[发明专利]密集目标检测方法、电子设备及相关产品

权利要求书

1.一种密集目标检测方法，其特征在于，应用于电子设备，所述方法包括：

获取待处理图像；

对所述待处理图像进行预处理，得到第一图像；

将所述第一图像输入到预设神经网络模型中，得到第一候选框信息，所述预设神经网络模型包括主干网、分类与回归子网络以及中心点检测网络，所述主干网用于获取图像的特征图，所述分类与回归子网络用于获取特征图的候选框信息；所述中心点检测网络用于获取图像的中心点特征图，对获取的回归框信息进行重排，以获取重排后的候选框信息，所述第一候选框信息为重排后的候选框信息；

采用非极大值抑制方式对所述第一候选框信息进行筛选，得到第二候选框信息。

2.根据权利要求1所述的方法，其特征在于，在所述获取待处理图像之前，所述方法还包括：

获取初始神经网络模型，所述初始神经网络模型包括所述主干网、所述中心点检测网络和所述分类与回归子网络；

获取样本图像；

采用基于中心点反馈的自适应mosaic增强方式通过所述主干网和所述中心点检测网络对所述样本图像进行训练，得到训练结果；

通过所述分类与回归子网络对所述训练结果进行提炼，得到提炼结果；

通过所述中心点检测网络对所述训练结果的候选框进行重排，得到更新后的候选框；

通过所述更新后的候选框和所述提炼结果调节所述初始神经网络模型的模型参数；

将模型参数符合预设要求的所述初始神经网络模型作为所述预设神经网络模型。

3.根据权利要求2所述的方法，其特征在于，所述采用基于中心点反馈的自适应mosaic增强方式通过所述主干网和所述中心点检测网络对所述样本图像进行训练，得到训练结果，包括：

通过所述主干网获取所述样本图像的标记框，得到P个标记框，所述P为正整数；

通过所述中心点检测网络确定所述P个标记框中所有标记框的中心点之间的平均距离；

以所述P个标记框中每一标记框的中心点为中心、所述平均距离为直径的圆形区域中数量最小且大于第一预设值的区域的中心数量；

以所述中心数量对应的中心点为圆心、所述平均距离为直径对预测点进行区域划分，并记所有区域点数大于或等于第二预设值的区域为密集区域集；

确定所述密集区域集中所有点的损失与基于中心点监督的损失函数的占比；

在所述占比大于第三预设值时，则使用所述样本图像继续训练；

在所述占比小于或等于所述第三预设值时，则采用mosaic对所述样本图像进行拼接增强，再基于拼接增强后的所述样本图像进行训练。

4.根据权利要求2或3所述的方法，其特征在于，所述通过所述分类与回归子网络对所述训练结果进行提炼，得到提炼结果，包括：

对检测器得到回归子网络中得到的特征向量进行DCN处理，得到处理结果；

将所述处理结果融合至所述回归子网络和所述检测器的分类子网络；

获取所述回归子网络和所述分类子网络的预测结果；

将所述预测结果映射到所述样本图像的特征图上，并对每个投影点的特征进行DCN，得到边界框；

对所述边界框进行卷积和回归处理，得到目标偏移量；

基于所述目标偏移量与最初的特征进行卷积，得到新的候选框。

5.根据权利要求2或3所述的方法，其特征在于，所述通过所述更新后的候选框和所述提炼结果调节所述初始神经网络模型的模型参数，包括：

获取所述初始神经网络模型的目标损失函数，所述损失函数由所述主干网的损失函数和所述分类与回归子网络的损失函数,以及中心点检测网络的损失函数构成；

通过所述更新后的候选框、所述提炼结果和所述目标损失函数调节所述初始神经网络模型的模型参数。