第一特征图的多个proposal框的概率值中的剩余概率值；
根据每个第一特征图对应的至少一个概率值所对应的proposal框的尺寸参数确定相应第一特征图中的至少一个proposal框的位置；
根据每个第一特征图中的至少一个proposal框的位置，确定所述待检测图像中的检测目标。


2.根据权利要求1所述的方法，其特征在于，所述从每个第一特征图的多个proposal框的概率值中获取至少一个概率值，得到每个第一特征图对应的至少一个概率值，包括：
通过快速排序法或堆排序法或二分排序法，从每个第一特征图的多个proposal框的概率值中获取至少一个概率值，得到每个第一特征图对应的至少一个概率值。


3.根据权利要求2所述的方法，其特征在于，所述通过快速排序法或堆排序法或二分排序法，从每个第一特征图的多个proposal框的概率值中获取至少一个概率值，得到每个第一特征图对应的至少一个概率值，包括：
通过所述快速排序法或堆排序法或二分排序法，从每个第一特征图的多个proposal框的概率值中获取后M个概率值；
确定获取的M个概率值中大于参考概率值的概率值，并将确定的概率值作为相应第一特征图对应的至少一个概率值。


4.根据权利要求1-3任一所述的方法，其特征在于，所述根据每个第一特征图中的至少一个proposal框的位置，确定所述待检测图像中的检测目标，包括：
根据每个第一特征图中的至少一个proposal框的位置和所述多个第一特征图，提取每个proposal框所对应的感兴趣区域的特征数据；
对提取的多个感兴趣区域的特征数据进行处理，得到所述待检测图像中的检测目标。


5.根据权利要求4所述的方法，其特征在于，所述目标检测网络模型包括分类层，所述分类层包括第一全连接层、第二全连接层、全局平均池化层和softmax层；
所述对提取的多个感兴趣区域的特征数据进行处理，得到所述待检测图像中的检测目标，包括：
通过所述第一全连接层和所述第二全连接层对提取的多个感兴趣区域的特征数据进行处理，得到多个第二特征图；
通过所述全局平均池化层对所述多个第二特征图中的每个第二特征图进行处理，得到特征向量；
通过所述softmax层对所述特征向量进行处理，得到所述多个感兴趣区域的检测概率，将所述多个感兴趣区域中检测概率大于参考检测概率的感兴趣区域确定为所述待检测图像中的检测目标。


6.根据权利要求4所述的方法，其特征在于，所述目标检测网络模型包括分类层，所述分类层第一全连接层、第二全连接层、第三全连接层和softmax层；
所述对提取的多个感兴趣区域的特征数据进行处理，得到所述待检测图像中的检测目标，包括：
通过所述第一全连接层和所述第二全连接层对提取的多个感兴趣区域的特征数据进行处理，得到多个第二特征图；
获取所述第三全连接层的权重矩阵的转置矩阵，所述第三全连接层的权重矩阵的转置矩阵是在向所述目标检测网络模型输入所述待检测图像之前对所述第三全连接层的权重矩阵进行预处理得到的；
通过所述第三全连接层，调用cuBLAS库对所述权重矩阵的转置矩阵和所述多个第二特征图中每个特征图对应的特征矩阵进行处理，得到特征向量，所述权重矩阵的转置矩阵和每个特征图对应的特征矩阵的运算类型均为第一类型，所述第一类型用于指示不对所述权重矩阵的转置矩阵和每个特征矩阵进行转置；
通过所述softmax层对所述特征向量进行处理，得到所述多个感兴趣区域的检测概率，将所述多个感兴趣区域中检测概率大于参考检测概率的感兴趣区域确定为所述待检测图像中的检测目标。


7.一种目标检测装置，其特征在于，所述装置包括：
处理模块，用于通过目...

【专利技术属性】
技术研发人员：屠震元，徐超，
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