[发明专利]一种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，包括：

获取初始图像；

将所述初始图像输入预先训练的深度卷积网络模型，得到所述深度卷积网络模型输出的标注有兴趣目标候选框的第二图像，其中，所述候选框中可能存在所述初始图像上所包含的兴趣目标；

所述深度卷积网络模型为预先利用标注有兴趣目标的真实信息的训练图像进行训练得到；所述深度卷积网络模型中最深层次的卷积层的输入包括：至少一其它卷积层的输出结果以及，所述最深层次的卷积层的相邻卷积层的输出结果与网络参数进行卷积运算得到的卷积结果。

2.根据权利要求1所述的方法，其特征在于，所述深度卷积网络模型的训练过程包括：

获取训练图像，所述训练图像上标注有包围兴趣目标的真实框，及标注有真实框代表的兴趣目标的真实类别；

利用所述训练图像对深度卷积网络模型进行训练，以使得深度卷积网络模型输出的图像上标注的兴趣目标候选框与所述训练图像上标注的真实框的重合度满足设定重合度条件，且输出的各候选框代表的兴趣目标的类别与其真实类别相同的概率满足设定概率条件。

3.根据权利要求2所述的方法，其特征在于，所述将所述初始图像输入预先训练的深度卷积网络模型，得到所述深度卷积网络模型输出的标注有兴趣目标候选框的第二图像的步骤包括：

将所述初始图像输入预先训练的深度卷积网络模型，得到分类类别为非噪声的各类别的候选框，及候选框的置信度；

针对非噪声的每一类别的候选框，按照候选框的置信度由高至低的顺序，选取设定数目的候选框；

将各类别中选取的候选框作为标注于所述第二图像上的兴趣目标候选框。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述深度卷积网络模型为候选区域提取网络模型，该方法还包括：

将所述候选区域提取网络模型输出的所述第二图像输入目标区域池化网络模型，得到所述目标区域池化网络模型输出的标注有兴趣目标候选框的第三图像，其中，所述第三图像上标注的各兴趣目标候选框的尺寸相同；

将所述第三图像输入回归网络模型，得到修正后的兴趣目标候选框的位置以及各兴趣目标候选框代表的兴趣目标的分类类别。

5.根据权利要求4所述的方法，其特征在于，还包括：将分类类别相同的候选框中，存在交集的候选框合并。

6.一种目标检测装置，其特征在于，包括：

获取模块，用于获取初始图像；

第一确定模块，用于将所述初始图像输入预先训练的深度卷积网络模型，得到所述深度卷积网络模型输出的标注有兴趣目标候选框的第二图像，其中，所述候选框中可能存在所述初始图像上所包含的兴趣目标；

所述深度卷积网络模型为预先利用标注有兴趣目标的真实信息的训练图像进行训练得到；所述深度卷积网络模型中最深层次的卷积层的输入包括：至少一其它卷积层的输出结果以及，所述最深层次的卷积层的相邻卷积层的输出结果与网络参数进行卷积运算得到的卷积结果。

7.根据权利要求6所述的装置，其特征在于，还包括：

深度卷积网络模型的训练模块，用于获取训练图像，所述训练图像上标注有包围兴趣目标的真实框，及标注有真实框代表的兴趣目标的真实类别，并利用所述训练图像对深度卷积网络模型进行训练，以使得深度卷积网络模型输出的图像上标注的兴趣目标候选框与所述训练图像上标注的真实框的重合度满足设定重合度条件，且输出的各候选框代表的兴趣目标的类别与其真实类别相同的概率满足设定概率条件。

8.根据权利要求7所述的装置，其特征在于，所述第一确定模块将所述初始图像输入预先训练的深度卷积网络模型，得到所述深度卷积网络模型输出的标注有兴趣目标候选框的第二图像的过程，具体包括：

将所述初始图像输入预先训练的深度卷积网络模型，得到分类类别为非噪声的各类别的候选框，及候选框的置信度；

针对非噪声的每一类别的候选框，按照候选框的置信度由高至低的顺序，选取设定数目的候选框；

将各类别中选取的候选框作为标注于所述第二图像上的兴趣目标候选框。