[发明专利]目标检测方法及装置

说明书

技术领域

本公开涉及计算机视觉技术领域，尤其涉及目标检测方法及装置。

背景技术

基于深度学习的目标检测方法的检测速度和检测准确率，与模型的复杂程度有关。模型越简单，则检测速度越快，检测准确率越低；模型越复杂，则检测速度越慢，检测准确率越高。相关技术中，难以在保证检测速度的前提下提高检测准确率。

发明内容

为克服相关技术中存在的问题，本公开提供一种目标检测方法及装置。

根据本公开实施例的第一方面，提供一种目标检测方法，包括：

通过第一卷积神经网络识别图像中的目标物体；

在通过所述第一卷积神经网络识别出所述图像中包括所述目标物体的情况下，确定所述图像中的所述目标物体所在区域；

将所述目标物体所在区域映射到特征图上；

通过第二卷积神经网络对所述特征图进行验证，确定所述图像对应的目标检测结果。

在一种可能的实现方式中，通过第二卷积神经网络对所述特征图进行验证，确定所述图像对应的目标检测结果，包括：

通过所述第二卷积神经网络对所述特征图进行感兴趣区域池化操作，得到所述特征图对应的特征向量；

根据所述特征图对应的特征向量，确定所述特征图中包括所述目标物体的概率；

根据所述特征图中包括所述目标物体的概率，确定所述图像对应的目标检测结果。

在一种可能的实现方式中，根据所述特征图中包括所述目标物体的概率，确定所述图像对应的目标检测结果，包括：

在所述特征图中包括所述目标物体的概率大于第一阈值的情况下，确定所述图像对应的目标检测结果为所述图像中包括所述目标物体；

在所述特征图中包括所述目标物体的概率小于或等于所述第一阈值的情况下，确定所述图像对应的目标检测结果为所述图像中不包括所述目标物体。

在一种可能的实现方式中，在确定所述图像对应的目标检测结果之后，所述方法还包括：

在所述图像对应的目标检测结果为所述图像中包括所述目标物体的情况下，根据所述目标物体的类别，调整所述目标物体在所述图像中的边界框。

在一种可能的实现方式中，所述第一卷积神经网络为基于区域的全卷积网络RFCN。

根据本公开实施例的第二方面，提供一种目标检测装置，包括：

识别模块，用于通过第一卷积神经网络识别图像中的目标物体；

确定模块，用于在通过所述第一卷积神经网络识别出所述图像中包括所述目标物体的情况下，确定所述图像中的所述目标物体所在区域；

映射模块，用于将所述目标物体所在区域映射到特征图上；

验证模块，用于通过第二卷积神经网络对所述特征图进行验证，确定所述图像对应的目标检测结果。

在一种可能的实现方式中，所述验证模块包括：

池化子模块，用于通过所述第二卷积神经网络对所述特征图进行感兴趣区域池化操作，得到所述特征图对应的特征向量；

第一确定子模块，用于根据所述特征图对应的特征向量，确定所述特征图中包括所述目标物体的概率；

第二确定子模块，用于根据所述特征图中包括所述目标物体的概率，确定所述图像对应的目标检测结果。

在一种可能的实现方式中，所述第二确定子模块用于：

在所述特征图中包括所述目标物体的概率大于第一阈值的情况下，确定所述图像对应的目标检测结果为所述图像中包括所述目标物体；

在所述特征图中包括所述目标物体的概率小于或等于所述第一阈值的情况下，确定所述图像对应的目标检测结果为所述图像中不包括所述目标物体。

在一种可能的实现方式中，所述装置还包括：

调整模块，用于在所述图像对应的目标检测结果为所述图像中包括所述目标物体的情况下，根据所述目标物体的类别，调整所述目标物体在所述图像中的边界框。

在一种可能的实现方式中，所述第一卷积神经网络为RFCN。

根据本公开实施例的第三方面，提供一种目标检测装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述目标检测方法。

根据本公开实施例的第四方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器执行时，使得处理器能够执行上述目标检测方法。