[发明专利]一种图像目标检测方法、系统及设备

说明书

本发明提供了一种图像目标检测方法，包括：使用预训练深度学习卷积神经网络作为图像分类器；将待检测图像输入所述预训练图像分类器，生成最终特征图，在所述特征图上对每个像素进行分类；对所述特征图的像素进行处理，区分每个像素代表的是前景还是背景；计算所述前景像素的连通域，得到所述连通域内的预测框，得到目标的位置信息。此外，本发明还提供了对应的图像目标检测系统和设备。本发明不依赖于模型训练，通过使用预训练分类器直接实现检测功能，便可以简单直接的得到检测目标，不需要任何训练，避免了对算力和时间的依赖。

技术领域

本发明涉及图像分类和目标检测技术领域，具体地，涉及一种基于深度学习将图像分类器转化成目标检测器的方法、系统及设备。

背景技术

图像中的目标检测是计算机视觉领域一个基本问题。目标检测就是给定测试图像，标定出图像中目标的位置和类别。目前很多基于深度学习的目标检测算法已经可以很好的处理这个问题，但是图像中目标位置的标注工作是个耗时耗力的任务。

相对来说，对整张图像进行类别标注则要容易得多。因此，如今已经存在很多图像分类的数据集，如ILSVRC数据集，包括1000个类别，128万多张图像。同时也存在很多基于此数据集的图像分类预训练模型。如果可以只通过一个预训练分类器就实现目标检测的任务，这样就可以节约很多标注成本和训练时间，这是一个很有意义和值得研究的问题。

经检索，中国发明专利申请号为201410442817.4，公开号为CN104217225A，其公开了一种视觉目标检测和标注方法，其中提出使用选择性搜索算法从待检测图像中提取候选窗口作为候选区域，使用预先训练的卷积神经网络对候选区域进行特征提取并输出该候选区域的特征，使用支持向量机基于候选区特征训练目标分类模型，在测试阶段依旧使用选择性搜索算法和预训练模型得到候选窗口特征，通过训练的分类模型得到最可能的物体位置信息。但是该方法需要使用选择性搜索提取候选区域，此方法仍然是基于传统图像处理方式，效率低下。同时，后续仍需要训练分类网络，耗费大量时间。

发明内容

本发明针对现有技术中存在的上述不足，提供了一种图像目标检测方法、系统及设备，在没有任何训练的情况下，仅使用图像分类器完成目标检测的任务。

根据本发明的一个方面，提供了一种图像目标检测方法，包括：

采用预训练的深度学习卷积神经网络作为图像分类器；

将待检测图像输入预训练的所述图像分类器，生成最终特征图，在所述特征图上对每个像素进行分类；

对所述特征图的像素进行处理，区分每个像素代表的是前景还是背景；

计算所述前景像素的连通域，得到所述连通域内的预测框即目标的位置信息。

可选地，所述预训练的卷积神经网络，去掉普通卷积神经网络最后的全局平均池化层，并将全连接层改成卷积层，作为所述图像分类器。

本发明上述方法通过使用预训练的图像分类器，能直接实现检测功能，不需要任何训练，避免了对算力和时间的依赖。

可选地，所述对所述特征图的像素进行处理，区分每个像素代表的是前景还是背景，包括：根据特征向量的方差判定像素代表的是前景还是背景。

可选地，在根据特征向量的方差判定像素代表的是前景还是背景后，进一步包括：

根据像素分类的判定再次过滤背景像素；

根据置信度大小再次过滤背景像素。

可选地，计算所述前景像素的连通域，得到所述连通域内的预测框，包括：

对所有所述前景像素计算连通域；

限制所述连通域个数的上下界，保留介于界限内的连通域；