[发明专利]目标检测方法及装置

说明书

本发明公开了一种目标检测方法及装置，属于机器视觉领域。该方法包括：从第一CNN模型的第一浅卷积层的特征图中以边长小于或等于预设阈值的锚点框为基准回归出多个第一检测目标候选框；对该第一深卷积层的特征图进行全尺度目标候选框提取，得到多个第二检测目标候选框；从该多个第二检测目标候选框中选取边长小于或等于该预设阈值的多个第三检测目标候选框；基于该多个第一检测目标候选框和该多个第三检测目标候选框的重合度，从该多个第一检测目标候选框中选取多个第四检测目标候选框；基于该多个第四检测目标候选框，对该目标图像中的各个目标进行分类，得到各个目标属于预设类别的概率。本发明提高了对小尺寸目标进行检测和识别的准确度。

技术领域

本发明实施例涉及机器视觉领域，特别涉及一种目标检测方法及装置。

背景技术

目标检测是机器视觉和模式识别领域中最活跃的研究主题之一，在智能化交通系统、智能监控系统等方面具有广泛的应用价值。目标检测是指将特定目标从复杂场景图像中检测出来，以便后续对目标进行分类或跟踪等处理。在目标检测中，通常采用从待检测的图像或者该图像的特征图中提取proposal(目标候选框)的方法，目标候选框用于指示可能存在目标的矩形区域。

现有技术中提供了一种基于CNN(Convolutional Neural Network，卷积神经网络)的目标检测方法，在该方法中，可以使用CNN模型实现对proposal的初步提取。具体地，为了减小计算量，初始阶段可以先对原图进行缩放，将缩放后的原图作为待检测的目标图像输入CNN模型。然后通过该CNN模型中的各级卷积层对该目标图像进行卷积处理，得到各级卷积层的特征图。其中，该CNN模型中包括多级卷积层，各级卷积处理的过程中，第一级卷积层对输入的目标图像进行卷积处理，得到特征图，对该特征图进行缩放后输入第二级卷积层；第二级卷积层对该缩放后的特征图进行卷积处理再得到特征图，缩放后再输入第三级卷积层进行卷积处理和缩放，如此，各级卷积层重复上述操作即可得到各级卷积层对应的特征图。之后，对上述各卷积层中靠近输出层的深卷积层的特征图进行全尺度的目标候选框提取，得到多个不同尺度的目标候选框；基于该多个不同尺度的目标候选框，对该深卷积层的特征图中进行特征提取，得到多个不同尺度的目标特征图。最后将该多个不同尺度的目标特征图输入该CNN模型中的RCNN(Region CNN，区域卷积神经网络)分类网络部分，通过该RCNN分类网络对该多个不同尺度的目标特征图进行分类，得到各个目标特征图中的目标属于预设类别的概率，以对目标图像中的目标进行检测。

但是CNN模型各级卷积处理的过程中，为了减小计算量，各级卷积层通常都会对卷积得到的特征图进行降采样处理，即将卷积得到的特征图进行缩放后再输送至下一级卷积层，以便下一级卷积层进行卷积处理。由于深卷积层中小尺寸目标的特征在降采样过程中会被大量削减，回归性较差，造成小尺寸目标候选框提取时目标对齐较差，影响后面的分类过程，因此易造成对小尺寸目标的漏检，导致无法精确地检测出小尺寸目标。

发明内容

为了解决现有技术中存在的对小尺寸目标进行检测和识别的准确度较低的问题，本发明实施例提供了一种目标检测方法及装置。所述技术方案如下：

第一方面，提供了一种目标检测方法，所述方法包括：

基于第一卷积神经网络CNN模型和待检测的目标图像，生成第一浅卷积层的特征图，所述第一浅卷积层是指所述第一CNN模型包括的多个卷积层中第一深卷积层之前的任一卷积层，所述第一深卷积层是指最靠近输出层的卷积层；

从所述第一浅卷积层的特征图中以边长小于或等于预设阈值的锚点框为基准回归出目标候选框，得到多个第一检测目标候选框；

基于所述第一CNN模型和所述第一浅卷积层的特征图，生成所述第一深卷积层的特征图；

对所述第一深卷积层的特征图进行全尺度目标候选框提取，得到多个不同尺度的第二检测目标候选框；