[发明专利]一种目标物检测方法、装置及电子设备

说明书

本发明提供一种目标物检测方法、装置及电子设备，属于图像处理技术，所述目标物检测方法包括：利用卷积神经网络对输入的双目图像对进行像素特征提取和第一高阶特征提取；构建平面扫描体来学习像素关系并估计深度信息；将平面扫描体转换为3D几何体，从3D几何体中提取用于目标识别的第二高阶特征；对卷积神经网络进行目标物检测训练，得到满足预设条件的卷积神经网络；利用满足预设条件的卷积神经网络对目标双目图像对进行目标物检测。本发明通过在平面扫描体中建立立体对应约束，从2D特征转换到具有3D几何特征的3D几何体，提高了双目获取深度信息的精度，对目标物检测的精确度更高，并且将多种神经网络进行整合，提高了目标物检测的效率。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种目标物检测方法、装置及电子设备。

背景技术

物体检测是指利用计算机技术检测与识别出图像或视频中感兴趣目标(如车辆、行人、障碍物等)的类别与位置信息，是计算机视觉领域中重要研究领域之一。随着深度学习技术的不断完善与发展，基于深度学习的物体检测技术已经在诸多现实领域中具有广泛的应用场景，例如：无人驾驶、辅助驾驶、人脸识别、无人安防、人机交互、行为识别等相关领域中。

然而，现有的目标检测方法通常在保证检测精度时却无法满足较好的检测效率，或是在实现高效检测时无法确保检测的精度以及目标物特征的损失度。

发明内容

有鉴于此，本发明提供一种目标物检测方法、装置及电子设备，用于解决目前的目标检测方法无法同时兼顾检测精度和检测效率的问题。

为解决上述技术问题，第一方面，本发明提供一种目标物检测方法，包括：

利用卷积神经网络的第一子神经网络对输入的双目图像对进行像素特征提取和第一高阶特征提取；

构建平面扫描体来学习像素关系并估计深度信息；

将所述平面扫描体转换为3D几何体，利用卷积神经网络的第二子神经网络从所述3D几何体中提取用于目标识别的第二高阶特征；

利用所述像素特征、所述第一高阶特征、所述像素关系、所述深度信息、所述3D几何体以及所述第二高阶特征对所述卷积神经网络进行目标物检测训练，得到满足预设条件的卷积神经网络；

利用满足预设条件的卷积神经网络对目标双目图像对进行目标物检测。

可选的，所述第二子神经网络由金字塔立体匹配网络中的SPP模块连接预设数量的输出层构成。

可选的，所述利用所述像素特征、所述第一高阶特征、所述像素关系、所述深度信息、所述3D几何体以及所述第二高阶特征对所述卷积神经网络进行目标物检测训练，得到满足预设条件的卷积神经网络包括：

利用所述像素特征、所述第一高阶特征、所述像素关系、所述深度信息、所述3D几何体以及所述第二高阶特征对所述卷积神经网络进行目标物检测训练，使得训练得到的卷积神经网络的总损失值小于预设损失阈值，所述总损失值包括深度回归损失、分类损失、3D边框回归损失、中心损失中的至少一者。

可选的，所述第一子神经网络为孪生神经网络。

可选的，所述将所述平面扫描体转换为3D几何体包括：

通过可导扭曲操作，将所述平面扫描体转换为3D几何体。

第二方面，本发明还提供一种目标检测装置，包括：

第一提取模块，用于利用卷积神经网络的第一子神经网络对输入的双目图像对进行像素特征提取和第一高阶特征提取；

平面扫描体模块，用于构建平面扫描体来学习像素关系并估计深度信息；