一种目标检测方法、装置、机器可读介质及设备制造方法及图纸

本发明专利技术公开了一种目标检测方法，包括：获取待检测图像；将所述待检测图像输入至预先训练得到的基于轻量级卷积神经网络的目标检测模型，得到一个或多个目标检测框以及每个目标检测框对应的置信度；所述目标检测框用以标识待检测图像中检测到的一个或多个伪目标对象；确定置信度大于置信度阈值的目标检测框；根据置信度大于置信度阈值的目标检测框，确定所述待检测图像中的目标对象。本发明专利技术利用参数量、计算量较小的基于轻量级卷积神经网络的目标检测模型对待检测图像进行目标检测，减小了目标检测的计算量，提升了目标检测的速度。

【技术实现步骤摘要】
一种目标检测方法、装置、机器可读介质及设备
本专利技术涉及目标检测领域，具体涉及一种目标检测方法、装置、机器可读介质及设备。
技术介绍
由于场景的多样性和复杂性，现有的主流目标检测算法包括单阶段SSD、YOLO和双阶段FasterRcnn算法，这些方法大都采用较大的骨干网络来提取复杂和多样性的场景特征，导致整体模型较大，算法推理耗时长且后处理耗时较长，不适用于要求快速响应的实际视频监控场景。另外，实际场景中的多样性和复杂性都会给目标检测带来难度。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种目标检测方法、装置、机器可读介质及设备，用于解决现有技术存在的问题。为实现上述目的及其他相关目的，本专利技术提供一种目标检测方法，包括：获取待检测图像；将所述待检测图像输入至预先训练得到的基于轻量级卷积神经网络的目标检测模型，得到一个或多个目标检测框以及每个目标检测框对应的置信度；所述目标检测框用以标识待检测图像中检测到的一个或多个伪目标对象；确定置信度大于置信度阈值的目标检测框；根据置信度大于置信度阈值的目标检测框，确定所述待检测图像中的目标对象。可选地，在训练得到基于轻量级卷积神经网络的目标检测模型的过程中，通过数据增强对训练数据进行增强，对数据进行增强的方法包括：高斯模糊、运动模糊、随机擦除、随机填充。可选地，在训练得到基于轻量级卷积神经网络的目标检测模型的过程中，通过基于难样本挖掘的训练样本训练得到目标数模型。可选地，该方法还包括：将目标检测模型的权重数据类型转化为fp16或int8的数据类型。可选地，所述目标检测模型包括：骨干网络，用于对所述待检测图像进行特征提取；颈部网络，用于对骨干网络提取的特征进行特征融合，得到多尺度的融合特征；头部网络，用于根据多尺度的融合特征进行分类和回归，输出目标检测框的坐标以及与所述目标检测框对应的置信度。可选地，所述骨干网包括ResNet、VGG或MobileNet；所述头部网包括全连接网络或1x1卷积网络。可选地，在将待检测图像输入至目标检测模型前，还包括对所述待检测图像进行预处理，所述预处理包括：图像缩放、转置以及图像类型转换。为实现上述目的及其他相关目的，本专利技术还提供一种目标检测装置，包括：图像获取模块，用于获取待检测图像；目标检测模块，用于将所述待检测图像输入至预先训练得到的基于轻量级卷积神经网络的目标检测模型，得到一个或多个目标检测框以及每个目标检测框对应的置信度；所述目标检测框用以标识待检测图像中检测到的一个或多个伪目标对象；目标检测框确定模块，用于确定置信度大于置信度阈值的目标检测框；目标对象确定模块，用于根据置信度大于置信度阈值的目标检测框，确定所述待检测图像中的目标对象。可选地，该装置还包括数据增强模块，用于在训练得到的基于轻量级卷积神经网络的目标检测模型的过程中，对训练数据进行增强，对数据进行增强的方法包括：高斯模糊、运动模糊、随机擦除、随机填充。可选地，在训练得到基于轻量级卷积神经网络的目标检测模型的过程中，通过难样本挖掘的训练样本训练得到目标检测模型。可选地，将目标检测模型的权重数据类型转化为fp16或int8的数据类型。可选地，所述目标检测模型包括：骨干网络，用于对所述待检测图像进行特征提取；颈部网络，用于对骨干网络提取的特征进行特征融合，得到多尺度的融合特征；头部网络，用于根据多尺度的融合特征进行分类和回归，输出目标检测框的坐标以及与所述目标检测框对应的置信度。可选地，所述骨干网包括ResNet、VGG或MobileNet；所述头部网包括全连接网络或1x1卷积网络。为实现上述目的及其他相关目的，本专利技术还提供一种设备，包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行前述的一个或多个所述的方法。为实现上述目的及其他相关目的，本专利技术还提供一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得设备执行前述的一个或多个所述的方法。如上所述，本专利技术提供的一种目标检测方法、装置、机器可读介质及设备，具有以下有益效果：本专利技术的一种目标检测方法，包括：获取待检测图像；将所述待检测图像输入至预先训练得到的基于轻量级卷积神经网络的目标检测模型，得到一个或多个目标检测框以及每个目标检测框对应的置信度；所述目标检测框用以标识待检测图像中检测到的一个或多个伪目标对象；确定置信度大于置信度阈值的目标检测框；根据置信度大于置信度阈值的目标检测框，确定所述待检测图像中的目标对象。本专利技术利用参数量、计算量较小的基于轻量级卷积神经网络的目标检测模型对待检测图像进行目标检测，减小了目标检测的计算量，提升了目标检测的速度。附图说明图1为本专利技术一实施例一种目标检测方法的流程图；图2为本专利技术一实施例中头肩检测标注的示意图；图3为本专利技术一实施例中是否戴安全帽标注的示意图；图4为本专利技术一实施例中目标检测模型的示意图；图5为本专利技术一实施例一种目标检测装置的硬件结构示意图；图6为本专利技术一实施例中终端设备的硬件结构示意图；图7为本专利技术一实施例中终端设备的硬件结构示意图。具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，遂图式中仅显示与本专利技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。如图1所示，一种目标检测方法，包括：S11获取待检测图像；S12将所述待检测图像输入至预先训练得到的基于轻量级卷积神经网络的目标检测模型，得到一个或多个目标检测框以及每个目标检测框对应的置信度；所述目标检测框用以标识待检测图像中检测到的一个或多个伪目标对象；S13确定置信度大于置信度阈值的目标检测框；S14根据置信度大于置信度阈值的目标检测框，确定所述待检测图像中的目标对象。本专利技术利用参数量、计算量较小的基于轻量级卷积神经网络的目标检测模型对待检测图像进行目标检测，减小了目标检测的计算量，提升了目标检测的速度。在步骤S11中，待检测图像为针对需要进行目标检测的场景采集到的图像。图像中的目标可以为人物、车辆、安全帽等。其中，对人物的检测可以通过检测人物的头肩来确定。每个图像中包含一个或本文档来自技高网...

【技术保护点】
1.一种目标检测方法，其特征在于，包括：/n获取待检测图像；/n将所述待检测图像输入至预先训练得到的基于轻量级卷积神经网络的目标检测模型，得到一个或多个目标检测框以及每个目标检测框对应的置信度；所述目标检测框用以标识待检测图像中检测到的一个或多个伪目标对象；/n确定置信度大于置信度阈值的目标检测框；/n根据置信度大于置信度阈值的目标检测框，确定所述待检测图像中的目标对象。/n

【技术特征摘要】
1.一种目标检测方法，其特征在于，包括：
获取待检测图像；
将所述待检测图像输入至预先训练得到的基于轻量级卷积神经网络的目标检测模型，得到一个或多个目标检测框以及每个目标检测框对应的置信度；所述目标检测框用以标识待检测图像中检测到的一个或多个伪目标对象；
确定置信度大于置信度阈值的目标检测框；
根据置信度大于置信度阈值的目标检测框，确定所述待检测图像中的目标对象。


2.根据权利要求1所述的目标检测方法，其特征在于，在训练得到基于轻量级卷积神经网络的目标检测模型的过程中，通过数据增强对训练数据进行增强，对数据进行增强的方法包括：高斯模糊、运动模糊、随机擦除、随机填充。


3.根据权利要求1所述的目标检测方法，其特征在于，在训练得到基于轻量级卷积神经网络的目标检测模型的过程中，通过基于难样本挖掘的训练样本训练得到目标数模型。


4.根据权利要求1所述的目标检测方法，其特征在于，该方法还包括：将目标检测模型的权重数据类型转化为fp16或int8的数据类型。


5.根据权利要求1所述的目标检测方法，其特征在于，所述目标检测模型包括：
骨干网络，用于对所述待检测图像进行特征提取；
颈部网络，用于对骨干网络提取的特征进行特征融合，得到多尺度的融合特征；
头部网络，用于根据多尺度的融合特征进行分类和回归，输出目标检测框的坐标以及与所述目标检测框对应的置信度。


6.根据权利要求5所述的目标检测方法，其特征在于，所述骨干网包括ResNet、VGG或MobileNet；所述头部网包括全连接网络或1x1卷积网络。


7.根据权利要求1所述的目标检测方法，其特征在于，在将待检测图像输入至目标检测模型前，还包括对所述待检测图像进行预处理，所述预处理包括：图像缩放、转置以及图像类型转换。


8.一种目标检测装置，其特征在于，包括：
图像获取模块，用于获取待检测图像；
目标检测模块，用于将所述待检测图像输入...

【专利技术属性】
技术研发人员：姚志强，周曦，於景瞵，张愈其，钟南昌，
申请(专利权)人：广州云从凯风科技有限公司，
类型：发明
国别省市：广东;44