[发明专利]一种基于摄像机焦距变换的目标检测方法、存储介质及处理器

说明书

本发明提供了一种基于摄像机焦距变换的目标检测方法、存储介质及处理器，其中，方法包括建立第一、第二数据训练集，第一训练数据集为拍摄原图训练数据集，第二训练数据集为摄像机模拟焦距变换的目标所在区域训练数据集；设计目标检测网络，分别训练第一、第二数据训练集；调用基于第一数据训练集的目标检测网络对第一数据训练集进行检测，得出第一数据训练集目标置信度；判断第一数据训练集目标置信度是否在置信度阈值范围内，在则判断该区域内有目标物，否则改变摄像机焦距，获得该目标区域附近的第三数据训练集。通过更改摄像机焦距，使得目标在成像结果上的尺寸变大，提高被检测目标物体的置信度，减小了误检率，提升了检测性能。

【技术领域】

本发明涉及目标检测技术领域，尤其涉及一种基于摄像机焦距变换的目标检测方法、存储介质及处理器。

【背景技术】

高分辨率的无人机图像在全球范围内越来越常见，它包含大量可与维护、土地开发、疾病控制、缺陷定位、监测等应用相关联的信息。这些数据往往是通过网络传输至地面站，由地面站工作人员对图像数据进行分析，并确定其中是否有可用目标，从而对其目标所包含的信息进行分析。由于无人机往往拍摄的场景较大、飞行高度较高，使其成像结果中目标物体尺寸较小，这往往需要巨大的人力和时间去分析。随着人工智能的兴起，常规目标检测的精度得到大幅提高，很多工程应用、学术研究均将基于深度学习的目标检测算法作为研究重点。其次将目标检测算法运用在无人机上也是迫切需要的，例如无人机的监控场景中的行人计数，目标种类判断等。因此实现无人机俯拍场景下的自动目标检测是一个亟需解决的问题。

现有技术中，如有一种水面异物检测方法，解决现有技术存在水面异物检测准确率低的技术问题，只是针对无人机拍摄的水面图像进行处理，不能涵盖其他的场景，具有场景的局限性，场景较小。虽然用了基于卷积神经网络的yolo v3的目标检测算法，但对算法的图像输入要求较高，处理较为麻烦，不利于满足算法的实时要求。

还有基于深度学习的油气管道全智能巡检系统，采用无人机搭载高分辨率可见光相机从空中获得影像数据，用户可用图传设备在地面上实时看到处理后的影像；再利用其预置的深度神经网络识别器自动发现危害油气管道安全的行为；一旦发现危害管道安全的行为，则可以保存相关数据，并通过4G网络向监管部门传输位置数据、时间数据和影像数据，且触发警报。该方案主要是针对油管场景进行检测，同时是对危害油气管道安全的行为进行识别，并不包括对其目标进行检测；包括的模块较多，方法复杂。

以上技术方案都是对特定场景下的目标进行检测，不具有广泛适用性。

【发明内容】

本发明所要解决的技术问题是提供一种基于摄像机焦距变换的目标检测方法、存储介质及处理器，能够通过更改摄像机焦距，使得目标在成像结果上的尺寸变大，提高被检测目标物体的置信度，减小了误检率，提升了检测性能。

为解决上述技术问题，本发明一实施例提供了一种基于摄像机焦距变换的目标检测方法，包括：

建立第一数据训练集和第二数据训练集，所述第一训练数据集为拍摄原图训练数据集，第二训练数据集为摄像机模拟焦距变换的目标所在区域训练数据集；

设计基于深度卷积网络的目标检测网络，分别训练第一数据训练集和第二数据训练集；

调用基于第一数据训练集的目标检测网络对第一数据训练集进行检测，得出第一数据训练集目标置信度；

判断第一数据训练集目标置信度是否在置信度阈值范围内，如果在，则判断该区域内有目标物，否则则改变摄像机的焦距，获得该目标区域附近的第三数据训练集；

利用基于第二数据训练集的目标检测网络，训练第三数据训练集，获得目标在第一数据训练集中的位置信息和置信度。

优选地，建立第一数据训练集和第二数据训练集包括：摄像机拍摄目标区域视频，对所述目标区域视频进行解码，获取原图图片。