[发明专利]针对长宽比大物体的目标检测方法、系统、设备及介质

说明书

本申请涉及目标检测技术领域，更为具体来说，本申请涉及针对长宽比大物体的目标检测方法、系统、设备及介质。所述方法包括：获取待检测的目标图像；将所述待检测的目标图像输入训练好的目标检测模型中，其中，所述训练好的目标检测模型的损失函数包括物体长边的长度损失值与物体长边的中心位置损失值；输出所述目标图像中各物体的位置与多个类别概率值；根据所述多个类别概率值确定出所述各物体的最终类别。本申请所述针对长宽比大物体的目标检测方法在损失函数中额外加入物体长边的中心位置损失值和物体长边的长度损失值，从而引导模型提升对长宽比例大物体的检测性能，进而提升了目标检测精度和效率。

技术领域

本申请涉及目标检测技术领域，更为具体来说，本申请涉及针对长宽比大物体的目标检测方法、系统、设备及介质。

背景技术

目标检测是计算机视觉和数字图像处理的重要研究方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域。目标检测的目标是找出图像中感兴趣的对象，包含物体定位和物体分类两个子任务，即同时确定物体的类别和位置。

目前，利用神经网络结合大量图片数据进行训练的目标检测模式已经成为行业的主流方式。基于神经网络的算法基本上可以归为两类：以Faster R-CNN为代表的两阶段算法和以YOLO、SSD等为代表的一阶段算法。不论是一阶段算法还是两阶段算法，对于检测长宽比例很大的长条形物体，例如滑雪板、铅笔等，相比检测长宽比例较小的物体，如足球、汽车等，性能有很大程度的下降。一些情况下，网络不能检测出长宽比大的物体，另一些情况，虽然网络可以检测出长宽比大的物体，但是目标位置不够准确，特别是物体的长边检测得不准确。此外，从检测结果看，目前现有的方法很多是在目标的长边出现较大的误差，这也进一步证实了IoU损失的缺点。

发明内容

基于上述IoU损失的缺点，本发明旨在通过计算物体长边的长度损失值与物体长边的中心位置损失值来优化目标检测模型，从而引导模型提升对长宽比例大物体的检测性能。

为实现上述技术目的，本申请提供了一种针对长宽比大物体的目标检测方法，包括以下步骤：

一种针对长宽比大物体的目标检测方法，包括以下步骤：

获取待检测的目标图像；

将所述待检测的目标图像输入训练好的目标检测模型中，其中，所述训练好的目标检测模型的损失函数包括物体长边的长度损失值与物体长边的中心位置损失值；

输出所述目标图像中各物体的位置与多个类别概率值；

根据所述多个类别概率值确定出所述各物体的最终类别。

具体地，所述目标检测模型的损失函数包括物体长边的长度损失值与物体长边的中心位置损失值，包括：

判断物体是否为长宽比大物体，如果是，则计算长宽比大物体长边的长度损失值和长宽比大物体的中心位置损失值；

根据所述长宽比大物体长边的长度损失值和长宽比大物体的中心位置损失值构建所述目标检测模型的损失函数。

优选地，所述目标检测模型的训练步骤包括：

采集模型训练样本，所述模型训练样本包括长宽比大物体的图像；

将所述模型训练样本输入到所述目标检测模型中，输出每个物体的位置信息与类别信息；

计算所述目标检测模型的损失值，所述目标检测模型的损失值为位置信息损失值、类别信息损失值、长宽比大物体长边的长度损失值和长宽比大物体的中心位置损失值的加权和；

利用所述目标检测模型的损失值优化所述目标检测模型。

进一步地，所述目标检测模型包括特征提取模块、分类模块与回归模块；