目标检测方法、装置、设备及介质制造方法及图纸

本申请提供一种目标检测方法、装置、设备及介质。在该方法中，通过将待检测图像输入特征提取网络模型，得到至少一个过程特征矩阵和一个结果特征矩阵；再将结果特征矩阵输入待检测目标提取网络模型，得到至少一个待检测目标数据矩阵；进而对于每个待检测目标数据矩阵，根据待检测图像、至少一个过程特征矩阵、结果特征矩阵、待检测目标数据矩阵中的过程目标框的位置数据，生成对应的待分类矩阵；最后对于每个待分类矩阵，将待分类矩阵输入待检测目标类型检测网络模型，得到检测结果数据矩阵。本方案通过特征提取网络模型、待检测目标提取网络模型和目标类型检测网络模型，实现了对图像的目标检测，有效提高了检测准确率。有效提高了检测准确率。有效提高了检测准确率。

【技术实现步骤摘要】
目标检测方法、装置、设备及介质


[0001]本申请涉及人工智能领域，尤其涉及一种目标检测方法、装置、设备及介质。

技术介绍

[0002]目标检测是一种在图像中确定出待检测目标在图像中的位置以及待检测目标的类型的方法。
[0003]现有技术中，会使用深度学习模型，将待检测图像输入深度学习模型，即可得到待检测目标在图像中的位置以及待检测目标的类型。但是由于深度学习模型是通常是针对光线较好场景下的图像进行设计的，在进行模型训练和模型使用时，也是使用的光线较好场景下的图像，这种图像的分辨率较高，所以在对于分辨率较差的图像，检测结果通常较差。
[0004]综上所述，现有技术中的目标检测方法对分辨率较差的图像进行检测，导致检测准确率较低。

技术实现思路

[0005]本申请实施例提供一种目标检测方法、装置、设备及介质，用于解决现有技术中的目标检测方法对分辨率较差的图像进行检测，会导致检测准确率较低的问题。
[0006]第一方面，本申请实施例提供一种目标检测方法，包括：
[0007]获取待检测图像；
[0008]将所述待检测图像输入特征提取网络模型，得到至少一个过程特征矩阵和一个结果特征矩阵；其中，所述特征提取网络模型是预先训练的，用于根据图像确定过程特征矩阵和结果特征矩阵的计算模型；
[0009]将所述结果特征矩阵输入待检测目标提取网络模型，得到至少一个待检测目标数据矩阵，每个待检测目标数据矩阵包括过程目标框的位置数据和所述过程目标框对应的待检测目标存在概率，所述目标存在概率用于表示在所述目标存在概率对应的过程目标框中存在待检测目标的概率；所述待检测目标提取网络模型是预先训练的，用于根据结果特征矩阵确定待检测目标数据矩阵的计算模型；
[0010]对于每个待检测目标数据矩阵，根据所述待检测图像、所述至少一个过程特征矩阵、所述结果特征矩阵、所述待检测目标数据矩阵中的过程目标框的位置数据，生成对应的待分类矩阵；
[0011]对于每个待分类矩阵，将所述待分类矩阵输入待检测目标类型检测网络模型，得到检测结果数据矩阵，所述检测结果数据矩阵包括待检测目标类型标识和结果目标框的位置数据，所述待检测目标类型检测网络模型是预先训练的用于根据待分类矩阵确定检测结果数据矩阵的计算模型。
[0012]在一种具体实施方式中，所述待检测目标类型检测网络模型包括空间位置特征混合层、通道信息特征混合层和分类回归层，所述将所述待分类矩阵输入待检测目标类型检测网络模型，得到检测结果数据矩阵，包括：
[0013]将所述待分类矩阵输入所述空间位置特征混合层，得到空间位置特征混合矩阵；
[0014]将所述空间位置特征混合矩阵输入所述通道信息特征混合层，得到位置通道特征混合矩阵；
[0015]将所述位置通道特征混合矩阵输入所述分类回归层，得到所述检测结果数据矩阵。
[0016]在一种具体实施方式中，将所述结果特征矩阵输入待检测目标提取网络模型，得到至少一个待检测目标数据矩阵，包括：
[0017]根据所述结果特征矩阵的大小，生成多个初始目标框；
[0018]对于每个初始目标框，根据所述初始目标框在所述结果特征矩阵中对应的数据，进行二分类处理，得到待检测目标存在概率；
[0019]对于每个初始目标框，根据所述初始目标框在所述结果特征矩阵中对应的数据，进行边界框回归处理，得到修正目标框的位置数据；
[0020]根据预设待检测目标存在概率阈值与每个初始目标框对应的待检测目标存在概率，对所有初始目标框进行过滤，得到过滤目标框；
[0021]根据每个过滤目标框对应的修正目标框的位置数据，进行非极大抑制处理，得到所述至少一个待检测目标数据矩阵。
[0022]在一种具体实施方式中，所述获取待检测图像之前，所述方法还包括：
[0023]获取预设数量张低分辨率的训练图像；
[0024]采用所述预设数量张低分辨率的训练图像对第一初始神经网络模型进行模型训练，直至第一训练次数等于第一预设次数，得到所述特征提取网络模型。
[0025]在一种具体实施方式中，所述采用所述预设数量张低分辨率的训练图像对第一初始神经网络模型进行模型训练，直至第一训练次数等于第一预设次数，得到所述特征提取网络模型，包括：
[0026]从所述预设数量张低分辨率的训练图像中选择一张训练图像；
[0027]将所述训练图像输入所述第一初始神经网络模型，得到至少一个训练过程特征矩阵和一个训练结果特征矩阵；
[0028]更新第一训练次数；
[0029]若更新后的第一训练次数等于所述第一预设次数，得到所述特征提取网络模型；
[0030]若更新后的第一训练次数小于所述第一预设次数，则更新所述第一初始神经网络模型，得到训练后的神经网络模型；并重新从所述预设数量张低分辨率的训练图像中选择一张训练图像输入训练后的神经网络模型，更新第一训练次数，直至更新后的第一训练次数等于所述第一预设次数，得到所述特征提取网络模型。
[0031]在一种具体实施方式中，所述方法还包括：
[0032]将所述预设数量张低分辨率的训练图像输入所述特征提取网络模型，得到每张训练图像对应的至少一个训练过程特征矩阵，以及每张训练图像对应的训练结果特征矩阵；
[0033]采用每张训练图像对应的训练结果特征矩阵对第二初始神经网络模型进行模型训练，直至第二训练次数等于第二预设次数，得到所述待检测目标提取网络模型。
[0034]在一种具体实施方式中，所述采用每张训练图像对应的训练结果特征矩阵对第二初始神经网络模型进行模型训练，直至第二训练次数等于第二预设次数，得到所述待检测
目标提取网络模型，包括：
[0035]从每张训练图像对应的训练结果特征矩阵中选择一个训练结果矩阵；
[0036]将所述训练结果矩阵输入所述第二初始神经网络模型，得到至少一个待检测目标训练数据矩阵；
[0037]更新第二训练次数；
[0038]若更新后的第二训练次数等于所述第二预设次数，得到所述待检测目标提取网络模型；
[0039]若更新后的第二训练次数小于所述第二预设次数，则更新所述第二初始神经网络模型，得到训练后的神经网络模型；并重新从每张训练图像对应的训练结果特征矩阵中选择一个训练结果矩阵输入训练后的神经网络模型，更新第二训练次数，直至更新后的第二训练次数等于所述第二预设次数，得到所述待检测目标提取网络模型。
[0040]在一种具体实施方式中，所述方法还包括：
[0041]将每张训练图像对应的训练结果特征矩阵输入所述特征提取网络模型，得到每张训练图像对应的至少一个训练过程特征矩阵，以及每张训练图像对应的训练结果特征矩阵；
[0042]将每张训练图像对应的训练结果特征矩阵输入所述待检测目标提取网络模型，得到每张训练图像对应的至少一个待检测目标训练数据矩阵；
[0043]对于每张训练图像对应的每个待检测目标训练本文档来自技高网...

【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：获取待检测图像；将所述待检测图像输入特征提取网络模型，得到至少一个过程特征矩阵和一个结果特征矩阵；其中，所述特征提取网络模型是预先训练的，用于根据图像确定过程特征矩阵和结果特征矩阵的计算模型；将所述结果特征矩阵输入待检测目标提取网络模型，得到至少一个待检测目标数据矩阵，每个待检测目标数据矩阵包括过程目标框的位置数据和所述过程目标框对应的待检测目标存在概率，所述目标存在概率用于表示在所述目标存在概率对应的过程目标框中存在待检测目标的概率；所述待检测目标提取网络模型是预先训练的，用于根据结果特征矩阵确定待检测目标数据矩阵的计算模型；对于每个待检测目标数据矩阵，根据所述待检测图像、所述至少一个过程特征矩阵、所述结果特征矩阵、所述待检测目标数据矩阵中的过程目标框的位置数据，生成对应的待分类矩阵；对于每个待分类矩阵，将所述待分类矩阵输入待检测目标类型检测网络模型，得到检测结果数据矩阵，所述检测结果数据矩阵包括待检测目标类型标识和结果目标框的位置数据，所述待检测目标类型检测网络模型是预先训练的用于根据待分类矩阵确定检测结果数据矩阵的计算模型。2.根据权利要求1所述的方法，其特征在于，所述待检测目标类型检测网络模型包括空间位置特征混合层、通道信息特征混合层和分类回归层，所述将所述待分类矩阵输入待检测目标类型检测网络模型，得到检测结果数据矩阵，包括：将所述待分类矩阵输入所述空间位置特征混合层，得到空间位置特征混合矩阵；将所述空间位置特征混合矩阵输入所述通道信息特征混合层，得到位置通道特征混合矩阵；将所述位置通道特征混合矩阵输入所述分类回归层，得到所述检测结果数据矩阵。3.根据权利要求1所述的方法，其特征在于，将所述结果特征矩阵输入待检测目标提取网络模型，得到至少一个待检测目标数据矩阵，包括：根据所述结果特征矩阵的大小，生成多个初始目标框；对于每个初始目标框，根据所述初始目标框在所述结果特征矩阵中对应的数据，进行二分类处理，得到待检测目标存在概率；对于每个初始目标框，根据所述初始目标框在所述结果特征矩阵中对应的数据，进行边界框回归处理，得到修正目标框的位置数据；根据预设待检测目标存在概率阈值与每个初始目标框对应的待检测目标存在概率，对所有初始目标框进行过滤，得到过滤目标框；根据每个过滤目标框对应的修正目标框的位置数据，进行非极大抑制处理，得到所述至少一个待检测目标数据矩阵。4.根据权利要求1所述的方法，其特征在于，所述获取待检测图像之前，所述方法还包括：获取预设数量张低分辨率的训练图像；采用所述预设数量张低分辨率的训练图像对第一初始神经网络模型进行模型训练，直
至第一训练次数等于第一预设次数，得到所述特征提取网络模型。5.根据权利要求4所述的方法，其特征在于，所述采用所述预设数量张低分辨率的训练图像对第一初始神经网络模型进行模型训练，直至第一训练次数等于第一预设次数，得到所述特征提取网络模型，包括：从所述预设数量张低分辨率的训练图像中选择一张训练图像；将所述训练图像输入所述第一初始神经网络模型，得到至少一个训练过程特征矩阵和一个训练结果特征矩阵；更新第一训练次数；若更新后的第一训练次数等于所述第一预设次数，得到所述特征提取网络模型；若更新后的第一训练次数小于所述第一预设次数，则更新所述第一初始神经网络模型，得到训练后的神经网络模型；并重新从所述预设数量张低分辨率的训练图像中选择一张训练图像输入训练后的神经网络模型，更新第一训练次数，直至更新后的第一训练次数等于所述第一预设次数，得到所述特征提取网络模型。6.根据权利要求4所述的方法，其特征在于，所述方法还包括：将所述预设数量张低分辨率的训练图像输入所述特征提取网络模型，得到每张训练图像对应的至少一个训练过程特征矩阵，以及每张训练图像对应的训练结果特征矩阵；采用每张训练图像对应的训练结果特征矩阵对第二初始神经网络模型进行模型训练，直至第二训练次数等于第二预设次数，得到所述待检测目标提取网络模型。7.根据权利要求6所述的方法，其特征在于，所述采用每张训练图像对应的训练结果特征矩阵对第二初始神经网络模型进行模型训练，直至第二训练次数等于第二预设...

【专利技术属性】
技术研发人员：梁栩滔，郭海球，宋军超，陈浩然，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：