[发明专利]一种复杂背景下目标检测方法、装置、设备及介质

说明书

本发明实施例公开了一种复杂背景下目标检测方法、装置、设备及介质，其中，该方法包括：对输入图像进行特征提取，得到特征尺度依次递减的多个原始特征图；在多个原始特征图中，从设定尺度的原始特征图开始，进行特征信息增强操作，并将每次特征信息增强操作得到的融合特征图作为下次特征信息增强操作的基础，直到得到与特征尺度最大的原始特征图相同尺度的融合特征图；对完成特征信息增强操作得到的多个融合特征图，设定尺度的原始特征图、以及多个原始特征图中未进行特征信息增强操作的其他原始特征图进行分类和回归，得到输入图像中不同尺度的目标物体的类别信息和位置信息。通过采用上述技术方案，有效提升了复杂背景下目标检测的检出效果。

技术领域

本发明实施例涉及目标检测技术领域，具体而言，涉及一种复杂背景下目标检测方法、装置、设备及介质。

背景技术

目标检测是计算机视觉领域重要的研究方向之一，它主要是通过计算分析定位感兴趣目标，得出每个目标在图像中的类别信息和位置信息，目标检测在自动驾驶，医学影像和安防监控方面等多个领域具有十分重要的应用价值。

传统的目标检测算法通常根据具体任务设计人工特征，然后在滑动窗口上提取图像特征，最后基于这些特征训练分类器，并通过这个分类器来判断滑窗区域是否为目标。但是传统的人工特征很难适应目标的尺度、形态以及外界光照的变化，同时如果外界场景过于复杂，人工特征很难提取有用的信息，该方法计算量大，而且时间复杂度高，没有很好的鲁棒性，很难适应多类目标检测，这导致传统的目标检测技术很难满足目前的目标检测任务需求。

随着深度学习技术的不断发展，基于卷积神经网络的目标检测算法相比于传统的方法能带来很大的提升。该方法利用卷积神经网络从大量数据集中自动学习如何提取有效的特征。与人工特征相比，基于深度学习的目标检测技术能学习到质量更好，更具有鲁棒性的特征，该方法能够将特征提取与特征分类融合在同一个网络模型当中，并通过误差反向传播来进行优化。因此，基于深度学习的目标检测算法逐渐成为计算机视觉领域的研究热点方向。但是，该技术方法在面对背景复杂等场景依然有改进的空间。如何设计网络模型来提取更加完备的特征，如何改进复杂背景下目标检测的检测效果等这些问题还亟待解决。

发明内容

本发明实施例提供一种复杂背景下目标检测方法、装置、设备及介质，有效提升了复杂背景下目标检测的检出效果。

第一方面，本发明实施提供了一种复杂背景下目标检测方法，该方法包括：

基于目标检测模型中的预设特征提取网络对输入图像进行特征提取，得到特征尺度依次递减的多个原始特征图；

基于目标检测模型中的特征融合单元，在所述多个原始特征图中，从设定尺度的原始特征图开始，进行特征信息增强操作，并将每次特征信息增强操作得到的融合特征图作为下次特征信息增强操作的基础，直到得到与特征尺度最大的原始特征图相同尺度的融合特征图；其中，所述特征信息增强操作包括对当前遍历的当前原始特征图上采样到与上一层原始特征图相同的尺度，并将上采样后的结果与所述上一层的原始特征图进行特征融合，得到融合特征图；其中，所述融合特征图的通道数与对应的原始特征图的通道数保持一致；

基于目标检测模型中的特征检测单元，对完成特征信息增强操作得到的多个融合特征图，设定尺度的原始特征图、以及所述多个原始特征图中未进行特征信息增强操作的其他原始特征图进行分类和回归，得到所述输入图像中不同尺度的目标物体的类别信息和位置信息。

可选的，所述将上采样后的结果与所述上一层的原始特征图进行特征融合，包括：

采用加和Eltw Sum操作，将上采样后的特征图与所述当前原始特征图的上一层的原始特征图中对应位置的元素相加。

可选的，所述目标检测模型还包括预测单元，连接在所述特征提取网络和所述特征检测单元之间，相应的，所述方法还包括：