[发明专利]目标对象的检测方法及装置

说明书

技术领域

本公开涉及目标检测领域，尤其涉及一种目标对象的检测方法及装置。

背景技术

相关技术中，采用Cascade CNN模型进行人脸检测时，采用滑动窗口的方法，来查找人脸。当滑动的次数增多或窗口变大时，跟踪过程所需的存储空间会极具上升。由于相邻的滑动窗口之间会产生重叠区域。因此，在检测过程中做了大量的无用功，检测速度慢。

发明内容

为克服相关技术中存在的问题，本公开提供一种目标对象的检测方法及装置。

根据本公开实施例的第一方面，提供一种目标对象的检测方法，包括：

识别步骤，将待处理图像输入级联的全卷积网络FCN模型的第n层，识别得到所检测的目标对象在所述第n层对应的概率图，所述级联的FCN模型包括L层FCN，L为大于或等于2的整数，所述n为从1到L的整数；

包围盒确定步骤，根据所述第n层对应的概率图上各概率值，得到各包围盒，并采用非极大值抑制NMS将各包围盒进行合并；

原图区域确定步骤，将合并后的包围盒在所述待处理图像上得到对应的原图区域；将所得到的所述原图区域输入所述级联的FCN模型的第n+1层，迭代地执行所述识别步骤、所述包围盒确定步骤和所述原图区域确定步骤；直至在所述级联的FCN模型的第L层，输出所述目标对象在所述待处理图像的位置。

在一种可能的实现方式中，该方法还包括：

针对所述目标对象进行训练，得到级联的卷积神经网络CNN模型，所述级联的CNN模型包括多层CNN；

将所述级联的CNN模型转化为所述级联的FCN模型，所述级联的FCN模型包括多层FCN。

在一种可能的实现方式中，该方法还包括：

将所述待处理图像按照不同比例缩放，得到多个缩放后的图像；

将所述多个缩放后的图像输入所述级联的FCN模型，迭代地执行识别步骤、包围盒确定步骤和原图区域确定步骤，得到所述目标对象在所述多个缩放后的图像中对应的位置；

采用NMS对识别出的所述多个缩放后的图像中的位置进行聚合，得到所述目标对象在所述待处理图像的位置。

在一种可能的实现方式中，将所述多个缩放后的图像输入所述级联的FCN模型，迭代地执行识别步骤、包围盒确定步骤和原图区域确定步骤，得到所述目标对象在所述多个缩放后的图像中对应的位置，包括：

所述识别步骤包括：将尺度为M*N的图像输入所述级联的FCN模型的第n层，识别得到所述第n层对应的X*Y的概率图，所述尺度为M*N的图像由所述待处理图像缩放得到的图像，所述X等于M*St，Y等于N*St，所述St为步长，所述n为从1到L的整数；

所述包围盒确定步骤包括：根据第n层对应的概率图上的概率值大于设定阈值的点，得到S个包围盒B，并采用NMS将S个包围盒B进行合并；

所述原图区域确定步骤包括：将合并后的S个包围盒在所述尺度为M*M的图像上得到对应的S个原图区域B1；将所得到的S个原图区域B1输入所述级联的FCN模型的第n+1层，迭代地执行所述识别步骤、所述包围盒确定步骤和所述原图区域确定步骤，直至在所述级联的FCN模型的第L层，输出所述目标对象在所述尺度为M*M的图像中对应的概率图和位置。

根据本公开实施例的第二方面，提供一种目标对象的检测装置，包括：

识别模块，用于将待处理图像输入级联的全卷积网络FCN模型的第n层，识别得到所检测的目标对象在所述第n层对应的概率图，所述级联的FCN模型包括L层FCN，L为大于或等于2的整数，所述n为从1到L的整数；

包围盒确定模块，用于根据所述第n层对应的概率图上各概率值，得到各包围盒，并采用非极大值抑制NMS将各包围盒进行合并；

原图区域确定模块，用于将合并后的包围盒在所述待处理图像上得到对应的原图区域；

迭代模块，用于将所得到的所述原图区域输入所述级联的FCN模型的第n+1层，控制所述识别模块、所述包围盒确定模块和所述原图区域确定模块迭代地执行动作，直至在所述级联的FCN模型的第L层，输出所述目标对象在所述待处理图像的位置。

在一种可能的实现方式中，该装置还包括：

训练模块，用于针对所述目标对象进行训练，得到级联的卷积神经网络CNN模型，所述级联的CNN模型包括多层CNN；

转化模块，用于将所述级联的CNN模型转化为所述级联的FCN模型，所述级联的FCN模型包括多层FCN。

在一种可能的实现方式中，该装置还包括：