小目标对象检测方法、装置、电子设备及存储介质制造方法及图纸

本申请提供一种小目标对象检测方法、装置、电子设备及存储介质。该方法包括：获取原始输入图像，利用分辨率检测模型对原始输入图像进行检测，以判断原始输入图像是否满足预设分辨率要求；当原始输入图像不满足预设分辨率要求时，利用训练后的超分辨率增强模型对原始输入图像执行图像增强操作，输出符合分辨率要求的目标图像；将目标图像输入到小目标对象检测模型中，利用小目标对象检测模型对目标图像中的小目标对象进行定位和识别，得到每个小目标对象的位置信息以及数量信息。本申请提高远距离拍摄场景下的小目标对象检测的准确性和鲁棒性。棒性。棒性。

【技术实现步骤摘要】
小目标对象检测方法、装置、电子设备及存储介质


[0001]本申请涉及计算机
，尤其涉及一种小目标对象检测方法、装置、电子设备及存储介质。

技术介绍

[0002]小目标检测是目标检测的一个子领域，主要是对具有特定特征的目标进行检测，有体积小、易遮挡、数据难获取等较为明显的领域特征，在多种实际场景下具有很大的理论和实践意义，例如：监视、无人机场景分析、自动行人检测、交通标志检测等场景。
[0003]现有技术中，尽管人体检测算法已经在上述场景中取得了一些实质性的进展，但是在一些特殊场景下，仍然无法达到预期的识别效果，例如以室外塔吊拍摄场景为例，由于室外塔吊摄像头的分辨率普遍不高，且拍摄距离越远人体目标越小，导致目前人体检测技术无法识别室外塔吊摄像头所拍摄到的人体目标；另外，由于在作业面上会有各种钢筋以及作业器械对人体造成遮挡，因此给小目标人体检测添加了更多的干扰。

技术实现思路

[0004]有鉴于此，本申请实施例提供了一种小目标对象检测方法、装置、电子设备及存储介质，以解决现有技术存在的针对室外塔吊拍摄场景无法准确识别小目标对象的问题。
[0005]本申请实施例的第一方面，提供了一种小目标对象检测方法，包括：获取原始输入图像，利用分辨率检测模型对原始输入图像进行检测，以判断原始输入图像是否满足预设分辨率要求；当原始输入图像不满足预设分辨率要求时，利用训练后的超分辨率增强模型对原始输入图像执行图像增强操作，输出符合分辨率要求的目标图像；将目标图像输入到小目标对象检测模型中，利用小目标对象检测模型对目标图像中的小目标对象进行定位和识别，得到每个小目标对象的位置信息以及数量信息。
[0006]本申请实施例的第二方面，提供了一种小目标对象检测装置，包括：分辨率检测模块，被配置为获取原始输入图像，利用分辨率检测模型对原始输入图像进行检测，以判断原始输入图像是否满足预设分辨率要求；超分辨率增强模块，被配置为当原始输入图像不满足预设分辨率要求时，利用训练后的超分辨率增强模型对原始输入图像执行图像增强操作，输出符合分辨率要求的目标图像；小目标对象检测模块，被配置为将目标图像输入到小目标对象检测模型中，利用小目标对象检测模型对目标图像中的小目标对象进行定位和识别，得到每个小目标对象的位置信息以及数量信息。
[0007]本申请实施例的第三方面，提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述方法的步骤。
[0008]本申请实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
[0009]本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：通过获取原始输入图像，利用分辨率检测模型对原始输入图像进行检测，以判断
原始输入图像是否满足预设分辨率要求；当原始输入图像不满足预设分辨率要求时，利用训练后的超分辨率增强模型对原始输入图像执行图像增强操作，输出符合分辨率要求的目标图像；将目标图像输入到小目标对象检测模型中，利用小目标对象检测模型对目标图像中的小目标对象进行定位和识别，得到每个小目标对象的位置信息以及数量信息。本申请实现室外塔吊拍摄场景下的小目标对象检测任务，能够准确识别出室外塔吊摄像头图像中特定的小目标对象（例如人体对象），提高远距离拍摄场景下的小目标对象检测的准确性和鲁棒性。
附图说明
[0010]为了更清楚地说明本申请实施例中的技术方案，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它的附图。
[0011]图1是本申请实施例提供的小目标对象检测方法的流程示意图；图2是本申请实施例提供的高阶退化模型的结构示意图；图3是本申请实施例提供的小目标对象检测装置的结构示意图；图4是本申请实施例提供的电子设备的结构示意图。
具体实施方式
[0012]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
[0013]如
技术介绍
所述内容，小目标检测是目标检测的一个子领域，主要是对具有特定特征的目标进行检测，有体积小、易遮挡、数据难获取等较为明显的领域特征，在多种实际场景下具有很大的理论和实践意义，例如：监视、无人机场景分析、自动行人检测、交通标志检测等场景。
[0014]需要说明的是，本申请实施例中的小目标对象可以包括人体对象，本申请实施例的应用场景可以是对高空监控场景下拍摄的图像中的人体对象进行检测和识别，因此，本申请以下实施例中也可以使用人体对象来代替小目标对象。应当理解是，上述应用场景不构成对本申请技术方案的限定，其他场景下针对小目标对象的检测同样适用于本申请。
[0015]现有技术中，尽管人体检测算法已经在上述场景中取得了一些实质性的进展，但是在一些特殊场景下，仍然无法达到预期的识别效果，例如以室外塔吊拍摄场景为例，由于室外塔吊摄像头的分辨率普遍不高，且拍摄距离越远人体目标越小，导致目前人体检测技术无法识别室外塔吊摄像头所拍摄到的人体目标；另外，由于在作业面上会有各种钢筋以及作业器械对人体造成遮挡，因此给小目标人体检测添加了更多的干扰。
[0016]目前普遍缺乏一种针对高空监控场景下的小目标人体检测的通用算法，小物体的低维特征表示可归结于其有限的尺寸和通用的特征提取规范，深度网络模型通常会对特征图进行下采样以减少空间冗余并学习高维特征，这样不可避免的会消除微小物体在模型中
的表达能力。另外，小目标物体很容易受到背景和其他物体的遮挡和影响，使得深度网络模型很难捕获到对后续的识别任务起到关键作用的特征信息。而且，缺少高空监控场景下的小目标人体数据集也是一个重要的影响因素，目前公开的小目标数据集主要集中于航拍和卫星地图等场景，对于室外监控下的数据基本没有涉及，因此数据缺少也是重要的影响因素。
[0017]因此，亟需提供一种能够针对远距离拍摄场景（如室外塔吊拍摄场景）下的图像进行精准的小目标人体检测的方案。
[0018]有鉴于此，本申请实施例为解决上述问题，提供了一种针对室外监控低分辨率摄像头拍摄下小目标人体检测技术。本申请实施例通过超分辨率增强模型对输入图像进行图像增强操作，以此来提高小目标物体的特征尺寸和特征表达能，在超分辨率增强模型的训练过程中，提出使用高阶退化模型模拟真实场景下的图像退化过程，使训练数据能够更贴合实际拍摄场景下的图像，在小目标人体检测模型的训练过程中，利用数据增强技术对训练数据进行扩充，以此提升小目标数据的多样性来增强模型的鲁棒性。本申请技术方案可实现远距离拍摄场景下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种小目标对象检测方法，其特征在于，包括：获取原始输入图像，利用分辨率检测模型对所述原始输入图像进行检测，以判断所述原始输入图像是否满足预设分辨率要求；当所述原始输入图像不满足所述预设分辨率要求时，利用训练后的超分辨率增强模型对所述原始输入图像执行图像增强操作，输出符合分辨率要求的目标图像；将所述目标图像输入到小目标对象检测模型中，利用所述小目标对象检测模型对所述目标图像中的小目标对象进行定位和识别，得到每个所述小目标对象的位置信息以及数量信息。2.根据权利要求1所述的方法，其特征在于，所述利用分辨率检测模型对所述原始输入图像进行检测，以判断所述原始输入图像是否满足预设分辨率要求，包括：对所述原始输入图像进行分辨率检测，将所述原始输入图像的分辨率与预设的最低分辨率进行比较，当所述原始输入图像的分辨率大于或等于所述最低分辨率时，将所述原始输入图像作为目标图像；当所述原始输入图像的分辨率小于所述最低分辨率时，确定所述原始输入图像对应的超分辨率放大倍数。3.根据权利要求1所述的方法，其特征在于，所述利用训练后的超分辨率增强模型对所述原始输入图像执行图像增强操作，包括：对所述原始输入图像进行特征提取，得到原始特征图，将所述原始特征图输入到连续的基本模块中进行处理，得到第一特征图，对所述第一特征图进行卷积处理后与所述原始特征图连接，得到第二特征图，将所述第二特征图进行上采样处理后得到第三特征图，将所述第三特征图输入连续卷积层后得到所述目标图像。4.根据权利要求3所述的方法，其特征在于，所述基本模块包含连续的多个密集连接卷积模块，每个所述密集连接卷积模块包含连续的多个卷积和激活函数层，所述多个卷积和激活函数层之后连接一个卷积层。5.根据权利要求3所述的方法，其特征在于，利用以下方式对所述超分辨率增强模型进行训练，包括：获取原始样本图像，将所述原始样本图像作为预定的高阶退化模型的输入，利用所述高阶退化模型对所述原始样本图像依次进行一阶段退化处理和二阶段退化处理，得到模拟退化图像，利用所述原始样本图像与所述模拟退化图像组成的样本对生成训练数据，并利用所述训练数据对所述超分辨率增强模型进行训练。6.根据权利要求5所述的方法，其特征在于，所...

【专利技术属性】
技术研发人员：程剑杰，
申请(专利权)人：北京龙智数科科技服务有限公司，
类型：发明
国别省市：