[发明专利]卷积神经网络结构、目标检测方法及装置

说明书

本申请提供了一种卷积神经网络结构、目标检测方法及装置。其中，该卷积神经网络结构包括输入层，用于接收原始图片，并对所述原始图片进行预处理得到特征图像；特征提取结构，其包括多个依次级联的卷积结构层，用于对所述特征图像进行逐层卷积计算；多个目标解析层，每一所述目标解析层被训练为检测预设尺寸范围的检测目标，不同的目标解析层对应不同的预设尺寸范围；每一目标解析层分别从对应层级的卷积结构层获取与所述预设尺寸范围适配的特征图像，并对获取的特征图像的特征进行分类和回归，以得到所述检测目标在原始图片中的位置信息以及对应的检测框的尺寸信息。本申请可以提高对检测目标的检测精度。

技术领域

本申请涉及计算机视觉技术领域，具体而言，涉及一种卷积神经网络结构、目标检测方法及装置。

背景技术

随着经济的快速发展，人们生活水平的提高，道路交通也暴露出越来越多的问题。因此，需要对道路上的行人、车辆等目标进行实时检测。近年来高级辅助驾驶、自动驾驶开始进入人们的视野，而对道路上的行人、车辆等目标进行实时检测是其中的关键技术。

目标检测是计算机视觉中的一个重要分支，旨在检测并标记出图像或视频中的目标。目前，主要的目标检测方法有基于传统机器学习的方法以及基于深度学习的方法。传统的机器学习方法需要人工设计并提取特征，工作量较大，且提取的特征适应性较差，检测精度不高。而深度学习能够自动学习，且具有很高的精度。而基于深度学习的方法又分为两类，分别是两步检测和一步检测。其中，两步检测需要首先预测出可能包含目标的区域，再对该区域进行分类，其检测框相比一步检测具有较高精度。但是，由于需要对每一个可能包含目标的区域进行特征提取、分类，所以计算量很大。不同于两步检测，一步检测只需要一次特征提取，即可进行目标解析，所以检测速度相比两步检测有了很大提高，且精度和两步检测相当。虽然，一步检测在速度方面有了很大提升，但是其检测精度较差。

因此，现有技术存在缺陷，急需改进。

发明内容

本申请实施例的目的在于提供一种卷积神经网络结构、目标检测方法及装置，可以提高对检测目标的检测精度。

第一方面，本申请实施例提供了一种目标检测方法，采用卷积神经网络结构来进行目标检测，该卷积神经网络结包括：输入层、特征提取结构以及多个目标解析层，所述特征提取结构包括多个依次级联的卷积结构层；而所述目标检测方法包括：

通过所述输入层接收待检测的原始图片，并对该原始图片进行预处理，以得到特征图像；

通过所述特征提取结构的多个卷积结构层对所述特征图像进行逐层卷积计算；

通过所述多个目标解析层分别从所述特征提取结构的不同层级获取特征图像，并对获取的特征图像的特征进行分类和回归，以得到所述检测目标在原始图片中的位置信息以及对应的检测框的尺寸信息；每一所述目标解析层被训练为检测预设尺寸范围的检测目标，不同的目标解析层对应不同的预设尺寸范围。

本申请实施例通过采用多个目标解析层分别对不同层级输出的不同尺寸的特征图像进行分类和回归，每一目标解析层被训练为对预设尺寸范围的检测目标进行检测，该预设尺寸范围与该特征图像的尺寸相互适配，从而提高对检测目标的检测准确性以及检测效率。

可选地，在本申请实施例所述的目标检测方法中，所述特征提取结构还包括至少两个特征融合层；

所述通过所述特征提取结构的多个卷积结构层对所述特征图像进行逐层卷积计算的步骤之后还包括：

通过所述至少两个特征融合层将至少两个不同层级的卷积结构层输出的特征图像进行特征融合以得到融合特征图像，其中，所述至少两个特征融合层输出的融合特征图像的尺寸依次减小；

所述目标解析层从所述特征提取结构获取的特征图像为所述特征融合层输出的融合特征图或所述卷积结构层输出的特征图像。