目标检测方法及系统技术方案

一种目标检测方法及系统。所述方法包括：在接收到输入图像以后，分别利用预设的两个以上检测网络模型，对所述输入图像进行目标物品检测；对各所述检测网络模型输出的中间检测结果进行融合，得到目标物品的检测结果；所述中间检测结果包括：目标物品类别信息、目标物品位置信息及置信度信息；其中，任意两个所述检测网络模型对应的训练样本的类别不同。应用上述方案，可以提高目标检测的准确性。可以提高目标检测的准确性。可以提高目标检测的准确性。

【技术实现步骤摘要】
目标检测方法及系统


[0001]本专利技术涉及目标检测领域，具体涉及一种目标检测方法及系统。

技术介绍

[0002]深度学习的原型，是用计算机系统架构来模拟人类大脑，广泛应用在安检等领域中。其中，深度学习在安检领域的应用，主要为目标检测，即检测出输入图像中目标物品的位置和分类信息。
[0003]现有基于深度学习进行目标检测的方案，通常使用单个卷积神经网络(Convolutional Neural Networks，CNN)或全连接深度神经网络(Deep Neural Networks，DNN)，进行目标检测。
[0004]然而，采用上述方案进行目标检测的准确性较差。

技术实现思路

[0005]本专利技术要解决的问题是：提高目标检测的准确性。
[0006]为解决上述问题，本专利技术实施例提供了一种目标检测方法，所述方法包括：
[0007]在接收到输入图像以后，分别利用预设的两个以上检测网络模型，对所述输入图像进行目标物品检测；
[0008]对各所述检测网络模型输出的中间检测结果进行融合，得到本文档来自技高网...

【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：在接收到输入图像以后，分别利用预设的两个以上检测网络模型，对所述输入图像进行目标物品检测；对各所述检测网络模型输出的中间检测结果进行融合，得到目标物品的检测结果；所述中间检测结果包括：目标物品类别信息、目标物品位置信息及置信度信息；其中，任意两个所述检测网络模型对应的训练样本的类别不同。2.如权利要求1所述的目标检测方法，其特征在于，任意两个所述检测网络模型对应的训练样本的类别完全不同，或者部分不同。3.如权利要求1所述的目标检测方法，其特征在于，任意两个所述检测网络模型对应训练样本的类别数量的差异，小于预设第一类别差值；每个所述检测网络模型对应的训练样本中，任意两类别的训练样本数量的差异，小于第一样本差阈值。4.如权利要求1所述的目标检测方法，其特征在于，所述两个以上检测网络模型是通过如下方法进行训练得到的：统计所有训练样本中，各类别的训练样本数量，并确定具有最多训练样本的第一类别与具有最少训练样本的第二类别；将所述第一类别所具有的训练样本数量至所述第二类别所具有的训练样本数量所限定的训练样本区间，均匀划分为K份，得到K-1个样本数量分隔值，K为大于1的正整数；基于K-1个样本数量分隔值，及各类别的训练样本数量，对所获取的训练样本的类别进行分隔，得到K个检测网络模型的训练样本，并进行训练。5.如权利要求1所述的目标检测方法，其特征在于，所述对各所述检测网络模型输出的中间检测结果进行融合，得到所述目标物品的检测结果，包括：当同一目标物品的目标物品类别信息，仅存在于其中一个中间检测结果中时，将所在的中间检测结果，作为所述目标物品的检测结果。当同一目标物品的目标物品类别信息，存在与两个以上中间检测结果中时，结合所述两个以上中间检测结果中的目标物品位置信息及置信度信息，得到所述目标物品的检测结果。6.如权利要求5所述的目标检测方法，其特征在于，所述结合所述两个以上中间检测结果中的目标物品位置信息及置信度信息，得到所述目标物品的检测结果，包括：对于所述两个以上中间检测结果中，任一置信度非最低的中间检测结果，分别计算第一面积，并对任一所述第一面积均执行以下操作：计算所述第一面积与各第二面积之间的重合面积，并根据所述重合面积的大小，对相应的中间检测结果进行剔除操作，将所述两个以上中间检测结果中执行剔除操作后的中间检测结果，作为本轮所述目标物品的检测结果；将各轮所述目标物品的检测结果，及所述两个以上中间检测结果中置信度最低的中间检测结果，共同作为所述目标物品的检测结果；其中，所述第一面积为所述中间检测结果的目标物品位置信息所对应的目标物品面积，所述第二面积为所述两个以上中间检测结果中剩余中间检测结果的目标物品位置信息所对应的目标物品面积，所述第一面积所在中间检测结果中的置信度，高于所述第二面积所在中间检测结果中的置信度。
7.如权利要求6所述的目标检测方法，其特征在于，所述根据所述重合面积的大小，对相应的中间检测结果进行剔除操作，包括：基于所述重合面积的大小，判断相应的两中间检测结果中，各目标物品面积与所述重合面积的差值；当所述目标物品面积与所述重合面积差值小于第一面积阈值时，对与所述重合面积差值小于第一面积阈值的目标物品面积所在的中间检测结果，执行剔除操作；当所述目标物品面积与所述重合面积差值大于所述第一面积阈值时，基于所述相应的两中间检测结果中，目标物品面积之间的差值，执行剔除操作。8.如权利要求7所述的目标检测方法，其特征在于，所述基于所述相应的两中间检测结果中，目标物品面积之间的差值，执行剔除操作，包括：计算所述相应的两中间检测结果中，目标物品面积之间的差值；当所述目标物品面积之间的差值小于第二面积阈值时，对其中置信度较低的中间检测结果执行剔除操作。9.如权利要求8所述的目标检测方法，其特征在于，所述基于所述相应的两中间检测结果中，目标物品面积之间的差值，执行剔除操作，还包括：使用被剔除的中间检测结果的目标物品位置信息，更新保留的中间检测结果的目标物品位置信息。10.如权利要求6所述的目标检测方法，其特征在于，按照置信度由高到低的顺序，计算所述置信度非最低的中间检测结果中各第一面积，并执行剔除操作。11.如权利要求1至10任一项所述的目标检测方法，其特征在于，还包括：利用预设的分类网络模型，对所述目标物品的检测结果进行分类，得到所述目标物品的分类结果；所述目标物品的分类结果包括：目标物品类别信息及置信度信息。12.如权利要求11所述的目标检测方法，其特征在于，所述利用预设的分类网络模型，对所述目标物品的检测结果进行分类，得到所述目标物品的分类结果，包括：当接收到所述目标物品的检测结果时，分别利用预设的两个以上分类网络模型，对所述目标物品的检测结果进行分类；对各所述分类网络模型输出的中间分类结果进行融合，得到所述目标物品的分类结果；其中，所述分类网络模型的数量为两个以上，且任意两个所述分类网络模型对应的训练样本的类别不同。13.如权利要求12所述的目标检测方法，其特征在于，任意两个所述分类网络模型对应的训练样本的类别完全不同，或者部分不同。14.如权利要求12所述的目标检测方法，其特征在于，每个所述分类网络模型对应的训练样本中，任意两类别的训练样本数量的差异，小于第二样本差阈值。15.如权利要求12所述的目标检测方法，其特征在于，所述两个以上分类网络模型对应的训练样本是通过如下方法确定的：从所有训练样本中，选取具有相同视觉特的征训练样本，将具有相同视觉特征的训练样...

【专利技术属性】
技术研发人员：陆继承，李新伟，王家泉，顾怡韵，李夏禹，
申请(专利权)人：上海复旦微电子集团股份有限公司，
类型：发明
国别省市：