[发明专利]目标检测方法及系统

说明书

本公开提供一种目标检测方法及系统，涉及检测技术领域。本公开中的目标检测方法包括：获得针对待检测目标进行拍摄得到的实时视频流，对实时视频流中每隔设定帧的图像进行检测，得到待检测目标的最新位置，将当前帧图像转换为灰度图之后，对灰度图进行图像分析，计算待检测目标相较于上一帧图像位置移动的像素点数量，并使用光流金字塔计算当前帧图像转换得到的灰度图和上一帧图像转换得到的灰度图中待检测目标位置移动的每个像素点的位移，从而根据计算得到的待检测目标位置移动的每个像素点的位移分析得到待检测目标在当前帧图像的移动偏移，基于移动偏移对卷积神经网络的检测规则进行修正，提高了目标检测效率。

技术领域

本公开涉及检测技术领域，具体而言，涉及一种目标检测方法及系统。

背景技术

目标检测作为计算机视觉较为重要的任务之一，在实际应用的过程中扮演着非常重要的角色，通过目标检测能够获知目标所在的位置信息，方便后续的进一步处理。经研究发现，目标检测方法大多数都需要强大的计算能力并且非常耗时，而生产生活中计算能力通常都非常有限，对时间的要求较为苛刻，因此，需要对目标检测方法进行改进。

发明内容

本公开提供一种目标检测方法及系统。

第一方面，本公开提供了一种目标检测方法，包括：

获得针对待检测目标进行拍摄得到的实时视频流；

使用预存的卷积神经网络对所述实时视频流中每隔设定帧的图像进行检测，得到待检测目标的最新位置；

将当前帧图像转换为灰度图，其中，所述当前帧图像为所述实时视频流中当前被所述卷积神经网络进行检测以确定所述待检测目标的最新位置的图像；

对所述灰度图进行图像分析，计算所述待检测目标相较于上一帧图像位置移动的像素点数量；

使用光流金字塔计算所述当前帧图像转换得到的灰度图和上一帧图像转换得到的灰度图中所述待检测目标位置移动的每个像素点的位移；

根据计算得到的所述待检测目标位置移动的每个像素点的位移分析得到所述待检测目标在所述当前帧图像的移动偏移，基于所述移动偏移对所述卷积神经网络的检测结果进行修正。

可选地，所述方法还包括构建所述卷积神经网络的步骤，该步骤包括：

将设定尺寸的三通道图像作为输入，堆叠多个Block结构，得到待训练的网络结构；其中，每个所述Block结构包括卷积运算Conv、批归一化BN、比例缩放Scale和位移、线性整流函数Relu和深度卷积Deepwise操作；

采用随机梯度下降法，基于最小化损失函数训练所述网络结构，得到检测模型；

去掉所述检测模型中的批归一化BN、比例缩放Scale和位移操作之后，将检测模型进行合并移植，得到用以进行位置检测的卷积神经网络。

可选地，堆叠的多个Block结构为16个；每个所述Block结构至少由卷积运算Conv、批归一化BN、比例缩放Scale和位移、线性整流函数Relu、深度卷积Deepwise、批归一化BN、比例缩放Scale和位移、线性整流函数Relu操作依次组成；

16个所述Block的卷积的通道数分别为16、16、32、32、96、96、96、96、128、128、128、128、160、160、160、160、160、160、160、160、160、160、160、160、320、320、128、160、96、128、96、128，所述深度卷积Deepwise操作的分组数等于所述深度卷积Deepwise操作的通道数；