[发明专利]一种目标检测方法

说明书

本说明书实施例公开了一种利用目标检测模型对待检测图像进行目标检测的方法，所述目标检测模型可以包括基于双重注意力机制搭建的主干特征提取网络，利用基于双重注意力机制生成的Ghost模块搭建的颈部网络，以及预测结果生成网络。由于目标检测模型中的主干特征提取网络和颈部网络中添加了双重注意力机制，因此目标检测模型能够以较少计算量来增加待检测图像中目标可见区域的关注度，同时，由于目标检测模型中的颈部网络是使用基于双重注意力机制生成的Ghost模块而搭建的，其能够实现特征融合过程的轻量化，因此，本申请可以在保障目标检测的准确性的同时提高针对待检测图像的检测速度。

技术领域

本申请涉及目标检测技术领域，尤其涉及一种基于改进的YOLOv4模型的目标检测方法。

背景技术

行人检测是目标检测方向中的研究热点，行人检测要求准确判断输入图像或视频是否包含行人，并给出行人在图像中的空间坐标信息，广泛应用于智能监控、辅助驾驶等领域。目前主流的一些行人检测算法一般都是采用深度学习方法实现的，比如R-CNN、Fast-RCNN、Faster-RCNN，虽然能得到较高的检测精度，但由于阶段复杂，使得测试速度通常较慢，不太适合用于需要实时检测，快速响应的应用场合。而像SSD、yolo等一系列单阶段算法，虽然具有很快的检测速度，能满足实时检测需求，但某些应用上的检测精度仍有待提高。

基于此，如何在保障目标检测准确性的基础上，去提升目标检测速度，成为了亟需解决的问题。

发明内容

本说明书实施例提供一种目标检测方法，以在保障目标检测准确性的基础上，去提升目标检测速度。

为解决上述技术问题，本说明书实施例提供的一种目标检测方法，所述方法可以包括：

获取待检测图像。

利用所述目标检测模型；对所述待检测图像进行目标检测处理，得到目标检测结果；所述目标检测模型是通过针对YOLOv4神经网络进行改进得到的模型；所述目标检测模型包括：主干特征提取网络、颈部网络及预测结果生成网络；所述主干特征提取网络与所述颈部网络连接，所述颈部网络与所述预测结果生成网络连接；所述主干特征提取网络是基于双重注意力机制搭建的网络；所述颈部网络是使用基于双重注意力机制生成的Ghost模块搭建的网络。

本说明书至少一个实施例能够达到以下有益效果：

通过对YOLOv4神经网络进行改进以得到目标检测网络。由于目标检测网络中的主干特征提取网络是基于双重注意力机制搭建的，从而使得其能够以较少计算量来增加目标检测网络对目标可见区域的关注度，有利于保障目标检测的准确性。以及，由于目标检测网络中颈部网络是使用基于双重注意力机制生成的Ghost模块而搭建的，从而能够实现特征融合过程的轻量化，以提高目标检测模型的检测速度。基于此，当使用目标检测模型针对待检测图像进行检测时，能够在保证检测准确性的情况下提高检测速度。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本说明书实施例提供的一种目标检测方法的流程示意图；

图2是本说明书实施例提供的一种双重注意力机制的工作原理示意图；

图3是本说明书实施例提供的一种目标检测模型的结构示意图；

图4是本说明书实施例提供的一种基于目标所在区域的特征提取模块的结构示意图。

具体实施方式