[发明专利]目标检测方法、装置、终端设备及计算机可读存储介质

说明书

本申请提供目标检测方法、装置、终端设备和计算机可读存储介质，方法包括：获取多个含有检测目标的第一图像；第一图像中设有标记检测目标的第一学习区；获取多个含有误检目标的第二图像；第二图像中设有第二学习区；将第一图像和第二图像混合，形成混合图像集；从混合图像集中提取与第一学习区近似的特征，得到目标正样本；从混合图像集中提取与第一学习区不近似的特征，得到目标负样本；用目标正样本和目标负样本训练学习模型中的目标分类器，得到目标检测器；用目标检测器检测待检图像，以检测出待检图像中是否含有检测目标。本申请提高了目标分类器的精度，降低了误检率。

技术领域

本发明涉及图像处理技术领域,具体涉及目标检测技术领域,尤其涉及一种目标检测方法、装置、设备及计算机可读存储介质。

背景技术

随着深度学习理论和研究的不断发展，目标检测不管在精度上还是在时间性能上都取得了巨大的突破。当前主流的基于深度学习的目标检测算法(包括Faster R-CNN系列、SSD、YOLO等)在对应的数据集上都取得了很好的实验效果，但它们都没有解决如何学习负样本的问题。比如训练好了一个行人检测模型，它能准确地定位出图片中的行人，然而，它也很可能错误地将人体雕像(或者其它类似行人的物体)定位出来。

现有技术中目标检测是很常用的技术，目标检测模型有很多，他们的训练方式按照“样本集”的不同划分为以下两种：

第一种目标检测模型是提供检测环境下的含有检测目标的图片，作为正样本，还提供不含有检测目标的图片，作为负样本，分别用正样本和负样本训练一个分类器或回归器。这样被训练后的分类器或回归器即可识别出含有待检目标。该方案的缺陷是：需要人为地挑选出正样本和负样本，进而分别去学习正样本和负样本的特征，从而得以训练分类器(回归器)；而人为挑选的负样本是有限的，因此学习模型学习的特征也是有限的，从而导致学习模型的识别精度不够；

第二种目标检测模型是只用提供检测环境下的含有检测目标的图片，检测目标被标记，学习模型预先提取标记区的特征，作为正样本；进而提取其他区域的和标记区类似的特征，作为负样本；用学习模型自主学习到的正样本和负样本来训练分类器或者回归器，这种目标检测模型的优点是，负样本是机器学习得到的，不用人为挑选，这样就解决了第一种方案中负样本的局限性的问题，检测环境下的大多数负样本都是可以被学习到的，有效地提高了检测模型的检测精度。但是在实际应用中发现，对于一些特殊的负样本-和检测目标及其类似的物体，在该模型下却会被误检。原因是该种负样本很少出现在检测环境下，即使出现也可能是单独出现，而其只有在和检测目标同时出现时，其才有被学习到的可能。例如，被检测目标是行人，则“雕像”就是“行人”的特殊负样本，在训练中，单独提供只含有“雕像”的图片，将被学习模型忽略，而同时含有“行人”和“雕像”的图片又少之又少，也导致学习模型不能很好地学习到“行人”和“雕像”的差别。

因此上述第二种方式，由于网络不能很好地学习到行人和人体雕像两种目标间模式的差异，经常导致误检。

发明内容

本发明的目的是针对以上问题，提供一种目标检测方法、装置、设备及计算机可读存储介质。

第一方面本申请提供一种目标检测方法，所述方法包括以下步骤：获取多个含有检测目标的第一图像；所述第一图像中设有标记所述检测目标的第一学习区；

获取多个含有误检目标的第二图像；所述第二图像中设有第二学习区；

将所述第一图像和所述第二图像混合，形成混合图像集；

从混合图像集中提取与所述第一学习区近似的特征，得到目标正样本；

从混合图像集中提取与所述第一学习区不近似的特征，得到目标负样本；

用所述目标正样本和目标负样本训练学习模型中的目标分类器，得到目标检测器；用所述目标检测器检测待检图像，以检测出所述待检图像中是否含有所述检测目标。