[发明专利]一种物体检测方法、装置及终端设备

说明书

本申请涉及机器视觉技术领域，提出一种物体检测方法、装置及终端设备。该物体检测方法包括：获取待测图像；将所述待测图像输入预先构建的神经网络模型，得到所述待测图像的中心点位置热力图和高宽特征图；根据所述中心点位置热力图和所述高宽特征图，确定所述待测图像中具有的各个物体框；其中，该神经网络模型采用已知中心点位置热力图和高宽特征图的多张样本图像作为训练集训练得到，该中心点位置热力图用于确定所述待测图像中具有的物体中心点，该高宽特征图用于确定所述待测图像中具有的物体的高度和宽度。采用该物体检测方法，能够提高物体检测的准确性，且算法耗时较小。

技术领域

本申请涉及机器视觉技术领域，尤其涉及一种物体检测方法、装置及终端设备。

背景技术

物体检测是机器视觉领域的经典问题之一，其任务是用框去标出图像中物体的位置，并给出物体的类别。从传统的人工设计特征加浅层分类器的框架，到基于深度学习的端到端的检测框架，物体检测技术变得愈加成熟。

目前，常见的基于深度学习的物体检测方法主要有两种，第一种是以Faster RCNN为代表的物体检测方法，该方法首先通过神经网络找出一系列可能存在物体的目标区域(ROI)，接着对这些目标区域逐一进行识别，判断是哪一类物体。第二种是以YOLO为代表的物体检测方法，输入一张图片，算法直接输出物体框坐标，即物体框的左上角和右下角坐标。

然而，上述第一种方法为了尽可能地找到物体，会生成大量形状不一的目标区域，算法需要对每个目标区域进行判断，耗时严重。上述第二种方法通过使用多层卷积神经网络来提取物体的特征，但同时物体的位置信息也在深度卷积神经网络中损失，导致物体框的位置不够准确。

发明内容

有鉴于此，本申请实施例提供了一种物体检测方法、装置及终端设备，能够提高物体检测的准确性，且算法耗时较小。

本申请实施例的第一方面提供了一种物体检测方法，包括：

获取待测图像；

将所述待测图像输入预先构建的神经网络模型，得到所述待测图像的中心点位置热力图和高宽特征图；

根据所述中心点位置热力图和所述高宽特征图，确定所述待测图像中具有的各个物体框。

本申请实施例采用神经网络对待测图像进行处理，生成该待测图像的中心点位置热力图和高宽特征图，利用该中心点位置热力图找出待测图像中各个物体的中心位置，同时利用该高宽特征图确定各个物体的高度和宽度，从而完成物体检测。与现有技术相比，本申请实施例无需在待测图像中划分出多个目标区域，算法耗时较小；另外，本申请实施例采用中心点位置热力图和高宽特征图的方法确定物体的位置和尺寸，能够比较准确地找出待测图像中具有的各个物体的位置和尺寸，提高物体检测的准确性。

进一步的，在将所述待测图像输入预先构建的神经网络模型之前，还可以包括：

对所述待测图像进行裁剪处理以及归一化处理。

通过对待测图像进行裁剪处理，可以得到指定尺寸的适合模型处理的图像，而对待测图像进行归一化处理，能够降低模型处理的计算量，提高物体检测效率。

具体的，对所述待测图像进行归一化处理，可以包括：

针对所述待测图像中的每个像素点，均将各自的RGB值减去最小RGB值，然后除以最大RGB值；

其中，所述最小RGB值为所述待测图像中RGB值最小的像素点的RGB值，所述最大RGB值为所述待测图像中RGB值最大的像素点的RGB值。

归一化处理是为了将原始的RGB图像(取值范围为0-255)映射到0-1的范围内处理，能够减小模型计算量，提高图像处理的速度。具体的操作方式是将每个像素点的RGB值减去图像中的最小RGB值，然后除以图像中的最大RGB值。