目标对象的检测方法技术

本申请涉及一种目标对象的检测方法

【技术实现步骤摘要】
目标对象的检测方法、装置、设备和存储介质


[0001]本申请涉及目标检测
，特别是涉及一种目标对象的检测方法
、
装置
、
设备和存储介质
。

技术介绍

[0002]随着车辆
的发展，尤其是出现了自动驾驶车辆之后，车辆的目标检测和测距技术更加重要
。
在车辆行驶过程中，对目标对象进行检测并测距对车辆行驶安全有着重要意义
。
[0003]目前，车辆的目标检测和测距技术通常采用各类传感器获取道路图像，并结合目标检测算法来完成目标对象的检测，针对目标对象的检测结果，再利用后处理算法来完成对目标对象的距离计算
。
也就是说，目前的目标检测和测距技术通常是目标检测和测距分开进行的，在处理的过程中会受到汽车状态的影响，从而导致对目标对象的检测准确度不高的问题
。
亟需解决
。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够提高对目标对象的检测准确率的目标对象的检测方法
、
装置
、
设备和存储介质
。
[0005]第一方面，本申请提供了一种目标对象的检测方法
。
该方法包括：
[0006]通过目标检测模型的骨干网络，对包含目标对象的待检测图像进行特征提取，得到待检测图像的初始特征；
[0007]通过目标检测模型中的至少两个首尾连接的深层特征提取网络，对初始特征进行深层特征提取，得到各深层特征提取网络输出的目标特征；
[0008]将各深层特征提取网络输出的目标特征分别输入到目标检测模型中各深层特征提取网络对应的检测网络中，得到各检测网络预测的目标对象的初始检测结果；
[0009]根据各检测网络输出的目标对象的初始检测结果，确定目标对象的目标检测结果；其中，初始检测结果和目标检测结果的种类至少包括：目标对象的位置以及目标对象与采集设备之间的距离
。
[0010]在其中一个实施例中，通过目标检测模型中的至少两个首尾连接的深层特征提取网络，对初始特征进行深层特征提取，得到各深层特征提取网络输出的目标特征，包括：
[0011]若目标检测模型包含三个首尾连接的深层特征提取网络，则通过第一个深层特征提取网络，对初始特征进行深层特征提取，得到第一个深层特征提取网络输出的目标特征；
[0012]通过第二个深层特征提取网络，对第一个深层特征提取网络输出的目标特征进行深层特征提取，得到第二个深层特征提取网络输出的目标特征；
[0013]通过第三个深层特征提取网络，对第二个深层特征提取网络输出的目标特征进行深层特征提取，得到第三个深层特征提取网络输出的目标特征
。
[0014]在其中一个实施例中，第一个深层特征提取网络包括：卷积层
、
金字塔池化层
、
上
采样层和扩展高效层；第二个深层特征提取网络和第三深层特征提取网络均包括：扩展高效层
。
扩展高效层包括下采样层和通道扩充层；下采样层和上采样层的倍数相同
。
[0015]在其中一个实施例中，通过第一个深层特征提取网络，对初始特征进行深层特征提取，得到第一个深层特征提取网络输出的目标特征，包括：
[0016]通过第一个深层特征提取网络的卷积层，对初始特征进行卷积处理，得到卷积特征；
[0017]通过第一个深层特征提取网络的金字塔池化层，对卷积特征进行解析，得到全局特征，并将全局特征与卷积特征进行拼接，得到拼接特征；
[0018]依次通过第一个深层特征提取网络的上采样层和扩展高效层，对拼接特征进行特征聚合和特征分析处理，得到第一个深层特征提取网络输出的目标特征
。
[0019]在其中一个实施例中，各深层特征提取网络对应的检测网络均包含检测层和测距层；
[0020]相应的，将各深层特征提取网络输出的目标特征分别输入到目标检测模型中各深层特征提取网络对应的检测网络中，得到各检测网络预测的目标对象的初始检测结果，包括：
[0021]针对每一深层特征提取网络，根据各预设通道，对该深层特征提取网络输出的目标特征进行通道转换处理，得到各预设通道的转换特征；其中，目标对象的每一候选检测类别和初始检测结果的每一种类结果均对应一个预设通道；
[0022]将第一通道的转换特征输入该深层特征提取网络对应的检测网络的测距层，得到检测网络预测的目标对象与采集设备之间的距离；其中，第一通道为目标对象与采集设备之间的距离对应的预设通道；
[0023]将除第一通道之外的其他预设通道的转换特征输入该深层特征提取网络对应的检测网络的检测层，得到检测网络预测的目标对象的位置
。
[0024]在其中一个实施例中，将第一通道的转换特征输入该深层特征提取网络对应的检测网络的测距层，得到检测网络预测的目标对象与采集设备之间的距离，包括：
[0025]将第一通道的转换特征输入该深层特征提取网络对应的检测网络的测距层，得到检测网络的测距层基于
yolo
系列锚框算法预测的目标对象与采集设备之间的距离；其中，每一检测网络的测距层采用的
yolo
系列锚框算法的锚框的个数基于目标检测模型中深层特征提取网络的个数确定
。
[0026]在其中一个实施例中，目标检测模型的训练过程包括：
[0027]通过第一样本训练集，对目标检测模型中除测距层之外的其他网络层进行训练，得到初训练的目标检测模型；
[0028]将第二样本训练集中各训练样本输入到初训练的目标检测模型中，获取初训练的目标检测模型的各检测层预测的各训练样本中目标对象的位置；
[0029]根据各检测层预测的各训练样本中目标对象的位置与各训练样本对应的目标对象位置标签，从各训练样本中确定目标样本；
[0030]通过目标样本，对目标检测模型进行训练，得到训练好的目标检测模型
。
[0031]在其中一个实施例中，根据各检测层预测的各训练样本中目标对象的位置与各训练样本对应的目标对象位置标签，从各训练样本中确定目标样本，包括：
[0032]根据各检测层预测的各训练样本中目标对象的位置与各训练样本对应的目标对象位置标签，计算各训练样本中目标对象的位置交并比，以及各训练样本的适应度；
[0033]根据各训练样本中目标对象的位置交并比，从各训练样本中确定初筛选样本；
[0034]根据各初筛选样本的适应度，从初筛选样本中确定目标样本
。
[0035]第二方面，本申请还提供了一种目标对象的检测装置
。
该装置包括：
[0036]第一特征提取模块，用于通过目标检测模型的骨干网络，对包含目标对象的待检测图像进行特征提取，得到待检测图像的初始特征；
[0037]第二特征提取模块，用于通过目标检测模型中的至少两个首尾连接的深本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种目标对象的检测方法，其特征在于，所述方法包括：通过目标检测模型的骨干网络，对包含目标对象的待检测图像进行特征提取，得到待检测图像的初始特征；通过所述目标检测模型中的至少两个首尾连接的深层特征提取网络，对所述初始特征进行深层特征提取，得到各深层特征提取网络输出的目标特征；将各深层特征提取网络输出的目标特征分别输入到所述目标检测模型中各深层特征提取网络对应的检测网络中，得到各检测网络预测的目标对象的初始检测结果；根据各检测网络输出的目标对象的初始检测结果，确定目标对象的目标检测结果；其中，所述初始检测结果和所述目标检测结果的种类至少包括：目标对象的位置以及目标对象与采集设备之间的距离
。2.
根据权利要求1所述的方法，其特征在于，所述通过所述目标检测模型中的至少两个首尾连接的深层特征提取网络，对所述初始特征进行深层特征提取，得到各深层特征提取网络输出的目标特征，包括：若所述目标检测模型包含三个首尾连接的深层特征提取网络，则通过第一个深层特征提取网络，对所述初始特征进行深层特征提取，得到第一个深层特征提取网络输出的目标特征；通过第二个深层特征提取网络，对所述第一个深层特征提取网络输出的目标特征进行深层特征提取，得到第二个深层特征提取网络输出的目标特征；通过第三个深层特征提取网络，对所述第二个深层特征提取网络输出的目标特征进行深层特征提取，得到第三个深层特征提取网络输出的目标特征
。3.
根据权利要求2所述的方法，其特征在于，所述第一个深层特征提取网络包括：卷积层
、
金字塔池化层
、
上采样层和扩展高效层；所述第二个深层特征提取网络和第三深层特征提取网络均包括：扩展高效层；所述扩展高效层包括下采样层和通道扩充层；所述下采样层和所述上采样层的倍数相同
。4.
根据权利要求3所述的方法，其特征在于，所述通过第一个深层特征提取网络，对所述初始特征进行深层特征提取，得到第一个深层特征提取网络输出的目标特征，包括：通过第一个深层特征提取网络的卷积层，对初始特征进行卷积处理，得到卷积特征；通过第一个深层特征提取网络的金字塔池化层，对所述卷积特征进行解析，得到全局特征，并将所述全局特征与所述卷积特征进行拼接，得到拼接特征；依次通过第一个深层特征提取网络的上采样层和扩展高效层，对所述拼接特征进行特征聚合和特征分析处理，得到第一个深层特征提取网络输出的目标特征
。5.
根据权利要求1所述的方法，其特征在于，所述各深层特征提取网络对应的检测网络均包含检测层和测距层；相应的，将各深层特征提取网络输出的目标特征分别输入到所述目标检测模型中各深层特征提取网络对应的检测网络中，得到各检测网络预测的目标对象的初始检测结果，包括：针对每一深层特征提取网络，根据各预设通道，对该深层特征提取网络输出的目标特征进行通道转换处理，得到各预设通道的转换特征；其中，所述目标对象的每一候选检测类别和初始检测结果的每一种类结果均对应一个预设通道；
将第一通道的转换特征输入该深层特征提取网络对应的检测网络的测距层...

【专利技术属性】
技术研发人员：韩成，
申请(专利权)人：中汽创智科技有限公司，
类型：发明
国别省市：