[发明专利]一种目标检测方法、装置及可读存储介质

说明书

本发明公开了一种目标检测方法、装置及可读存储介质，涉及计算机视觉及机器学习领域。该方法主要包括：根据实际情况定义具体的目标检测模块；对高分辨率的输入图像预处理后进行检测；从检测结果中筛选出初定位置和需复检位置；对复检位置进行融合后再检测；递归这一过程直到不需要再复检；将所有初定结果融合后即为最终结果。常用的神经网络模型分辨率较低，该方法充分利用了图像的高分辨率，旨在提高现有检测方法的检测精度，降低漏检率，特别适用于高分辨率图像上的小目标检测。

技术领域

本发明涉及计算机视觉与机器学习领域，尤其涉及一种目标检测方法、装置及可读存储介质。

背景技术

在各种基于神经网络模型的图像目标检测算法中，模型设定的输入分辨率较低，一般为几百，如经典的YOLO模型输入为416*416，VGG为224*224。不论原始图像的分辨率如何，都要变换到设定的分辨率，然后输入模型进行检测，之后再将检测结果映射到原始图像上。

然而，随着技术的发展，日常中常用的设备如手机、相机、监控摄像头等，其拍摄的照片分辨率常为1080P(1920*1080)、2K(2560*1440)、4K(3840*2160)甚至更高的分辨率。这样就产生了一个问题：在输入图片上相对清晰的物体，经预处理后输入到检测模型时，已经变得模糊与微小，导致漏检或检测精度不高。

在低分辨率图像上的小目标，放大分辨率后，能够增强其特征。

发明内容

本发明的主要目的在于提供一种目标检测方法、装置及其可读存储介质，旨在提高现有检测方法的检测精度，降低漏检率，特别适用于高分辨率图像上的小目标检测。

本发明的技术方案如下：

一种目标检测方法，其特征在于，包括如下步骤：

步骤1)：根据实际的检测对象，来定义具体的目标检测模块；

步骤2)：给定原始图像作为输入图像，若原始图像的分辨率较低，则增加分辨率作为输入图像；

步骤3)：将输入图像整体预处理后输入到定义好的目标检测模块中进行检测，得到一批目标位置及相关参数；

步骤4)：按照设定的筛选策略，从得到的目标位置中筛选出初定位置和复检位置；

步骤5)：根据精度和效率要求，判读是否结束本次复检，若不结束，则跳到步骤6)；若所有复检都结束，则跳到步骤8)；

步骤6)：将复检位置按照设定的融合策略进行融合之后，作为待处理的复检位置；

步骤7)：从输入图像上取出待处理的复检位置附近的图像作为新的输入图像，递归性地跳转到步骤3)，重复上述检测、筛选再检测的过程；

步骤8)：将所有初定位置融合后得到结果。

所述的一种目标检测方法，其特征在于，所述步骤1)中的目标检测模块采用传统手工特征的检测方法或基于神经网络的方法；所述目标检测模块为基于神经网络的方法时使用公开的预训练模型或在公开数据集上训练，也可使用在自定义数据集上训练后以实现特定目标的检测。

所述的一种目标检测方法，其特征在于，所述步骤2)中的原始输入图像，为一张图片，或为视频中的一帧或由多帧按照一定方法融合成的一帧；所述步骤2)中的增加分辨率的方法为插值；所述步骤3)中的预处理包括图像的灰度变换、尺寸变换、填充或剪裁；所述步骤3)中将输入图像经过预处理后输入到目标检测模块，采用单张或批量的输入；所述步骤4)中的目标位置的筛选因素包括置信度、所在位置、面积、区域颜色或灰度特征，其中某一候选目标位置可同时筛选为初定位置和复检位置；所述步骤5)中的结束判断因素为递归深度，递归到设定深度则不再递归。