[发明专利]目标图像的检测、目标对象检测模型的生成方法

权利要求书

1.一种目标图像的检测方法，其特征在于，包括：

获得包含多个图像的图像数据集，所述多个图像分别包括目标对象，所述目标对象包括火焰目标对象；

根据所述图像数据集，构建目标对象检测模型；

获得待检测图像，通过所述目标对象检测模型检测所述待检测图像以得到具有目标对象的目标图像；

所述根据所述图像数据集，构建目标对象检测模型，包括：根据所述图像数据集的图片样本获得特征图；根据所述特征图和所述图片样本进行训练标记和损失函数计算；利用反向传播算法对所述目标对象检测模型进行迭代训练获得函数值最小的所述损失函数，以构建所述目标对象检测模型；

所述根据所述图像数据集的图片样本获得特征图，包括：将所述图像数据集的图片样本输入到所述目标对象检测模型中以得到所述图片样本的特征信息；对所述特征信息进行上采样、下采样处理以及特征融合处理以得到特征图；

其中，将所述图像数据集图片样本输入到目标对象检测模型中，通过Focus切片操作将图片划分为若干小块，并对各小块相同的相对位置部分依次进行组合堆叠以获取所述图片样本的特征信息；且通过CSP网络结构，将上层传递的特征映射拆分为两个部分，一部分进行卷积操作，将卷积操作的结果和另一部分进行连接和合并，将梯度的变化从头至尾地集中在特征图中，在上述卷积过程中保持特征的宽、高、通道数不变，并获得第一结果；利用该第一结果再进行卷积，并保持特征的宽、高、通道数不变，得到第二结果，将第一结果和第二结果叠加，以将梯度的变化从头至尾地集中在特征图中；

以及，对所述特征信息采用FPN+PAN的特征金字塔网络结构，FPN层采用自顶向下的采样过程，将顶层的低分辨率特征通过上采样的方式提高分辨率，放大到和上一阶段特征相同的尺寸，然后再和上一阶段的特征进行相加合并，PAN层紧随FPN层之后，与FPN结构相反，PAN采用了自底向上的采样过程，将底层含有的特征信息传给高层的特征，在特征传播过程中采用下采样的方式，缩小到和上一阶段特征相同的尺寸；两个相互结合，对所述特征信息进行上采样、下采样处理以及特征融合处理以得到特征图。

2.根据权利要求1所述的目标图像的检测方法，其特征在于，还包括：通过所述目标对象检测模型检测所述待检测图像以得到所述目标图像中的目标对象的位置信息。

3.根据权利要求2所述的目标图像的检测方法，其特征在于，所述获得包含多个图像的图像数据集，包括：

获得具有目标对象的多个图像，

对所述多个图像进行预处理得到多个候选图像；

对所述多个候选图像进行标记以得到所述图像数据集。

4.根据权利要求3所述的目标图像的检测方法，其特征在于，所述对所述多个图像进行预处理得到多个候选图像，包括：

采用Mosaic数据增强的方式对所述多个图像至少进行如下操作：对所述多个图像进行随机翻转、随机缩放、随机裁剪，以获得多个初始图像；

将所述多个初始图像进行随机拼接得到所述多个候选图像。

5.根据权利要求3所述的目标图像的检测方法，其特征在于，所述对所述多个候选图像进行标记以得到所述图像数据集，包括：

对所述多个候选图像中的完全是目标对象的图像进行第一标记，并将具有第一标记的完全是目标对象的图像作为第一图片样本；

对所述多个候选图像中包含有目标对象的图像进行第二标记；并将一部分具有第二标记的包含有目标对象的图像作为第二图片样本，将另一部分具有第二标记的包含有目标对象的图像作为测试图片样本；

所述第一图片样本、所述第二图片样本以及所述测试图片样本统称为图片样本，且将所述第一标记和第二标记为统称为训练标记，即形成所述图像数据集。