[发明专利]图像目标检测方法、装置、存储介质及设备

权利要求书

1.一种图像目标检测方法，其特征在于，包括步骤：

S1：获取视频流媒体的帧数据，利用卷积神经网络模型对帧数据进行特征图提取，以得到特征图片；

S2：将所述特征图片输入到目标检测模型的边框区域网络，对特征图中片可能存在的目标进行边框确定，输出边框区域信息，所述卷积神经网络模型和目标检测模型均是基于城管案件图片训练得到的；

S3：将所述边框区域信息与所述特征图片一并输入到目标检测模型的特征图池化层，得到兴趣区域特征图；

S4：将所述兴趣区域特征图送入卷积神经网络模型的网络全连接层，检测出目标物体的位置和类别。

2.如权利要求1所述的图像目标检测方法，其特征在于，所述S1之前还包括：训练所述卷积神经网络模型的步骤：

S101：将城管案件图片作为样本图片进行分类并标记类别，人工过滤模糊图片，形成预训练模型案件图片库；

S102：对案件图片库中的图片进行数据增强处理和预处理；

S103：对VGG16分类网络模型进行微调，初始化VGG16分类网络模型中后三层的权重，并将VGG16分类网络中的类别设为要识别的城管案件类别；

S104：根据要识别的城管案件类别的类别数指定新的全连接层的选项，并将全连接层输出大小设置为与所述类别数相同的大小；

S105：设置VGG16分类网络的训练参数；

S106：VGG16分类网络对样本图片进行特征提取；

S107：通过迭代对VGG16分类网络模型的网络权重进行优化，得到优化后的VGG16分类网络模型；

S108：根据优化后的网络权重对VGG16分类网络模型进行调整，包括对训练参数的调整；

S109：利用调整好的训练参数，返回步骤S106继续训练VGG16分类网络，直到损失曲线趋于平稳或者达到指定迭代次数则训练完成。

3.如权利要求2所述的图像目标检测方法，其特征在于，所述步骤S109之后和步骤S1之前还包括：训练目标检测模型的步骤：

S110对所述样本图片进行兴趣点标记；

S111：采用兴趣点标记后的图片单独训练边框区域网络，以得到图片的边框信息，边框区域网络的网络权重为训练完成的VGG16分类网络模型的网络权重；

S112：利用VGG16网络权重和上一步边框区域网络生成的边框区域信息作为Fast-RCNN的输入，将边框区域信息进行特征提取，然后通过特征图池化层和全连接层输出两条支路，一条是目标分类，另一条是边框区域回归；

S113：再次训练边框区域网络，固定特征提取层、特征图池化层、全连接层的参数，只更新边框区域网络独有部分的参数，所述全连接层用于目标分类，所述特征池化层带有边框信息，用于边框区域回归；

S114：对边框区域网络的结果再次微调S112部分的参数，固定边框区域网络的参数，只更新步骤S112独有部分的参数，完成目标检测模型训练。

4.一种图像目标检测装置，其特征在于，包括用于执行如权利要求1～3中任一项所述的方法的单元。

5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1～3中任一项所述的方法。

6.一种图像目标检测设备，其特征在于，包括：处理器、网络接口和存储器，所述处理器、所述网络接口和所述存储器相互连接，其中，所述网络接口受所述处理器的控制用于收发消息，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1～3中任一项所述的方法。