[发明专利]目标检测方法、装置及存储介质

说明书

本申请公开了一种目标检测方法、装置及存储介质，属于深度学习技术领域。本申请实施例可以首先从每个第一特征图的多个proposal框的概率值中确定至少一个概率值，之后，再根据确定的至少一个概率值对应的proposal框的尺寸参数确定相应第一特征图中至少一个proposal框的位置，进而根据确定的至少一个proposal框的位置来确定待检测图像中的检测目标。这样，由于先根据proposal框的概率值对Proposal框的尺寸数据进行了筛选，缩减了数据量，因此，后续根据筛选出来的数据确定对应的proposal框的位置即可，减小了计算量，缩短了运算时间，有利于提高检测的实时性。

技术领域

本申请涉及深度学习技术领域，特别涉及一种目标检测方法、装置及计算机可读存储介质。

背景技术

在监控场景下，经常需要通过目标检测网络模型对高分辨率的图像进行目标检测。例如，可以通过FRCNN(Faster Region based Convolutional Neural Network，基于区域的快速卷积神经网络)模型对图像中包括的车辆、车牌等目标进行检测。

相关技术中，当通过目标检测网络模型对图像进行目标检测时，可以首先提取待检测图像的图像特征，得到多个特征图。之后，对每个特征图进行处理，得到每个特征图中的多个Proposal框，确定每个特征图中的多个Proposal框在相应特征图中的位置。之后，根据确定的多个Proposal框的位置确定感兴趣区域，进而通过对感兴趣区域进行处理来确定每个感兴趣区域是否为检测目标。

然而，由于对每个特征图进行处理后得到的Proposal框数量巨大，因此，后续确定每个特征图中的多个Proposal框的位置时计算量较大，耗时较长，严重影响目标检测网络模型的检测实时性。

发明内容

本申请实施例提供了一种目标检测方法、装置及计算机可读存储介质。所述技术方案如下：

一方面，提供了一种目标检测方法，所述方法包括：

通过目标检测网络模型对多个第一特征图进行处理，得到每个第一特征图的多个建议proposal框的尺寸参数和概率值，所述多个第一特征图是对待检测图像进行特征提取得到；

从每个第一特征图的多个proposal框的概率值中获取至少一个概率值，得到每个第一特征图对应的至少一个概率值，所述每个第一特征图对应的至少一个概率值均大于相应第一特征图的多个proposal框的概率值中的剩余概率值；

根据每个第一特征图对应的至少一个概率值所对应的proposal框的尺寸参数确定相应第一特征图中的至少一个proposal框的位置；

根据每个第一特征图中的至少一个proposal框的位置，确定所述待检测图像中的检测目标。

可选地，所述从每个第一特征图的多个proposal框的概率值中获取至少一个概率值，得到每个第一特征图对应的至少一个概率值，包括：

通过快速排序法或堆排序法或二分排序法，从每个第一特征图的多个proposal框的概率值中获取至少一个概率值，得到每个第一特征图对应的至少一个概率值。

可选地，所述通过快速排序法或堆排序法或二分排序法，从每个第一特征图的多个proposal框的概率值中获取至少一个概率值，得到每个第一特征图对应的至少一个概率值，包括：

通过所述快速排序法或堆排序法或二分排序法，从每个第一特征图的多个proposal框的概率值中获取后M个概率值；

确定获取的M个概率值中大于参考概率值的概率值，并将确定的概率值作为相应第一特征图对应的至少一个概率值。

可选地，所述根据每个第一特征图中的至少一个proposal框的位置，确定所述待检测图像中的检测目标，包括：