[发明专利]基于生成对抗网络的物体检测方法及装置

说明书

技术领域

本发明涉及目标物体检测领域，特别涉及一种基于生成对抗网络的物体检测方法及装置。

背景技术

现有技术中，在对图片进行识别时，现有的方法有两种，一种是采用基于图片分割的方法，利用图片分割，特征提取进行识别；另一种是基于人工神经网络CNN的方法，通过人工神经网络CNN来对图片进行卷积计算检测物体。第一种方法是先对图片进行分割然后提取设定的特征，这种方法效率比较低下，而且识别率不高，同时需要预先设定提取的特征种类，因此十分低效。第二种方法是对图片进行卷积检测物体，CNN过程中有重复计算，并且需要设定候选框，并对候选框的特征进行提取，效率比较低效。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种物体检测效率和识别率较高的基于生成对抗网络的物体检测方法及装置。

本发明解决其技术问题所采用的技术方案是：构造一种基于生成对抗网络的物体检测方法，所述生成对抗网络包括生成器和鉴别器，所述方法包括如下步骤：

A)将输入的原始图像进行尺寸变换得到第一图像，并对所述第一图像进行滤波去噪处理得到第二图像；

B)将所述第二图像输入到生成对抗网络中；

C)所述生成器对所述第二图像进行训练，生成对应所述第二图像的物体描述文本并将其传送到所述鉴别器；

D)所述鉴别器鉴别所述物体描述文本是否是真实的数据，并将鉴别结果传送到所述生成器，对所述生成器进行调整训练。

在本发明所述的基于生成对抗网络的物体检测方法中，所述生成器的内部结构为卷积神经网络，所述鉴别器的结构为BLSTM结构模型。

在本发明所述的基于生成对抗网络的物体检测方法中，所述第一图像为256*256的图像。

本发明还涉及一种实现上述基于生成对抗网络的物体检测方法的装置，所述生成对抗网络包括生成器和鉴别器，所述装置包括：

图像变换单元：用于将输入的原始图像进行尺寸变换得到第一图像，并对所述第一图像进行滤波去噪处理得到第二图像；

图像输入单元：用于将所述第二图像输入到生成对抗网络中；

训练单元：用于使所述生成器对所述第二图像进行训练，生成对应所述第二图像的物体描述文本并将其传送到所述鉴别器；

文本判断单元：用于使所述鉴别器鉴别所述物体描述文本是否是真实的数据，并将鉴别结果传送到所述生成器，对所述生成器进行调整训练。

在本发明所述的装置中，所述生成器的内部结构为卷积神经网络，所述鉴别器的结构为BLSTM结构模型。

在本发明所述的装置中，所述第一图像为256*256的图像。

实施本发明的基于生成对抗网络的物体检测方法及装置，具有以下有益效果：由于将输入的原始图像进行尺寸变换得到第一图像，并对第一图像进行滤波去噪处理得到第二图像；将第二图像输入到生成对抗网络中；生成器对第二图像进行训练，生成对应第二图像的物体描述文本并将其传送到鉴别器；鉴别器鉴别描述文本是否是真实的数据，并将鉴别结果传送到生成器，对生成器进行调整训练，通过生成对抗网络的物体检测方法，其不仅可以提高准确率，而且检测速度也较快，物体检测效率和识别率较高。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，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他的附图。

图1为本发明基于生成对抗网络的物体检测方法及装置一个实施例中方法的流程图；

图2为所述实施例中生成对抗网络的结构示意图；

图3为所述实施例中生成器的内部结构示意图；

图4为所述实施例中鉴别器的结构示意图；

图5为所述实施例中装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明基于生成对抗网络的物体检测方法及装置实施例中，其基于生成对抗网络的物体检测方法的流程图如图1所示。本实施例中，生成对抗网络包括生成器和鉴别器。图1中，该基于生成对抗网络的物体检测方法包括如下步骤：