[发明专利]临边目标检测方法、装置、终端及介质

说明书

本发明公开了一种临边目标检测方法、装置、终端及介质，该方法包括：采集待检测区域的图像；将图像输入至特征提取网络内，作为骨干网络，提取图像的深度特征；将图像的深度特征输入至区域生成网络模块内，得到目标候选框；将目标候选框及图像的深度特征输入到区域特征提取模块内，获取公共特征；将公共特征输送至高度差预测模块，得到边缘高度特征图；将所述S14得到的公共特征输送至第一分类与回归模块，获取分类特征图；将边缘高度特征图与分类特征图进行融合，将融合后的特征图送入第二分类与回归模块，得到目标检出框。本发明降低了目标检测中难分负样本对模型精度的影响，提升了模型的精度，减小了监控系统中临边目标的检测误检率。

技术领域

本发明涉及图像目标检测技术领域，特别涉及一种临边目标检测方法、装置、终端及介质。

背景技术

目标检测是当今计算机视觉和数字图像处理的一个热门方向，其主要任务是从图像中找出所有感兴趣的目标位置，这一技术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，通过计算机视觉减少对人力资本的消耗，具有重要的现实意义。

传统的目标检测手段主要基于人工设计的特征，其算法流程可概括为：从图像中提取出可能包含目标的候选区块、根据给出的候选区块进行特征提取、对提取出的特征进行检测分类三个步骤。这类手段的代表性算法有Viola Jones检测器(2001)、HOG检测器(2005)、DPM检测器(2008)等。尽管这些传统方法能在一定程度上解决不同目标的识别问题，但这类算法在原理上要求待检测目标拍摄视角不能出现大幅变动、不能出现遮挡，因此在广泛实际应用中识别精度不高。同时，由于判断候选区域的局限性，这类算法往往拥有较高的算法复杂度，运行速度较慢。

近年来，随着计算机视觉技术的不断发展，基于深度学习的目标检测技术成为了新的研究热点。具体来说，这一研究方向已经发展成了两条技术路线：以RCNN、SPPNet等模型为代表的Anchor Based方法与以CornerNet、CenterNet等模型为代表的Anchor Free方法。基于深度学习的目标检测算法在近年来获取诸多关注，离不开卷积神经网络(CNN，2012)的兴起；2014年提出的RCNN模型更是将整个目标检测领域整体推入了深度学习时期：其将整个检测过程分为从图像中获取候选区域、从候选区域中获取最终检测框两个部分，通过在输入图像上进行选择性搜索获得候选区域送入神经网络中提取特征，再将特征送入到SVM进行分类来预测该对象框中的图像是否存在待检测目标。SPP-Net算法将特征金字塔池化引入特征提取网络以实现任意图像大小的输入，同时避免了候选区域的第二次卷积特征计算来加快整体的推理速度。基于RCNN发展而来的还有Fast R-CNN模型，该算法提出了ROI pooling层，通过先提取特征图再将候选区域在最后一层映射的方式，避免了特征的重复运算。基于上述工作，Faster R-CNN算法将各个网络结构部件进行整合，形成了第一个端到端，最接近于实时性能的深度学习检测算法。其将特征提取、候选区域提取、边界框的位置回归和分类都结合到了一个统一网络，解决了计算瓶颈。同时，进行目标框类别和位置回归的单阶段检测器也在研究人员的探索下诞生了。YOLO算法开创性地将目标检测转化为单阶段的回归问题，采用一个统一网络同时进行边界框位置坐标和类别的回归，大大缓解了之前两阶段检测速度低下的问题。YOLO算法摒弃了先前“提取候选框+获取最终回归位置”两阶段划分整个任务的思想，将单个神经网络应用于整幅图像，从而取得了很快的检测速度。在此基础上，研究者们还发展出了YOLOv2、YOLOv3和YOLOv4等系列算法，通过设计更深更鲁棒的网络，并融入了一系列目标检测前沿的优化技巧，达到了检测精度和推理速度的折中平衡，拥有更为良好的应用部署条件。此外，2018年首次提出的CornerNet用一种全新的思路解决了目标检测问题：其提出了一种新的对象检测方法，将网络对目标边界框的检测转化为一对关键点的检测(即左上角和右下角)，通过将对象检测为成对的关键点，而无需设计Anchor box作为先验框。总而言之，基于深度学习的目标检测技术可以自主学习目标的关键特征，与人工设计的特征相比，深度学习方法学习到的特征鲁棒性强、适应性高，因此检测精度高，能够适用于多种不同场景下的检测任务。同时，与传统方法相比，深度学习方法还有检测速度快的有点，可以实现实时处理检测。因此基于深度学习的目标检测在速度、精度、适应性等方面有很大的发展空间。