[发明专利]目标检测方法及装置

权利要求书

1.一种目标检测方法，其特征在于，所述方法包括：

接收待检测的图像；

利用目标检测网络模型，确定所述待检测的图像中移动目标的类别信息以及位置信息，

其中，所述目标检测网络模型是通过去除更快速区域卷积神经网络Faster RCNN中参数权重为零的通道所确定的；

所述方法还包括：

根据包括移动目标的样本图像，以及包括二次惩罚项的损失函数训练得到第一目标检测网络模型；

根据所述样本图像及目标损失函数，训练所述第一目标检测网络模型，得到第二目标检测网络模型，所述目标损失函数用于确定第一目标检测网络模型的类别损失、位置损失以及参数的一维距离损失；

根据所述第二目标检测网络模型确定所述目标检测网络模型；

其中，所述目标检测网络模型包括特征提取网络、区域生成网络、兴趣区域池化层以及分类位置检测网络；

所述特征提取网络通过其多个卷积层对所述待检测的图像进行特征提取，得到所述待检测的图像的特征图像；所述区域生成网络根据所述特征图像，生成多个候选区域；所述兴趣区域池化层根据所述特征图像以及多个所述候选区域，得到多个候选区域的分辨率相同的特征图像；所述分类位置检测网络通过其多个全连接层对多个候选区域的特征图像进行处理，来确定待检测的图像中的移动目标的类别信息以及位置信息。

2.根据权利要求1所述的方法，其特征在于，所述根据所述样本图像及目标损失函数，训练所述第一目标检测网络模型，得到第二目标检测网络模型包括：

在训练次数达到训练阈值或所述第一目标检测网络模型输出的结果处于收敛时，将当前的第一目标检测网络模型确定为所述第二目标检测网络模型，其中，所述第二目标检测网络模型中包括参数权重为零的通道；

所述根据所述第二目标检测网络模型确定所述目标检测网络模型包括：

去除所述第二目标检测网络模型中参数权重为零的通道；

将去除参数权重为零的通道后的目标检测网络模型确定为最终的目标检测网络模型。

3.根据权利要求2所述的方法，其特征在于，根据所述样本图像及目标损失函数，训练所述第一目标检测网络模型，包括：

将所述样本图像输入所述第一目标检测网络模型中进行处理，通过目标损失函数计算得到模型损失；

根据所述模型损失，调整所述第一目标检测网络模型中的参数权重。

4.根据权利要求3所述的方法，其特征在于，将所述样本图像输入所述第一目标检测网络模型中进行处理，通过目标损失函数计算得到模型损失，包括：

将所述样本图像输入所述第一目标检测网络模型中进行处理，获取针对所述样本图像的训练检测结果；

根据所述训练检测结果、期望检测结果以及所述目标损失函数，确定所述第一目标检测网络模型的模型损失。