目标检测方法及相关设备技术

本申请实施例公开了一种目标检测方法及相关设备，方法包括：获取第一图像；利用图与卷积神经网络融合算法提取所述第一图像的图像特征；利用超像素提取算法将所述图像特征划分为P个超像素，P为大于1的整数；将所述P个超像素输入到transformer模型中进行运算，得到目标检测结果。采用本申请实施例能够提升目标检测精度。测精度。测精度。

【技术实现步骤摘要】
目标检测方法及相关设备


[0001]本申请涉及图像处理
，具体涉及一种目标检测方法及相关设备。

技术介绍

[0002]现有技术中，目标检测在计算机视觉中是一个主要的任务，在工业，科研领域有广泛的应用前景。随着transformer在视觉方向的应用，目标检测的精度在公开数据集上有了小幅提升。基于Transformer的目标检测模型在大中目标检测效果较好，但在目标的召回率和检测精度仍有提升空间。因此，如何提升目标检测精度的问题亟待解决。

技术实现思路

[0003]本申请实施例提供了一种目标检测方法及相关设备，可以提升目标检测精度。
[0004]第一方面，本申请实施例提供一种目标检测方法，所述方法包括：
[0005]获取第一图像；
[0006]利用图与卷积神经网络融合算法提取所述第一图像的图像特征；
[0007]利用超像素提取算法将所述图像特征划分为P个超像素，P为大于1的整数；
[0008]将所述P个超像素输入到transformer模型中进行运算，得到目标检测结果。
[0009]第二方面，本申请实施例提供了一种目标检测装置，所述装置包括：获取单元、提取单元、划分单元和运算单元，其中，
[0010]所述获取单元，用于获取第一图像；
[0011]所述提取单元，用于利用图与卷积神经网络融合算法提取所述第一图像的图像特征；
[0012]所述划分单元，用于利用超像素提取算法将所述图像特征划分为P个超像素，P为大于1的整数；
[0013]所述运算单元，用于将所述P个超像素输入到transformer模型中进行运算，得到目标检测结果。
[0014]第三方面，本申请实施例提供一种电子设备，包括处理器、存储器、通信接口以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，上述程序包括用于执行本申请实施例第一方面中的步骤的指令。
[0015]第四方面，本申请实施例提供了一种计算机可读存储介质，其中，上述计算机可读存储介质存储用于电子数据交换的计算机程序，其中，上述计算机程序使得计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。
[0016]第五方面，本申请实施例提供了一种计算机程序产品，其中，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
[0017]实施本申请实施例，具备如下有益效果：
[0018]可以看出，本申请实施例中所描述的目标检测方法及相关设备，获取第一图像，利用图与卷积神经网络融合算法提取第一图像的图像特征，利用超像素提取算法将图像特征划分为P个超像素，P为大于1的整数，将P个超像素输入到transformer模型中进行运算，得到目标检测结果，通过图特征来检测目标，再将目标超像素处理，得到超像素特征，进而，有助于提升目标检测精度。
附图说明
[0019]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0020]图1是本申请实施例提供的一种目标检测方法的流程示意图；
[0021]图2是本申请实施例提供的另一种目标检测方法的流程示意图；
[0022]图3是本申请实施例提供的一种电子设备的结构示意图；
[0023]图4是本申请实施例提供的一种目标检测装置的功能单元组成框图。
具体实施方式
[0024]为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，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作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0025]本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
[0026]在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0027]本申请实施例所描述电子设备可以包括智能手机(如Android手机、iOS手机、Windows Phone手机等)、平板电脑、掌上电脑、行车记录仪、交通指挥平台、服务器、笔记本电脑、移动互联网设备(MID，Mobile Internet Devices)或穿戴式设备(如智能手表、蓝牙耳机)等，上述仅是举例，而非穷举，包含但不限于上述电子设备。
[0028]下面对本申请实施例进行详细介绍。
[0029]请参阅图1，图1是本申请实施例提供的一种目标检测方法的流程示意图，如图所示，本目标检测方法包括：
[0030]101、获取第一图像。
[0031]其中，本申请实施例中，目标可以包括人、动物、实物、动作或者其他物体，物体可
以包括以下至少一种：电脑、衣服、裤子、口罩等等，在此不做限定。第一图像可以为包括目标的图像，目标可以预先设定，目标可以为本申请实施例中transformer模型可以识别的目标。
[0032]102、利用图与卷积神经网络融合算法提取所述第一图像的图像特征。
[0033]其中，本申请实施例中，图与卷积神经网络融合算法可以为图特征金字塔网络(graphFPN算法)。图像特征也可以称之为特征图。特征金字塔在需要多尺度特征的图像理解任务中已被证明是强大的。而多尺度特征学习的最新方法侧重于使用具有固定拓扑结构的神经网络跨空间和尺度执行特征交互。图特征神经网络可以使其拓扑结构适应不同的内在图像结构，并支持跨所有尺度的同步特征交互，该特征可以很好地表征图像的特征，提高目标的召回率。
[0034]本申请实施例中，使用图与卷积神经网络CNN特征融合算法提取输入图像特征，可以更准确标征图像块的特征，经过超像素与图像特征对齐可以得到超像素特征以用于transformer模型训练。
[0035]103、利用超像素提取算法将所述图像特征划分为P个超像素，P为大于1的整数。
[0036]其中，超像素提取算本文档来自技高网...

【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：获取第一图像；利用图与卷积神经网络融合算法提取所述第一图像的图像特征；利用超像素提取算法将所述图像特征划分为P个超像素，P为大于1的整数；将所述P个超像素输入到transformer模型中进行运算，得到目标检测结果。2.根据权利要求1所述的方法，其特征在于，所述利用超像素提取算法将所述图像特征划分为P个超像素，包括：通过使用面向卷积的边界算法获取所述图像特征的超像素区域，得到A个超像素区域，A为大于或等于P的整数；对所述A个超像素区域进行前景提取，得到A个前景超像素区域；对所述A个前景超像素区域进行筛选，得到P个前景超像素区域；对所述P个前景超像素区域进行编码，得到所述P个超像素，每一超像素对应一个位置编码。3.根据权利要求2所述的方法，其特征在于，所述对所述A个前景超像素区域进行筛选，得到P个前景超像素区域，包括：确定前景超像素区域i的前景面积占比，所述超像素区域i为所述A个超像素区域中的任一超像素区域，该前景面积占比为所述超像素区域i的前景区域的面积与该超像素区域i的区域面积之间的比值；在所述前景面积占比大于预设阈值时，保留所述超像素区域i；在所述前景面积占比小于或等于所述预设阈值时，过滤所述超像素区域i。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：确定所述A个超像素区域中每一超像素区域的前景面积占比，得到A个前景面积占比；从所述A个前景面积占比中选取小于设定值的前景面积占比，得到B个前景面积占比；确定所述B个前景面积占比的均值；确定所述均值与所述设定值之间的目标差值；根据所述目标差值调节所述设定值，得到所述预设阈值。5.根据权利要求1
‑
4任一项所述的方法，其特征在于，所述方法还包括：获取样本集，该样本集包括至少一个样本图像；采用所述图与卷积神经网络融合算法对所述样本集进行特征提取，得到M个图像特征，M为大于1的整数；根据所述样本集确定Q个超像素区域，Q为大于1的整数；将所述Q个超像素区域映射到所述M个图像特征上，得到K个超像素区域的特征，K为大于1的整数；将所述K个超像素区域...

【专利技术属性】
技术研发人员：施宏恩，梅术正，范艳，吴伟华，
申请(专利权)人：深圳市华尊科技股份有限公司，
类型：发明
国别省市：