一种目标检测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种目标检测方法、装置、设备及存储介质，通过获取待检测图片的至少一个特征序列；对各所述特征序列进行特征提取和转置处理，得到目标特征矩阵；根据各所述目标特征矩阵进行目标检测，确定目标检测结果。解决了目标检测过程中由于忽略了全局信息导致的检测结果不准确的问题。通过对特征序列进行特征提取和转置处理，使得到的目标特征矩阵中的每个点均与所有点相关，提取到图片的全局特征。进而在通过目标特征矩阵进行目标检测时可以考虑到全局特征，提高目标检测的精度。提高目标检测的精度。提高目标检测的精度。

【技术实现步骤摘要】
一种目标检测方法、装置、设备及存储介质


[0001]本专利技术实施例涉及图像处理
，尤其涉及一种目标检测方法、装置、设备及存储介质。

技术介绍

[0002]目标检测算法是计算机视觉重点研究方向之一，目的是检测出图片中的目标属性，包括目标的位置、尺寸和类别等信息。现有目标检测算法主要可以分为两大类。一类是利用卷积神经网络计算直接计算出目标的侯选框，相关算法有yolo、ssd等。另一类是采用图像分割的方法对从像素级层面对每个像素点的类别进行判断，从而检测出图像内的目标。现有目标检测算法特征提取层是由多层卷积神经网络组成，在神经网络算法输入端只能提取到图片局部信息，然后逐步提取到图片全局信息。
[0003]现有目标检测算法主要由卷积神经网络构成。图片输入到网络之后会经过一些列的卷积层来提取特征，然后经过预测网络得到预测结果。图片在卷积相关操作中会产生不同通道数量的特征层，并且特征尺度也会发生变化。在进行卷积操作时，新的特征层中的元素往往仅与前一层的局部特征相关，而无法考虑到全部特征。图1为现有技术中的一种卷积网络对图片进行处理时的实现示例图，进一步地说明卷积实现过程。假设所有特征的通道数量为1，输入的原始图片尺寸为8
×
8，卷积核大小为2
×
2，卷积步长为2。原始图片经过第一次卷积后得到特征1，特征1的尺寸降低到4
×
4。特征1中的各个点取值分别来源于图片1
‑
g个标注内的4个点取值，即特征1中各个点仅与图片中4个点的取值有关。特征1经过卷积操作得到特征2，特征2的尺寸降低到2
×
2。特征2中的各个点取值分别来源于特征1中1
‑
4个标注内的4个点取值。例如，特征2的第一个点由特征1中左上角4个点组成，而特征1左上角4个点分别由原始图片中1、2、5、6中的像素点经卷积操作得到。那么，特征2的左上角第一个点取值与原始图片中左上角1、2、4、5中的16个点有关。从上述过程可得到，卷积操作得到的特征仅仅来源于上一层的局部信息，忽略了全部信息，因此在对图片进行识别时，由于忽略了全局信息导致图片检测的准确度较低。

技术实现思路

[0004]本专利技术提供一种目标检测方法、装置、设备及存储介质，以实现对目标的准确检测。
[0005]第一方面，本专利技术实施例提供了一种目标检测方法，所述目标检测方法包括：
[0006]获取待检测图片的至少一个特征序列；
[0007]对各所述特征序列进行特征提取和转置处理，得到目标特征矩阵；
[0008]根据各所述目标特征矩阵进行目标检测，确定目标检测结果。
[0009]第二方面，本专利技术实施例还提供了一种目标检测装置，该目标检测装置包括：
[0010]序列获取模块，用于获取待检测图片的至少一个特征序列；
[0011]序列处理模块，用于对各所述特征序列进行特征提取和转置处理，得到目标特征
矩阵；
[0012]检测模块，用于根据各所述目标特征矩阵进行目标检测，确定目标检测结果。
[0013]第三方面，本专利技术实施例还提供了一种计算机设备，该设备包括：
[0014]一个或多个处理器；
[0015]存储器，用于存储一个或多个程序，
[0016]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本专利技术实施例中任一所述的一种目标检测方法。
[0017]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本专利技术实施例中任一所述的一种目标检测方法。
[0018]本专利技术实施例提供了一种目标检测方法、装置、设备及存储介质，通过获取待检测图片的至少一个特征序列；对各所述特征序列进行特征提取和转置处理，得到目标特征矩阵；根据各所述目标特征矩阵进行目标检测，确定目标检测结果。解决了目标检测过程中由于忽略了全局信息导致的检测结果不准确的问题。通过对特征序列进行特征提取和转置处理，使得到的目标特征矩阵中的每个点均与所有点相关，提取到图片的全局特征。进而在通过目标特征矩阵进行目标检测时可以考虑到全局特征，提高目标检测的精度。
附图说明
[0019]图1是现有技术中的一种卷积网络对图片进行处理时的实现示例图；
[0020]图2是本专利技术实施例一中的一种目标检测方法的流程图；
[0021]图3是本专利技术实施例二中的一种目标检测方法的流程图；
[0022]图4是本专利技术实施例二中的一种实现目标检测方法的网络结构示例图；
[0023]图5是本专利技术实施例二中的一种目标检测方法中确定目标特征矩阵的实现示例图；
[0024]图6是本专利技术实施例三中的一种目标检测装置的结构示意图；
[0025]图7是本专利技术实施例四中的一种计算机设备的结构示意图。
具体实施方式
[0026]为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。应当明确，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
[0027]下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
[0028]在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅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，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关
联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
[0029]实施例一
[0030]图2给出了本申请实施例一提供的一种目标检测方法的流程图，该方法适用于在早进行目标检测时得到准确度较高的检测结果的情况。该方法可以由计算机设备执行，该计算机设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。一般而言，计算机设备可以是笔记本、台式计算机以及智能平板等。
[0031]如图2所示，本实施例一提供的一种目标检测方法，具体包括如下步骤：
[0032]S101、获取待检测图片的至少一个特征序列。
[0033]在本实施例中，待检测图片具体可以理解为具有检测需求的图片。以自动驾驶为例，车辆上的图像采集装置在车辆行驶过程中采集图像，图像中可以包括建筑物、行人、机动车辆和非机动车辆等，将采集到的图片作为待检测图片进行本文档来自技高网...

【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，包括：获取待检测图片的至少一个特征序列；对各所述特征序列进行特征提取和转置处理，得到目标特征矩阵；根据各所述目标特征矩阵进行目标检测，确定目标检测结果。2.根据权利要求1所述的方法，其特征在于，所述获取待检测图片的至少一个特征序列，包括：获取待检测图片；确定所述待检测图片的颜色通道；按照各所述颜色通道进行序列转换，得到各所述颜色通道对应的特征序列。3.根据权利要求2所述的方法，其特征在于，所述按照各所述颜色通道进行序列转换，得到各所述颜色通道对应的特征序列，包括：针对每个颜色通道，按照所述待检测图片的行方向进行转换，得到长度为目标宽度、特征维度为目标高度的特征序列；或者，按照所述待检测图片的列方向进行转换，得到长度为目标高度、特征维度为目标宽度的特征序列；其中，所述目标宽度为所述待检测图片的宽度，所述目标高度为所述待检测图片的高度。4.根据权利要求1所述的方法，其特征在于，所述对各所述特征序列进行特征提取和转置处理，得到目标特征矩阵，包括：针对每个特征序列，确定所述特征序列的目标处理次数；将所述特征序列的当前处理次数设置为0，并将所述特征序列作为当前待处理矩阵；基于预确定的循环神经网络模型对所述当前待处理矩阵进行特征提取，以及转置处理，得到目标处理矩阵；对所述当前处理次数进行累计加1；判断所述当前处理次数是否大于或等于所述目标处理次数，若是，则将所述目标处理矩阵确定为目标特征矩阵；否则，将所述目标处理矩阵作为新的当前待处理矩阵，并返回执行目标处理矩阵的确定操作。5.根据权利要求4所述的方法，其特征在于，所述基于预确定的循环神经网络模型对所述当前待处理矩阵进行特征提取，以及转置处理，得到目标处理矩阵，包括：将所述当前待处理矩阵输入到预确定的第一循环神经...

【专利技术属性】
技术研发人员：徐辉，叶汇贤，
申请(专利权)人：上海芯物科技有限公司，
类型：发明
国别省市：