一种目标对象的分析方法、存储介质及电子装置制造方法及图纸

本发明专利技术提供了一种目标对象的分析方法、存储介质及电子装置，所述的方法包括对第一原始图像进行分割，得到多个子图像，使用第一模型对多个子图像进行分析，确定多个子图像中是否存在目标对象，其中，第一模型为使用多组数据对深度神经网络进行训练得到的，多组数据中的每组数据均包括：多个子图像样本，其中，多个子图像样本携带有对目标对象的标注信息。通过本发明专利技术，解决了相关技术中难以检测图像中的小目标的问题，达到高效识别小目标的效果。达到高效识别小目标的效果。达到高效识别小目标的效果。

【技术实现步骤摘要】
一种目标对象的分析方法、存储介质及电子装置


[0001]本专利技术涉及通信领域，具体而言，涉及一种目标对象的分析方法、存储介质及电子装置。

技术介绍

[0002]目标检测技术是计算机视觉中的研究热点，基于传统图像处理的目标检测技术通常采用提取边缘检测、纹理特征等方法对图像进行处理，然后判断目标在图像中位置。最近几年，基于深度学习的目标检测算法在学术界目标检测公共数据集上的准确率被提升了很多，同时网络的设计方法也基本能满足检测速度实时性要求。但是，相关技术中的目标检测算法并非是适用于各种场景的通用技术方案，在某些场景下，这些目标检测方案并不能够高效准确识别目标，例如大场景、小目标的情况。在这种情况下，检测目标往往仅占用图像中的少量像素，使用常规的目标检测方法很难高效识别。
[0003]以高空拍摄领域中的无人机拍摄为例，无人机是一个国家国防建设的重要领域，通过无人机航拍的图像对地面目标自动检测定位是迫切需要解决的问题。高空航拍的图像往往具有以下特点：1)高度较高；2)拍场景较大；3)图像中目标像素较小。在此前提下，仅使用传统目标检测方法对航拍图像进行目标检测是很难取得较好的结果。

技术实现思路

[0004]本专利技术实施例提供了一种目标对象的分析方法、存储介质及电子装置，以至少解决相关技术中难以检测图像中的小目标的问题。
[0005]根据本专利技术的一个实施例，提供了一种目标对象的分析方法，包括：对第一原始图像进行分割，得到多个子图像；
[0006]使用第一模型对所述多个子图像进行分析，确定所述多个子图像中是否存在所述目标对象，其中，所述第一模型为使用多组数据对深度神经网络进行训练得到的，所述多组数据中的每组数据均包括：多个子图像样本，其中，所述多个子图像样本携带有对所述目标对象的标注信息。
[0007]可选地，对第一原始图像进行分割，包括：按照预先设定的重叠率分割所述第一原始图像。
[0008]可选地，在对第一原始图像进行分割之前，还包括：
[0009]从获取的原始视频中提取多个第一原始图像，其中，所述多个第一原始图像中至少一个第一原始图像包括所述目标对象。
[0010]可选地，在使用第一模型对所述多个子图像进行分析，确定所述多个子图像的中是否存在所述目标对象之前，所述方法还包括：
[0011]使用所述多组数组对所述第一模型进行训练；
[0012]在根据以下至少之一确定的评价值在预设的时间段内维持不变时：坐标误差、分类误差和IOU误差，停止对所述第一模型继续训练。
[0013]可选地，在根据坐标误差、分类误差和IOU误差确定所述评价值的情况下，至少根据以下公式确定所述评价值loss:
[0014][0015]其中，coordErr为所述坐标误差，iouErr为所述IOU误差，clsErr为所述分类误差，i为特征点在特征图上的位置坐标，S2为特征图的大小。
[0016]可选地，在使用第一模型对所述多个子图像进行分析，确定所述多个子图像的中是否存在所述目标对象之后，所述方法还包括：
[0017]在确定所述多个子图像中的指定子图像存在所述目标对象的情况下，输出分析得到的所述目标对象的第一目标信息；或者，
[0018]在确定所述多个子图像中的指定子图像存在所述目标对象的情况下，获取分析得到的所述目标对象的第一目标信息，根据所述第一目标信息得到所述目标对象在所述第一原始图像上的第二目标信息，输出所述第二目标信息。
[0019]可选地，在使用第一模型对所述多个子图像进行分析，确定所述多个子图像的中是否存在所述目标对象之前，所述方法还包括：
[0020]对深度残差网络模型进行裁剪，得到所述深度神经网络。
[0021]可选的，第一原始图像为无人机航拍的视频解码后获得的图像。
[0022]根据本专利技术的又一个实施例，还提供了一种计算机可读的存储介质，所述计算机可读的存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
[0023]根据本专利技术的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
[0024]通过本专利技术实施例，由于使用了携带有对目标对象的标注信息的子图像样本进行训练得到第一模型，并将分割后的子图像输入第一模型进行检测，通过分割能够提高目标对象在子图像中的相对比例，达到更好得检测效果。因此，可以解决相关技术中难以检测图像中的小目标的问题，达到高效检测小目标的效果。
附图说明
[0025]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0026]图1是根据本专利技术实施例的目标对象的分析方法的流程图；
[0027]图2是根据本专利技术实施例的目标对象的分析装置的结构框图；
[0028]图3是根据本专利技术可选实施例的残差网络的基础模块示意图。
具体实施方式
[0029]下文中将参考附图并结合实施例来详细说明本专利技术。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
[0030]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第
二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
[0031]实施例1
[0032]图1是根据本专利技术实施例的目标对象的分析方法的流程图，如图1所示，包括：
[0033]步骤S101，对第一原始图像进行分割，得到多个子图像，其中，所述多个子图像中包括：包含目标对象的第一子图像；
[0034]步骤S103，使用第一模型对所述多个子图像进行分析，确定所述多个子图像中是否存在所述目标对象，其中，所述第一模型为使用多组数据对深度神经网络进行训练得到的，所述多组数据中的每组数据均包括：多个子图像样本，其中，所述多个子图像样本携带有对所述目标对象的标注信息。
[0035]通过本专利技术实施例，由于使用了携带有对目标对象的标注信息的子图像样本进行训练得到第一模型，并将分割后的子图像输入第一模型进行检测，通过分割能够提高目标对象在子图像中的相对比例，达到更好得检测效果。因此，可以解决相关技术中难以检测图像中的小目标的问题，达到高效检测小目标的效果。
[0036]需要说明的是，训练所使用的多个子图像样本，可以是由原始的较大的图像分割而来的，分割得到的子图像样本中的目标对象在该子图像样本中的相对比例要高于该目标对象在分割图像之前的较大的原始图像中的相对比例，使用这种子图像样本可以更好地训练神经网络，以提高其识别小目标的效果。
[0037]子图像样本中携带有对目标对象的标注信息，该标注信息可以是表示子图像样本中有目标对象的标注，或者可以是表示子图像样本中无目标对象的标注，或者本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标对象的分析方法，其特征在于，包括：对第一原始图像进行分割，得到多个子图像；使用第一模型对所述多个子图像进行分析，确定所述多个子图像中是否存在所述目标对象，其中，所述第一模型为使用多组数据对深度神经网络进行训练得到的，所述多组数据中的每组数据均包括：多个子图像样本，其中，所述多个子图像样本携带有对所述目标对象的标注信息。2.根据权利要求1所述的方法，其特征在于，对第一原始图像进行分割，包括：按照预先设定的重叠率分割所述第一原始图像。3.根据权利要求1所述的方法，其特征在于，在对第一原始图像进行分割之前，还包括：从获取的原始视频中提取多个第一原始图像，其中，所述多个第一原始图像中至少一个第一原始图像包括所述目标对象。4.根据权利要求1所述的方法，其特征在于，在使用第一模型对所述多个子图像进行分析，确定所述多个子图像的中是否存在所述目标对象之前，所述方法还包括：使用所述多组数组对所述第一模型进行训练；在根据坐标误差、分类误差和IOU误差中至少之一确定的评价值在预设的时间段内维持不变时，停止对所述第一模型继续训练。5.根据权利要求4所述的方法，其特征在于，在根据坐标误差、分类误差和IOU误差确定所述评价值的情况下，至少根据以下公式确定所述评价值loss:其中，coordErr为所述坐标误差，iouErr为所述IOU误差，clsErr为所述分...

【专利技术属性】
技术研发人员：刘若鹏，栾琳，季春霖，刘凯品，陈欢，
申请(专利权)人：成都天府新区光启未来技术研究院，
类型：发明
国别省市：