本公开提供了一种目标对象的检测方法、装置、计算机设备及存储介质，其中，该方法包括：获取待检测图像；基于预先训练的第一对象检测网络对所述待检测图像进行检测，确定所述待检测图像对应的检测结果；基于所述检测结果中各目标对象在所述待检测图像中的第一位置信息，从所述待检测图像中裁剪出各所述目标对象分别对应的区域图像；将所述区域图像输入至预先训练的分类网络，以通过所述分类网络对所述第一对象检测网络的检测结果进行校验，并基于校验结果确定检测结果。验结果确定检测结果。验结果确定检测结果。
【技术实现步骤摘要】
一种目标对象的检测方法、装置、计算机设备及存储介质
[0001]本公开涉及物体检测
，具体而言，涉及一种目标对象的检测方法、装置、计算机设备及存储介质。
技术介绍
[0002]使用检测网络进行目标检测是计算机视觉领域中的一个十分重要的方向，其可以被应用在许多实际任务中，如自动驾驶，机器人，智能医疗等。
[0003]相关技术中，检测网络对检测阈值的选取较为敏感，若相关的检测阈值选取过高，则可能会造成对目标对象的漏检；而若相关的检测阈值选取过低，则可能会造成对目标对象的误检，因此得到的检测结果的准确性较低。
技术实现思路
[0004]本公开实施例至少提供一种目标对象的检测方法、装置、计算机设备及存储介质。
[0005]第一方面，本公开实施例提供了一种目标对象的检测方法，包括：
[0006]获取待检测图像；
[0007]基于预先训练的第一对象检测网络对所述待检测图像进行检测，确定所述待检测图像对应的检测结果；
[0008]基于所述检测结果中各目标对象在所述待检测图像中的第一位置信息，从所述待检测图像中裁剪出各所述目标对象分别对应的区域图像；
[0009]将所述区域图像输入至预先训练的分类网络，以通过所述分类网络对所述第一对象检测网络的检测结果进行校验，并基于校验结果确定检测结果。
[0010]这样，通过采用预先训练的分类网络对第一对象检测网络的检测结果进行校验，即使第一对象检测网络由于检测阈值设置的较低导致了对目标对象的误检，也可以由分类网络对误检结果进行滤除，从而可以降低第一对象检测网络对检测阈值的依赖，提高检测结果的准确性。
[0011]一种可能的实施方式中，所述基于所述检测结果中各目标对象在所述待检测图像中的第一位置信息，从所述待检测图像中裁剪出各所述目标对象分别对应的区域图像，包括：
[0012]针对任一所述目标对象，基于预设的放大参数对该目标对象对应的所述第一位置信息进行调整，确定裁剪处理时的第二位置信息；
[0013]基于所述第二位置信息对所述待检测图像进行裁剪处理，得到该目标对象对应的区域图像。
[0014]这样，通过使用放大参数进行裁剪处理，可以使得得到的区域图像能够包含完整的目标对象，从而能够确保校验结果的准确性。
[0015]一种可能的实施方式中，所述基于所述第二位置信息对所述待检测图像进行裁剪处理，得到该目标对象对应的区域图像，包括：
[0016]在检测到所述第二位置信息对应的位置坐标超出所述待检测图像的边界的情况下，将超过所述待检测图像边界的区域按照预设像素值进行像素点填充，得到该目标对象对应的区域图像；或者，
[0017]基于所述待检测图像边界的第三位置信息对所述第二位置信息进行调整，并基于调整后的第二位置信息对所述待检测图像进行裁剪处理，得到该目标对象对应的区域图像。
[0018]一种可能的实施方式中，训练所述分类网络的样本图像采用以下步骤获取：
[0019]获取带有标注框的样本图像；其中，所述标注框用于框选出所述样本图像所包含的至少一个目标对象，所述标注框包括基于人工标注的第一检测框和基于第二对象检测网络标注的第二检测框，或者所述标注框包括基于第二对象检测网络标注的第二检测框；
[0020]基于所述标注框，对所述样本图像进行裁剪处理，得到用于训练所述分类网络的样本图像。
[0021]这样，使得用于训练所述分类网络的样本图像的来源更为丰富，从而能够提高所述分类网络的校验效果。
[0022]一种可能的实施方式中，带有所述第二检测框的样本图像通过以下步骤获取：
[0023]获取初始样本图像；
[0024]将所述初始样本图像输入至所述第二对象检测网络，得到所述第二对象检测网络输出的多个第二检测框，以及各第二检测框对应的置信度；
[0025]确定对应的置信度满足预设阈值条件的第二检测框，并获取携带有确定的第二检测框的样本图像。
[0026]这样，通过针对置信度设置阈值条件，可以得到不同置信度的第二检测框，将这些第二检测框用于训练所述分类网络，可以提高所述分类网络的校验效果。
[0027]一种可能的实施方式中，所述第二对象检测网络与所述第一对象检测网络为同一网络。
[0028]这样，由于训练阶段提供训练样本数据的对象检测网络，与实际校验时的检测网络是同一网络，可以提高分类网络与所述第一对象检测网络的匹配度，使得校验结果更为准确。
[0029]一种可能的实施方式中，所述分类网络采用以下步骤训练得到：
[0030]将所述样本图像输入至待训练的分类网络；
[0031]基于所述待训练的分类网络输出的所述样本图像的分类结果、所述样本图像的标注框以及各标注框对应的置信度，确定本次训练过程中的目标损失值，并基于所述目标损失值调整所述分类网络的网络参数值，其中，所述第一检测框对应的置信度为预设置信度。
[0032]一种可能的实施方式中，所述基于所述待训练的分类网络输出的所述样本图像的分类结果、所述样本图像的标注框以及各标注框对应的置信度，确定本次训练过程中的目标损失值，包括：
[0033]基于所述待训练的分类网络输出的所述样本图像的分类结果和所述样本图像的标注框，确定本次训练过程中识别的各目标对象对应的第一损失值；基于各标注框分别对应的置信度，对所述第一损失值进行加权求和，确定本次训练过程中的目标损失值。
[0034]这样，通过将置信度作为权重引入损失函数，可以提高所述分类网络对困难样本
的学习效果，从而提高对困难样本的校验能力。
[0035]第二方面，本公开实施例还提供一种目标对象的检测装置，包括：
[0036]获取模块，用于获取待检测图像；
[0037]确定模块，用于基于预先训练的第一对象检测网络对所述待检测图像进行检测，确定所述待检测图像对应的检测结果；
[0038]裁剪模块，用于基于所述检测结果中各目标对象在所述待检测图像中的第一位置信息，从所述待检测图像中裁剪出各所述目标对象分别对应的区域图像；
[0039]校验模块，用于将所述区域图像输入至预先训练的分类网络，以通过所述分类网络对所述第一对象检测网络的检测结果进行校验，并基于校验结果确定检测结果。
[0040]一种可能的实施方式中，所述裁剪模块，在基于所述检测结果中各目标对象在所述待检测图像中的第一位置信息，从所述待检测图像中裁剪出各所述目标对象分别对应的区域图像时，用于：
[0041]针对任一所述目标对象，基于预设的放大参数对该目标对象对应的所述第一位置信息进行调整，确定裁剪处理时的第二位置信息；
[0042]基于所述第二位置信息对所述待检测图像进行裁剪处理，得到该目标对象对应的区域图像。
[0043]一种可能的实施方式中，所述裁剪模块，在基于所述第二位置信息对所述待检测图像进行裁剪处理，得到该目标对象对应的区域图像时，用于：
[0044本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种目标对象的检测方法，其特征在于，包括：获取待检测图像；基于预先训练的第一对象检测网络对所述待检测图像进行检测，确定所述待检测图像对应的检测结果；基于所述检测结果中各目标对象在所述待检测图像中的第一位置信息，从所述待检测图像中裁剪出各所述目标对象分别对应的区域图像；将所述区域图像输入至预先训练的分类网络，以通过所述分类网络对所述第一对象检测网络的检测结果进行校验，并基于校验结果确定检测结果。2.根据权利要求1所述的方法，其特征在于，所述基于所述检测结果中各目标对象在所述待检测图像中的第一位置信息，从所述待检测图像中裁剪出各所述目标对象分别对应的区域图像，包括：针对任一所述目标对象，基于预设的放大参数对该目标对象对应的所述第一位置信息进行调整，确定裁剪处理时的第二位置信息；基于所述第二位置信息对所述待检测图像进行裁剪处理，得到该目标对象对应的区域图像。3.根据权利要求2所述的方法，其特征在于，所述基于所述第二位置信息对所述待检测图像进行裁剪处理，得到该目标对象对应的区域图像，包括：在检测到所述第二位置信息对应的位置坐标超出所述待检测图像的边界的情况下，将超过所述待检测图像边界的区域按照预设像素值进行像素点填充，得到该目标对象对应的区域图像；或者，基于所述待检测图像边界的第三位置信息对所述第二位置信息进行调整，并基于调整后的第二位置信息对所述待检测图像进行裁剪处理，得到该目标对象对应的区域图像。4.根据权利要求1～3任一所述的方法，其特征在于，训练所述分类网络的样本图像采用以下步骤获取：获取带有标注框的样本图像；其中，所述标注框用于框选出所述样本图像所包含的至少一个目标对象，所述标注框包括基于人工标注的第一检测框和基于第二对象检测网络标注的第二检测框，或者所述标注框包括基于第二对象检测网络标注的第二检测框；基于所述标注框，对所述样本图像进行裁剪处理，得到用于训练所述分类网络的样本图像。5.根据权利要求4所述的方法，其特征在于，带有所述第二检测框的样本图像通过以下步骤获取：获取初始样本图像；将所述初始样本图像输入至所述第二对象检测网络，得到所述第二对象检测网络输出的多个第二检测框，以及各第二检测框对应的置信度；...
【专利技术属性】
技术研发人员：施晨，林培文，
申请(专利权)人：上海商汤临港智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。