[发明专利]一种目标检测方法及系统

说明书

本发明公开了一种目标检测方法及系统，其中方法包括：对样本图像进行初始化尺寸分类，根据聚类结果中分类数量确定网络结构中卷积层的层数，以确定特征提取网络；将待检测图像输入特征提取网络，确定不同尺寸的特征图；分别将各个特征图输入区域生成网络，生成对应的候选区域特征图；根据各个特征图以及对应的候选区域特征图，确定目标区域特征图；对目标区域特征图进行分类检测，确定目标检测结果。本发明实现了小目标物体的检测，适应了不同尺寸的目标对象，并有效提高了底层细节信息的提取精度，实现多尺度特征图进行分类和位置回归，有效地提高了各种尺寸目标物体的检测精度，尤其有效缓解了对小目标物体的漏检、误检问题。

技术领域

本发明涉及计算机视觉领域，具体涉及一种目标检测方法及系统。

背景技术

目标检测是计算机视觉领域研究中十分重要的一个方向，是很多计算机视觉应用的基础，近些年随着深度学习技术的火热发展，物体检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。尽管当前的物体检测算法使得物体检测精度大幅提升，但是由于现有的物体检测算法中都是预定好大小和数量的锚框，通常不能有效覆盖不同尺寸的目标物体，尤其是小尺寸的目标，从而造成目标的漏检和错检。

发明内容

有鉴于此，本发明实施例提供了一种目标检测方法及系统，解决现有技术中由于锚框大小和数量都是预定好的，不能覆盖不同尺寸的目标物体，导致目标的漏检和错检的问题。

本发明实施例提供了一种目标检测方法，包括：对样本图像进行初始化尺寸分类，根据聚类结果中分类数量确定网络结构中卷积层的层数，以确定特征提取网络；将待检测图像输入特征提取网络，确定不同尺寸的特征图；分别将各个所述特征图输入区域生成网络，生成对应的候选区域特征图；根据各个所述特征图以及对应的候选区域特征图，确定目标区域特征图；对所述目标区域特征图进行分类检测，确定目标检测结果。

可选地，所述对样本图像进行初始化尺寸分类，根据聚类结果中分类数量确定网络结构中卷积层的层数，包括：对样本图像进行初始化尺寸分类，确定多个标注信息；获取聚类结果中的所有聚类中心点，计算当前标注信息到各个所述聚类中心点的距离；判断所述距离是否小于预设距离阈值，当所述距离小于预设距离阈值时，对当前标注信息进行分类；根据聚类结果中的分类数量，确定网络结构中卷积层的层数。

可选地，所述获取聚类结果中的所有聚类中心点，包括：将当前标注信息确定为当前聚类中心点，分别计算各个所述标注信息到各个预设聚类中心的距离之和；基于所述距离之和利用线性概率模型确定当前聚类中心的下一聚类中心点，直到找到预设个数的聚类中心点。

可选地，在所述对当前标注信息进行分类之后，所述方法还包括：重新计算所述聚类结果中各个聚类中心点，确定对应的目标聚类中心，直到各个所述目标聚类中心满足预设条件。

可选地，通过以下公式重新计算目标聚类中心(W_i′，H_i′)：

其中，(W_i′，H_i′)表示第i个目标聚类中心对应标注信息的宽和高，N_i表示第i个聚类簇中的标注信息的个数，(w_i^*，h_i^*)表示第i个标注信息的宽和高。

可选地，通过以下公式计算当前标注信息到聚类中心点的距离：

d＝1-IOU[(x_j,y_j,w_j^*,h_j^*),(x_j,y_j,W_i,H_i)]