System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及目标物检测,具体涉及一种目标物的检测方法及装置。
技术介绍
1、目标检测方法是计算机视觉的重要任务之一,目的是在数字图像中找出特定类别的物体,并确定它们的位置和大小。目标检测方法的发展经历了两个阶段:一是基于传统方法的算法,主要依靠手工提取特征来描述物体;二是基于深度学习的算法,主要利用卷积神经网络来自动学习物体的高层特征。
2、但是,目前的目标检测方法实时检测的精度不够,真实环境复杂该算法的识别能力较低,存在实时性检测效率低,对检测中重叠或变形的物体误判等问题。
技术实现思路
1、本专利技术提供一种目标物的检测方法及装置,以解决目标检测方法实时检测的精度不够,真实环境复杂该算法的识别能力较低的问题。
2、为解决上述技术问题,本专利技术的技术方案如下:
3、本专利技术提供一种目标物的检测方法,包括:
4、获取待检测图像数据;
5、对所述待检测图像数据进行特征提取处理,得到注意力特征图;
6、将所述注意力特征图输入训练好的目标物检测模型进行目标物检测处理,得到检测结果;所述目标物检测模型通过将训练集图像数据输入到预设网络模型中训练得到,所述预设网络模型通过注意力处理模块将所述训练集图像中历史目标物的位置信息嵌入到特征图中,得到训练特征图。
7、可选的,对所述待检测图像数据进行特征提取,得到注意力特征图,包括:
8、对所述待检测图像数据进行预处理,得到预处理图像;
10、根据所述目标物的位置信息对所述预处理图像进行特征分解,得到第一特征以及第二特征;
11、对所述第一特征和所述第二特征进行聚合,得到注意力特征图。
12、可选的,根据所述目标物的位置信息对所述预处理图像进行特征分解,得到第一特征以及第二特征,包括:
13、根据所述目标物的位置信息,使用尺寸为(h,1)和(1,w)的池化层分别沿着水平坐标和垂直坐标对所述预处理图像的每个通道进行编码,得到第一特征以及第二特征;
14、其中,第一特征为高度为h的第c通道的输出,具体为:
15、
16、第二特征为宽度为w的第c通道的输出,具体为:
17、
18、其中,w为第c通道的宽度,h为第c通道高度。
19、可选的,对所述第一特征和所述第二特征进行聚合,得到注意力特征图,包括:
20、对所述第一特征和所述第二特征进行连接,并进行卷积运算,得到第一连接结果;
21、对所述第一连接结果进行切分,并分别进行卷积运算,得到第一切分特征和第二切分特征;
22、对所述第一切分特征和第二切分特征进行拓展,得到注意力特征图。
23、可选的,对所述第一特征和所述第二特征进行连接,并进行卷积运算,得到第一连接结果,包括:
24、将所述第一特征和所述第二特征连接后进行卷积运算,获得第一连接结果:f=δ(f1([[zh,zw]]));
25、对所述第一连接结果进行切分,并分别进行卷积运算,得到第一切分特征和第二切分特征,包括:
26、沿着空间维度将所述第一连接结果切分为两个单独的特征,并分别进行卷积运算,获得第一切分特征和第二切分特征:
27、第一切分特征:gh=σ(fh(fh));
28、第二切分特征:gw=σ(fw(fw));
29、对所述第一切分特征和第二切分特征进行拓展,得到注意力特征,包括:
30、对所述第一切分特征和所述第二切分特征进行乘法加权,获得注意力特征图:
31、可选的,所述目标物检测模型通过以下过程进行训练,包括:
32、获取训练集图像数据;
33、对所述训练集图像数据进行特征提取处理,得到训练特征图;
34、将所述训练特征图,输入预设网络模型的提取卷积模块进行处理,得到第一输出;
35、将所述第一输出,输入特征增强模块进行处理,得到第二输出;
36、将所述第二输出,输入预测卷积模块进行处理,得到第三输出;
37、将所述第三输出,通过连接层输出,得到训练检测结果;
38、将所述训练预测结果与验证集数据进行对比,直到预测精度满足预设值,得到目标物检测模型。
39、可选的,目标物的检测方法,还包括:
40、将所述训练检测结果中的目标物的位置信息、尺寸信息、速度信息作为输入数据,输入优化模型进行优化,得到优化后的目标物检测模型。
41、本专利技术还提供一种目标物的检测装置,包括:
42、获取模块,用于获取待检测图像数据;
43、处理模块,用于对所述待检测图像数据进行特征提取处理,得到注意力特征图;将所述注意力特征图输入训练好的目标物检测模型进行目标物检测处理,得到检测结果;所述目标物检测模型通过将训练集图像数据输入到预设网络模型中训练得到,所述预设网络模型通过注意力处理模块将所述训练集图像中历史目标物的位置信息嵌入到特征图中,得到训练特征图。
44、本专利技术还提供一种计算设备,包括:处理器、存储有计算机程序的存储器,所述计算机程序被处理器运行时,执行如上述的方法。
45、本专利技术还提供一种计算机可读取存储介质,存储有指令,当所述指令在计算机上运行时,使得计算机执行上述的方法。
46、本专利技术的上述方案至少包括以下有益效果:
47、本专利技术的上述方案,通过获取待检测图像数据;对所述待检测图像数据进行特征提取处理,得到注意力特征图;将所述注意力特征图输入训练好的目标物检测模型进行目标物检测处理,得到检测结果;所述目标物检测模型通过将训练集图像数据输入到预设网络模型中训练得到,所述预设网络模型通过注意力处理模块将所述训练集图像中历史目标物的位置信息嵌入到特征图中,得到训练特征图。本专利技术的方案解决了现有技术中目标检测方法实时检测的精度不够,真实环境复杂该算法的识别能力较低,存在实时性检测效率低,对检测中重叠或变形的物体误判的问题,提升了对重叠物体检测的精准度和对小物体和被遮挡物体的检测精度,提升了实时检测的精度和效率。
本文档来自技高网...【技术保护点】
1.一种目标物的检测方法,其特征在于,包括:
2.根据权利要求1所述的目标物的检测方法,其特征在于,对所述待检测图像数据进行特征提取,得到注意力特征图,包括:
3.根据权利要求2所述的目标物的检测方法,其特征在于,根据所述目标物的位置信息对所述预处理图像进行特征分解,得到第一特征以及第二特征,包括:
4.根据权利要求3所述的目标物的检测方法,其特征在于,对所述第一特征和所述第二特征进行聚合,得到注意力特征图,包括:
5.根据权利要求4所述的目标物的检测方法,其特征在于,
6.根据权利要求1所述的目标物的检测方法,其特征在于,所述目标物检测模型通过以下过程进行训练,包括:
7.根据权利要求6所述的目标物的检测方法,其特征在于,还包括:
8.一种目标物的检测装置,其特征在于,包括:
9.一种计算设备,其特征在于,包括:处理器、存储有计算机程序的存储器,所述计算机程序被处理器运行时,执行如权利要求1至7任一项所述的方法。
10.一种计算机可读取存储介质,其特征在于,存储有指令,当
...【技术特征摘要】
1.一种目标物的检测方法,其特征在于,包括:
2.根据权利要求1所述的目标物的检测方法,其特征在于,对所述待检测图像数据进行特征提取,得到注意力特征图,包括:
3.根据权利要求2所述的目标物的检测方法,其特征在于,根据所述目标物的位置信息对所述预处理图像进行特征分解,得到第一特征以及第二特征,包括:
4.根据权利要求3所述的目标物的检测方法,其特征在于,对所述第一特征和所述第二特征进行聚合,得到注意力特征图,包括:
5.根据权利要求4所述的目标物的检测方法,其特征在于,
【专利技术属性】
技术研发人员:吴岳忠,黄海洋,刘富民,何达维,王燕,
申请(专利权)人:湖南工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。