目标检测方法、电子设备和存储介质技术

本发明专利技术公开了一种目标检测方法、电子设备和存储介质，其中，目标检测方法包括：获取到包含目标对象的待检测图以及至少一张目标对象的标准图；分别对待检测图以及各标准图进行特征提取，得到待检测图的待检测特征以及各标准图的标准特征；将待检测特征分别与各标准特征进行特征匹配，得到至少一个匹配结果；基于各匹配结果，确定目标对象的检测结果。通过上述方式，本发明专利技术能够提高目标检测的通用性，扩大目标检测的应用范围。目标检测的应用范围。目标检测的应用范围。

【技术实现步骤摘要】
目标检测方法、电子设备和存储介质


[0001]本专利技术涉及目标检测领域，特别是涉及目标检测方法、电子设备和存储介质。

技术介绍

[0002]目标检测是计算机视觉、模式识别与机器学习领域非常活跃的研究方向。目标检测在很多领域得到广泛使用。目标检测是视觉研究中的基本问题，也是一个非常具有挑战性的问题。
[0003]深度学习因其强大的性能在目标检测任务中受到很多业界专家的关注，目前的目标检测方法往往采用深度学习网络模型进行目标检测。
[0004]但目前的深度学习网络模型的检测训练需要大量数据的支持，且只能针对特定类别目标进行识别定位，即只能检测训练集里的目标类别，无法检测未训练过的目标类型，导致其通用性较差。

技术实现思路

[0005]本专利技术提供了一种目标检测方法、电子设备和存储介质，以解决目标检测的通用性较差的问题。
[0006]为解决上述技术问题，本专利技术提供一种目标检测方法，包括：获取到包含目标对象的待检测图以及至少一张目标对象的标准图；分别对待检测图以及各标准图进行特征提取，得到待检测图的待检测特征以及各标准图的标准特征；将待检测特征分别与各标准特征进行特征匹配，得到至少一个匹配结果；基于各匹配结果，确定目标对象的检测结果。
[0007]其中，分别对待检测图以及各标准图进行特征提取，得到待检测图的待检测特征以及各标准图的标准特征，包括对待检测图进行多阶特征提取，得到包括多个不同深度的子特征的待检测特征；分别对各标准图进行多阶特征提取，得到各标准图对应的包括多个不同深度的子特征的标准特征；其中，各标准特征中各子特征的深度与待检测特征中各子特征的深度对应相同。
[0008]其中，将待检测特征分别与各标准特征进行特征匹配，得到至少一个匹配结果，包括：将待检测特征中的目标子特征与预设卷积核进行卷积处理，得到第一卷积结果；以及将标准特征中与目标子特征深度相同的子特征与预设卷积核进行卷积处理，得到第二卷积结果；将第一卷积结果与第二卷积结果进行特征匹配，得到目标子特征的深度匹配结果；对待检测特征中各子特征对应的深度匹配结果进行求和计算，得到待检测特征与标准特征之间的匹配结果。
[0009]其中，将待检测特征中的目标子特征与预设卷积核进行卷积处理，得到第一卷积结果，包括将目标子特征与预设卷积核进行卷积运算，得到第三卷积结果；并将第三卷积结果与预设卷积核的转置进行卷积运算，得到第一卷积结果；将标准特征中与目标子特征深度相同的子特征与预设卷积核进行卷积处理，得到第二卷积结果，包括：将标准特征中与目标子特征深度相同的子特征与预设卷积核进行卷积运算，得到第四卷积结果；并将各第四
卷积结果分别与预设卷积核的转置进行卷积运算，得到第二卷积结果。
[0010]其中，目标子特征的尺寸为M*M，标准特征中与目标子特征深度相同的子特征的尺寸为N*N，预设卷积核为尺寸为1*N的N个卷积核；其中，M与N为正整数；将目标子特征与预设卷积核进行卷积运算，得到第三卷积结果；并将第三卷积结果与预设卷积核的转置进行卷积运算，得到第一卷积结果，包括：将尺寸为M*M的目标子特征与尺寸为1*N的N个预设卷积核进行卷积运算，得到包括N个尺寸为M*（M
‑
N+1）的特征的第三卷积结果；将第三卷积结果与尺寸为N*1的N个预设卷积核的转置进行卷积运算，得到包括N*N个尺寸为(M
‑
N+1)*(M
‑
N+1)的特征的第一卷积结果。将标准特征中与目标子特征深度相同的子特征与预设卷积核进行卷积运算，得到第四卷积结果；并将各第四卷积结果分别与预设卷积核的转置进行卷积运算，得到第二卷积结果，包括：将尺寸为N*N的特征与尺寸为1*N的N个预设卷积核进行卷积运算，得到包括N个尺寸为N*1的特征的第四卷积结果；将第四卷积结果与尺寸为N*1的N个预设卷积核的转置进行卷积运算，得到包括N*N个尺寸为1*1的特征的第二卷积结果。
[0011]其中，将第一卷积结果与第二卷积结果进行特征匹配，得到目标子特征的深度匹配结果，包括：将第一卷积结果与第二卷积结果对应进行广播点积，计算得到深度匹配结果。
[0012]其中，目标检测网络包括相互级联的特征提取网络以及特征匹配网络；分别对待检测图以及各标准图进行特征提取，得到待检测图的待检测特征以及各标准图的标准特征，包括：通过目标检测网络的特征提取网络分别对待检测图以及各标准图进行特征提取，得到待检测图的待检测特征以及各标准图的标准特征；将待检测特征分别与各标准特征进行特征匹配，得到至少一个匹配结果，包括：通过目标检测网络的特征匹配网络分别将待检测特征与各标准特征进行特征匹配，得到至少一个匹配结果；基于各匹配结果，确定目标对象的检测结果，包括：通过特征匹配网络基于各匹配结果，确定目标对象的检测结果。
[0013]其中，通过特征匹配网络基于各匹配结果，确定目标对象的检测结果，包括通过特征匹配网络分别对各匹配结果进行卷积处理，确定各匹配结果对应的分类得分矩阵和坐标定位矩阵；基于各匹配结果的特征矩阵，确定目标对象的检测结果，包括：基于匹配结果对应的坐标定位矩阵计算得到目标对象在待检测图上的目标框的坐标值；以及基于匹配结果对应的分类得分矩阵计算得到待检测图上各像素点为目标对象的概率；基于各匹配结果对应的目标对象在待检测图上的目标框的坐标值以及待检测图上各像素点为目标对象的概率，计算得到目标对象的检测结果。
[0014]其中，获取到包含目标对象的待检测图以及至少一张目标对象的标准图之前，包括：获取到包括目标对象的训练图像，并从训练图像中截取包括目标对象的模板图像；其中，模板图像上标注有训练标签；通过训练中的目标检测网络的特征提取网络分别对训练图像以及模板图像进行特征提取，以提取出训练图像的训练特征以及模板图像的模板特征；通过训练中的目标检测网络的特征匹配网络分别将训练特征与模板特征进行特征匹配，得到训练图像与模板图像之间的匹配结果；基于匹配结果对训练中的目标检测网络进行训练，直至得到训练完成的目标检测网络。
[0015]其中，通过训练中的目标检测网络的特征提取网络分别对训练图像以及模板图像进行特征提取，以提取出训练图像的训练特征以及模板图像的模板特征，包括：通过特征提
取网络分别对训练图像以及模板图像进行多阶特征提取，以提取出包括多个不同深度的子特征的训练特征以及包括多个不同深度的子特征的模板特征；其中，训练特征中各子特征的深度与模板特征中各子特征的深度对应相同；通过训练中的目标检测网络的特征匹配网络分别将训练特征与模板特征进行特征匹配，得到训练图像与模板图像之间的匹配结果，包括：通过特征匹配网络分别将训练特征中的子特征与模板特征中深度相同的子特征进行特征匹配，得到子特征匹配结果；对训练特征中各子特征对应的子特征匹配结果进行求和计算，得到训练图像与模板图像之间的匹配结果。
[0016]其中，基于匹配结果对训练中的目标检测网络进行训练，直至得到训练完成的目标检测网络，包括：通过训练中的特征匹配网络分别基于匹配结果进行卷积处理本文档来自技高网...

【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：获取到包含目标对象的待检测图以及至少一张所述目标对象的标准图；分别对所述待检测图以及各所述标准图进行特征提取，得到所述待检测图的待检测特征以及各所述标准图的标准特征；将所述待检测特征分别与各所述标准特征进行特征匹配，得到至少一个匹配结果；基于各所述匹配结果，确定所述目标对象的检测结果。2.根据权利要求1所述的目标检测方法，其特征在于，所述分别对所述待检测图以及各所述标准图进行特征提取，得到所述待检测图的待检测特征以及各所述标准图的标准特征，包括：对所述待检测图进行多阶特征提取，得到包括多个不同深度的子特征的待检测特征；分别对各所述标准图进行多阶特征提取，得到各所述标准图对应的包括多个不同深度的子特征的标准特征；其中，所述标准特征中各子特征的深度与所述待检测特征中各子特征的深度对应相同。3.根据权利要求2所述的目标检测方法，其特征在于，所述将所述待检测特征分别与各所述标准特征进行特征匹配，得到至少一个匹配结果，包括：将所述待检测特征中的目标子特征与预设卷积核进行卷积处理，得到第一卷积结果；以及将所述标准特征中与所述目标子特征深度相同的子特征与所述预设卷积核进行卷积处理，得到第二卷积结果；将所述第一卷积结果与所述第二卷积结果进行特征匹配，得到所述目标子特征的深度匹配结果；对所述待检测特征中各子特征对应的深度匹配结果进行求和计算，得到所述待检测特征与所述标准特征之间的匹配结果。4.根据权利要求3所述的目标检测方法，其特征在于，所述将所述待检测特征中的目标子特征与预设卷积核进行卷积处理，得到第一卷积结果，包括：将所述目标子特征与所述预设卷积核进行卷积运算，得到第三卷积结果；并将所述第三卷积结果与所述预设卷积核的转置进行卷积运算，得到所述第一卷积结果；所述将所述标准特征中与所述目标子特征深度相同的子特征与所述预设卷积核进行卷积处理，得到第二卷积结果，包括：将所述标准特征中与所述目标子特征深度相同的子特征与所述预设卷积核进行卷积运算，得到第四卷积结果；并将各所述第四卷积结果分别与所述预设卷积核的转置进行卷积运算，得到所述第二卷积结果。5.根据权利要求4所述的目标检测方法，其特征在于，所述目标子特征的尺寸为M*M，所述标准特征中与所述目标子特征深度相同的子特征的尺寸为N*N，所述预设卷积核为尺寸为1*N的N个卷积核；其中，M与N为正整数；所述将所述目标子特征与所述预设卷积核进行卷积运算，得到第三卷积结果；并将所述第三卷积结果与所述预设卷积核的转置进行卷积运算，得到第一卷积结果，包括：将尺寸为M*M的目标子特征与尺寸为1*N的N个预设卷积核进行卷积运算，得到包括N个
尺寸为M*（M
‑
N+1）的特征的第三卷积结果；将所述第三卷积结果与尺寸为N*1的N个预设卷积核的转置进行卷积运算，得到包括N*N个尺寸为(M
‑
N+1)*(M
‑
N+1)的特征的第一卷积结果；所述将所述标准特征中与所述目标子特征深度相同的子特征与所述预设卷积核进行卷积运算，得到第四卷积结果；并将各所述第四卷积结果分别与所述预设卷积核的转置进行卷积运算，得到所述第二卷积结果，包括：将尺寸为N*N的所述特征与尺寸为1*N的N个预设卷积核进行卷积运算，得到包括N个尺寸为N*1的特征的第四卷积结果；将所述第四卷积结果与尺寸为N*1的N个预设卷积核的转置进行卷积运算，得到包括N*N个尺寸为1*1的特征的第二卷积结果。6.根据权利要求3所述的目标检测方法，其特征在于，所述将所述第一卷积结果与所述第二卷积结果进行特征匹配，得到所述目标子特征的深度匹配结果，包括：将所述第一卷积结果与所述第二卷积结果对应进行广播点积，计算得到所述深度匹配结果。7.根据权利要求1
‑
6任一项所述的目标检测方法，其特征在于，目标检测网络包括相互级联的特征提取网络以及特征匹配网络；所述分别对所述待检测图以及各标准图进行特征提取，得到所述待检测图的待检测特征以及各所述标准图的标准特征，包括：通过所述目标检测网络的特征提取网络分别对所述待检测图以及各标准图进行特征提取，得到所述...

【专利技术属性】
技术研发人员：蒋伟，潘华东，魏乃科，孙鹤，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：