[发明专利]基于级联神经网络的目标检测方法、装置及存储介质

说明书

本发明实施例提供一种基于级联神经网络的目标检测方法、装置及存储介质，属于目标检测技术领域。所述方法包括：获取待检测图像数据；利用所述级联神经网络中的第一目标检测模型对所述待检测图像数据中的目标图像进行检测，得到第一检测结果；对所述第一检测结果中的目标框经过预设倍数的放大，并将放大后的目标框内的图像数据作为第二检测结果；利用所述级联神经网络中的第二目标检测模型对所述第二检测结果中的目标图像进行检测，得到目标检测结果，其中所述第一目标检测模型与所述第二目标检测模型通过具有相同的神经网络结构训练得到。本发明实施例适用于目标检测过程。

技术领域

本发明涉及目标检测技术领域，具体地涉及一种基于级联神经网络的目标检测方法、装置及存储介质。

背景技术

目前神经网络广泛运用于图像处理、语音识别以及自然语言处理等领域。其中，图像处理的目标检测技术在智能视频监控、自动驾驶、工业监测等领域都有广泛的应用。现有的利用深度神经网络进行目标检测的方法仍存在一些问题：在复杂场景下，目标检测的识别准确率较低；目标检测的网络模型复杂度过高带来的训练过程复杂、耗时较长，同时给检测速度带来影响，难以满足目标检测的实时性要求。

发明内容

本发明实施例的目的是提供一种基于级联神经网络的目标检测方法、装置及存储介质，本发明实施例中利用第一目标检测模型进行目标检测后，再通过第二目标检测模型进行二次检测，进一步提高了目标检测的准确度，同时由于本发明中的级联神经网络中的两个模型具有相同的神经网络结构，网络模型的复杂度降低，耗费的资源量减少，保证了检测速度，能够满足实时性检测的要求。

为了实现上述目的，本发明实施例提供一种基于级联神经网络的目标检测方法，所述方法包括：获取待检测图像数据；利用所述级联神经网络中的第一目标检测模型对所述待检测图像数据中的目标图像进行检测，得到第一检测结果；对所述第一检测结果中的目标框经过预设倍数的放大，并将放大后的目标框内的图像数据作为第二检测结果；利用所述级联神经网络中的第二目标检测模型对所述第二检测结果中的目标图像进行检测，得到目标检测结果，其中所述第一目标检测模型与所述第二目标检测模型通过具有相同的神经网络结构训练得到。

进一步地，在所述获取待检测图像数据之前，所述方法还包括：将采集的具有目标图像的图像数据作为第一模型数据集；利用目标框对所述第一模型数据集中的目标图像进行标注，得到与所述第一模型数据集对应的标注数据集；预设具有相同的神经网络结构的第一神经网络和第二神经网络。

进一步地，通过下述方式训练得到所述第一目标检测模型：通过所述第一模型数据集和标注数据集，得到训练集和对应的标注训练集，以及测试集和对应的标注测试集；利用所述训练集和对应的标注训练集对所述第一神经网络进行训练，得到待定模型；利用所述待定模型对所述测试集中的目标图像进行检测，得到初步检测结果；根据所述初步检测结果与所述标注测试集的比较结果以及设定阈值，确定所述初步检测结果中的伪正样本，并由所述伪正样本得到二次训练集和二次标注训练集；利用所述二次训练集和二次标注训练集对所述待定模型进行训练，得到所述第一目标检测模型。

进一步地，所述根据所述初步检测结果与所述标注测试集的比较结果以及设定阈值，确定所述初步检测结果中的伪正样本，并由所述伪正样本得到二次训练集和二次标注训练集包括：计算所述初步检测结果中的预测边界框与所述标注测试集中对应的目标框之间的交并比；将所述交并比小于所述设定阈值的测试样本作为所述初步检测结果中的伪正样本；将所述伪正样本对应的所述测试集中的测试样本作为二次训练集，并将所述伪正样本对应的所述标注测试集中的标注测试样本作为二次标注训练集。

进一步地，通过下述方式训练得到所述第二目标检测模型：将所述标注数据集中的目标框在设定倍数范围内随机放大，并提取放大后的目标框内的图像数据作为第二模型数据集；利用所述第二模型数据集对所述第二神经网络进行训练，得到所述第二目标检测模型。