目标检测方法、装置、计算机设备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、计算机设备及存储介质，技术领域。所述方法包括：通过得到带有样本图像中目标物的真实类别和真实位置的训练样本，然后建立图像识别模型，图像识别模型中包括了增强子网络、卷积子网络和对抗子网络，利用训练样本对图像识别模型进行训练，得到训练后的增强子网络和训练后的卷积子网络，并将训练后的增强子网络、训练后的卷积子网络及未经训练的感知子网络组成目标检测模型进行训练，将训练完成的目标检测模型作为目标检测网络对待测图像中目标区域的目标物的类别以及位置进行检测。本申请提供的技术方案能够通过专注于图像中目标区域的目标物识别可以提升目标物类别的检测精度。物识别可以提升目标物类别的检测精度。物识别可以提升目标物类别的检测精度。

【技术实现步骤摘要】
目标检测方法、装置、计算机设备及存储介质


[0001]本申请涉及目标检测领域，特别是涉及一种目标检测方法、装置、计算机设备及存储介质。

技术介绍

[0002]随着智能监控等领域的发展，针对于监控图像的目标检测具有迫切的应用需求。目标检测具体指的是将监控到的图像采用事先确定好的类别来描述图像和位置，比如安检机对图像中危险物品进行目标检测，以区分出危险物品与正常物品。
[0003]现有技术中，对于在安检图像中的目标物的检测通常是采用人工根据经验去判别该物品是否是刀具或者其他危险物品，然而当客流量较大，安检物品增多时，利用人工根据经验去对图像中的各个物品进行检测判别时可能会产生漏判或者误判。

技术实现思路

[0004]基于此，本申请实施例提供了一种目标检测方法、装置、计算机设备及存储介质，可以提高对图像中目标区域的目标物类别的检测精度。
[0005]第一方面，提供了一种目标检测方法，该方法包括：
[0006]获取多个训练样本，各个训练样本包括样本图像以及样本图像中目标物的真实类别和真实位置；固定图像识别模型中的增强子网络中的网络参数，利用多个训练样本对图像识别模型中的卷积子网络和对抗子网络进行训练，得到训练后的卷积子网络和对抗子网络；固定卷积子网络和对抗子网络中的网络参数，并利用多个训练样本对增强子网络进行训练，得到训练后的增强子网络；基于训练后的增强子网络、训练后的卷积子网络与未经训练的感知子网络组成目标检测模型；固定训练后的增强子网络和训练后的卷积子网络的网络参数，并利用多个训练样本对感知子网络进行训练；将训练后的增强子网络、训练后的卷积子网络和训练后的感知子网络作为目标检测网络，目标检测网络用于对图像中目标区域中目标物的类别以及目标物的位置进行检测。
[0007]在其中一个实施例中，卷积子网络包括多个卷积层，对抗子网络包括多个全连接层，利用多个训练样本对图像识别模型中的卷积子网络和对抗子网络进行训练，得到训练后的卷积子网络和对抗子网络，包括：
[0008]将各训练样本中的样本图像输入至网络参数固定的增强子网络中，得到增强子网络输出的增强图像，增强图像与训练样本中的样本图像的图像尺寸大小相同；将增强图像依次输入至卷积子网络和对抗子网络中，得到样本图像中目标物的训练类别；根据样本图像中目标物的训练类别和样本图像中目标物的真实类别之间的差距调整卷积子网络和对抗子网络的网络参数。
[0009]在其中一个实施例中，增强子网络包括编码器和解码器，利用多个训练样本对图像识别模型中的增强子网络进行训练，包括：
[0010]将各训练样本依次输入至增强子网络中的编码器和解码器中，得到解码器输出的
增强图像；固定所述卷积子网络和所述对抗子网络网络的参数，并将增强图像依次输入至卷积子网络和对抗子网络中，得到样本图像中目标物的训练类别；根据样本图像中目标物的训练类别和样本图像中目标物的真实类别之间的差距调整增强子网络的网络参数。
[0011]在其中一个实施例中，该方法还包括：基于第一损失函数计算样本图像中目标物的训练类别和样本图像中目标物的真实类别之间的差距，其中，第一损失函数包括：
[0012]L
g
＝E[log(D(Y(X)))]+λ||X
‑
Y(X)||2；
[0013]其中，E[]表示期望，D[]表示对抗网络，Y[]表示增强网络，X表示输入图像，λ表示平衡参数。
[0014]在其中一个实施例中，将增强图像依次输入至卷积子网络和对抗子网络中，得到样本图像中目标物的训练类别，包括：
[0015]将增强图像输入至卷积子网络，得到多个样本特征图；将多个样本特征图所表示的矩阵转换为样本特征向量；将样本特征向量输入到对抗子网络中，得到样本图像中目标物的训练类别。
[0016]在其中一个实施例中，未经训练的感知网络包括第一全连接层、第二全连接层以及与第二全连接层分别级联的类别全连接层和回归参数全连接层，固定训练后的增强子网络和训练后的卷积子网络的网络参数，并利用多个训练样本对感知子网络进行训练，包括：将各训练样本依次输入至训练后的增强子网络和训练后的卷积子网络中，得到解码器输出的增强图像；将增强图像输入至未经训练的感知网络中，得到样本图像中目标物的训练类别和训练位置；根据样本图像中目标物的训练类别和训练位置与样本图像中目标物的真实类别和真实位置之间的差距调整感知子网络的网络参数。
[0017]在其中一个实施例中，该方法还包括：基于第二损失函数计算样本图像中目标物的训练类别和训练位置与样本图像中目标物的真实类别和真实位置之间的差距，其中，第二损失函数包括：
[0018]L
p
＝E(
‑
logp
g
)+1[g≥1]L
loc
(r
g
,r
*
)；
[0019]其中，L
loc
(r
g
,r
*
)＝∑smooth
L1
(r
g
‑
r
*
)，)，r
g
表示真实位置，r
*
表示训练位置，p
g
为样本图像为真实类别的估计概率，g表示真实类别。
[0020]第二方面，提供了一种目标检测装置，该目标检测装置包括：
[0021]获取模块，用于获取多个训练样本，各个训练样本包括样本图像以及样本图像中目标物的真实类别和真实位置；
[0022]第一训练模块，用于固定图像识别模型中的增强子网络中的网络参数，利用多个训练样本对图像识别模型中的卷积子网络和对抗子网络进行训练，得到训练后的卷积子网络和对抗子网络；
[0023]第二训练模块，用于固定卷积子网络和对抗子网络中的网络参数，并利用多个训练样本对增强子网络进行训练，得到训练后的增强子网络；
[0024]第一模型获取模块，用于基于训练后的增强子网络、训练后的卷积子网络与未经
训练的感知子网络组成目标检测模型；
[0025]第三训练模块，用于固定训练后的增强子网络和训练后的卷积子网络的网络参数，并利用多个训练样本对感知子网络进行训练；
[0026]第二模型获取模块，用于将训练后的增强子网络、训练后的卷积子网络和训练后的感知子网络作为目标检测网络，目标检测网络用于对图像中目标区域中目标物的类别以及目标物的位置进行检测。
[0027]在其中一个实施例中，第一训练模块具体用于：
[0028]将各所述训练样本中的样本图像输入至网络参数固定的增强子网络中，得到所述增强子网络输出的增强图像，所述增强图像与所述训练样本中的样本图像的图像尺寸大小相同；将所述增强图像依次输入至卷积子网络和对抗子网络中，得到样本图像中目标物的训练类别；根据所述样本图像中目标物的训练类别和所述样本图像中目标物的真实类别之间的差距调整所述卷积子网络和所述对抗子网络的本文档来自技高网...

【技术保护点】

【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：获取多个训练样本，各个所述训练样本包括样本图像以及所述样本图像中目标物的真实类别和真实位置；固定图像识别模型中的增强子网络中的网络参数，利用所述多个训练样本对所述图像识别模型中的卷积子网络和对抗子网络进行训练，得到训练后的卷积子网络和对抗子网络；固定所述卷积子网络和所述对抗子网络中的网络参数，并利用所述多个训练样本对所述增强子网络进行训练，得到训练后的增强子网络；基于所述训练后的增强子网络、所述训练后的卷积子网络与未经训练的感知子网络组成目标检测模型；固定所述训练后的增强子网络和所述训练后的卷积子网络的网络参数，并利用所述多个训练样本对所述感知子网络进行训练；将所述训练后的增强子网络、所述训练后的卷积子网络和训练后的感知子网络作为目标检测网络，所述目标检测网络用于对图像中目标区域中目标物的类别以及目标物的位置进行检测。2.根据权利要求1所述的方法，其特征在于，所述卷积子网络包括多个卷积层，所述对抗子网络包括多个全连接层，所述利用所述多个训练样本对所述图像识别模型中的卷积子网络和对抗子网络进行训练，得到训练后的卷积子网络和对抗子网络，包括：将各所述训练样本中的样本图像输入至网络参数固定的增强子网络中，得到所述增强子网络输出的增强图像，所述增强图像与所述训练样本中的样本图像的图像尺寸大小相同；将所述增强图像依次输入至卷积子网络和对抗子网络中，得到样本图像中目标物的训练类别；根据所述样本图像中目标物的训练类别和所述样本图像中目标物的真实类别之间的差距调整所述卷积子网络和所述对抗子网络的网络参数。3.根据权利要求1所述的方法，其特征在于，所述增强子网络包括编码器和解码器，所述利用所述多个训练样本对所述图像识别模型中的增强子网络进行训练，包括：将各所述训练样本依次输入至所述增强子网络中的编码器和解码器中，得到所述解码器输出的增强图像；固定所述卷积子网络和所述对抗子网络网络的参数，并将所述增强图像依次输入至所述卷积子网络和所述对抗子网络中，得到样本图像中目标物的训练类别；根据所述样本图像中目标物的训练类别和所述样本图像中目标物的真实类别之间的差距调整所述增强子网络的网络参数。4.根据权利要求2或3所述的方法，其特征在于，所述方法还包括：基于第一损失函数计算所述样本图像中目标物的训练类别和所述样本图像中目标物的真实类别之间的差距，其中，第一损失函数包括：L
g
＝E[log(D(Y(X)))]+λ||X
‑
Y(X)||2；其中，E[]表示期望，D[]表示对抗网络，Y[]表示增强网络，X表示输入图像，λ表示平衡参数。
5.根据权利要求2或3所述的方法，其特征在于，所述将所述增强图像依次输入至卷积子网络和对抗子网络中，得到样本图像中目标物的训练类别，包括：将所述增强图像输入至所述卷积子网络，得到多个样本特征图；将所述多个样本特征图所表示的矩阵转换为样本特征向量；将所述样本特征向量输入到所述对抗子网络中，得到所述样本图像中目标物的训练类别。6.根据权利要求1所述的方法，其特征...

【专利技术属性】
技术研发人员：李喆，时亨通，皮昊书，陈子涵，吴中，
申请(专利权)人：深圳供电局有限公司，
类型：发明
国别省市：