[发明专利]一种目标检测方法、装置、计算机设备及存储介质

权利要求书

1.一种目标检测方法，其特征在于，包括：

获得待检测图像，并将所述待检测图像输入已训练的目标检测模型，获得所述待检测图像包括的至少一个目标中每个目标分别对应的目标区域，和每个目标分别对应的检测概率最大的目标检测类别；其中，所述目标区域为水平矩形区域中，区域边界与所述水平矩形区域的区域边界不重合的内接矩形区域，所述水平矩形区域为各区域边界与所述待检测图像的对应图像边界平行的矩形区域，所述检测概率为目标检测模型检测目标属于每个目标类别的概率；

将每个目标区域校正为目标区域的每个区域边界与所述待检测图像的对应图像边界平行，并将每个校正后的目标区域输入已训练的目标分类模型，获得每个目标分别对应的分类概率最大的目标分类类别；其中，所述分类概率为目标分类模型确定目标属于每个目标类别的概率；

基于所述目标检测类别和所述目标分类类别，输出每个目标的目标检测结果；其中，所述目标检测结果用于指示目标的目标区域和目标类别。

2.根据权利要求1所述的方法，其特征在于，在将所述待检测图像输入已训练的目标检测模型，获得所述待检测图像包括的至少一个目标中每个目标分别对应的目标区域，和每个目标分别对应的检测概率最大的目标检测类别之前，还包括：

获得已标注的初始样本数据；其中，所述已标注的初始样本数据包括多个样本图像、每个样本图像中每个样本目标分别对应的初始样本目标区域和样本目标类别；所述初始样本目标区域的各个区域边界与样本图像的对应图像边界平行；

根据所述初始样本目标区域的两个内接矩形区域中，包括样本目标的内接矩形区域，确定样本目标区域；

根据多个样本图像、每个样本图像中每个样本目标分别对应的样本目标区域和样本目标类别，训练目标检测模型，获得已训练的目标检测模型。

3.根据权利要求2所述的方法，其特征在于，根据多个样本图像、每个样本图像中每个样本目标分别对应的样本目标区域和样本目标类别，训练目标检测模型，具体包括：

根据各个样本图像中的像素值的均值和/或方差，对各个样本图像进行归一化处理，获得各个归一化处理后的样本图像；

根据各个归一化处理后的样本图像、每个归一化处理后的样本图像中每个样本目标分别对应的样本目标区域和样本目标类别，训练目标检测模型。

4.根据权利要求2所述的方法，其特征在于，根据多个样本图像、每个样本图像中每个样本目标分别对应的样本目标区域和样本目标类别，训练目标检测模型，获得已训练的目标检测模型，具体包括：

将每个样本图像依次输入所述目标检测模型，获得样本图像中每个样本目标分别对应的训练目标区域和分别属于每个训练目标类别的概率；

比对所有样本图像中每个样本目标分别对应的训练目标区域，与分别对应的样本目标区域，以及每个样本目标分别属于每个训练目标类别的概率，与分别对应的样本目标类别，确定所述目标检测模型的训练损失；

根据所述训练损失，调整所述目标检测模型的模型参数，直到所述目标检测模型的训练损失收敛，获得已训练的目标检测模型。

5.根据权利要求4所述的方法，其特征在于，比对所有样本图像中每个样本目标分别对应的训练目标区域，与分别对应的样本目标区域，以及每个样本目标分别属于每个训练目标类别的概率，与分别对应的样本目标类别，确定所述目标检测模型的训练损失，具体包括：

根据每个样本目标分别对应的训练目标区域，与分别对应的样本目标区域之间的误差，确定所述目标检测模型的区域训练损失；

根据每个样本目标分别属于每个训练目标类别的概率中，概率最大的训练目标类别，与分别对应的样本目标类别之间的误差，确定所述目标检测模型的类别训练损失；

根据每个样本目标分别属于每个训练目标类别的概率，与分别对应的样本目标类别之间的置信度，确定所述目标检测模型的置信度训练损失；

基于所述目标检测模型的区域训练损失、类别训练损失和置信度训练损失之和，确定所述目标检测模型的训练损失。