[发明专利]目标检测方法、装置和电子设备

说明书

本发明提供了一种目标检测方法、装置和电子设备，包括：获取包含目标对象的待检测图像；采用域适应的目标检测模型对待检测图像进行目标检测，得到目标对象在待检测图像中的位置坐标和/或待检测图像中目标对象的类别的检测结果，域适应的目标检测模型为预先通过不同域的训练样本数据对原始目标检测模型进行训练得到的，且训练样本数据中相同训练对象在不同域的高维特征距离分布一致。本发明的方法是采用域适应的目标检测模型对待检测图像进行的检测，域适应的目标检测模型具有跨域检测的能力，能够对任何场景(域)的待检测图像进行准确的检测。

技术领域

本发明涉及图像处理的技术领域，尤其是涉及一种目标检测方法、装置和电子设备。

背景技术

目前，基于深度神经网络的通用物体检测方法(General Object Detection)已经被广泛应用于各行各业，常见的人脸检测/行人检测在手机终端为人们所熟知，车辆检测/违规事件检测在城市管理中也发挥了非常大的作用。

但是，目前常见的通用物体检测方法对于场景(域)的改变，检测效果通常会有比较大的改变。一个比较典型的例子，针对不同天气获取的视频图像，输入检测模型进行检测，意味着检测模型需要处理多种多样的场景变化，但是在实际场景下晴天是比较高频的天气，雾天或雨天是很低频的天气，检测模型在晴天场景下的检测效果往往很好，但是在雾天或雨天对于同样的物体可能无法检出或者检测错误。

综上，现有的目标检测方法在进行跨域目标的检测时，准确性差，效果不好。

发明内容

有鉴于此，本发明的目的在于提供一种目标检测方法、装置和电子设备，以缓解现有的目标检测方法在进行跨域目标的检测时，准确性差，效果不好的技术问题。

第一方面，本发明实施例提供了一种目标检测方法，包括：获取包含目标对象的待检测图像；采用域适应的目标检测模型对所述待检测图像进行目标检测，得到检测结果，其中，所述检测结果包括：所述目标对象在所述待检测图像中的位置坐标和/或所述待检测图像中所述目标对象的类别，所述域适应的目标检测模型为预先通过不同域的训练样本数据对原始目标检测模型进行训练得到的，且所述训练样本数据中相同训练对象在不同域的高维特征分布一致。

进一步的，所述域适应的目标检测模型包括：特征提取模块和目标检测模块，采用域适应的目标检测模型对所述待检测图像进行目标检测包括：将所述待检测图像输入至所述特征提取模块，输出得到所述待检测图像的图像特征图；将所述图像特征图输入至所述目标检测模块，输出得到所述检测结果。

进一步的，所述方法还包括：部署所述原始目标检测模型；获取多组不同域的训练样本数据，其中，多组所述不同域的训练样本数据为按照训练对象的不同进行分组的训练样本数据，每组所述不同域的训练样本数据中包括：多张不同域的训练样本图像、标注的所述训练样本图像中训练对象的第二位置坐标和/或标注的所述训练样本图像中训练对象的第二类别标签、任意两种不同域的训练样本图像的训练对象特征之间的第二特征距离；通过多组所述不同域的训练样本数据对所述原始目标检测模型进行训练，得到所述域适应的目标检测模型。

进一步的，所述原始目标检测模型包括：原始特征提取模块和原始目标检测模块，通过多组所述不同域的训练样本数据对所述原始目标检测模型进行训练包括：将每组所述不同域的训练样本数据输入至所述原始特征提取模块，输出得到每张所述训练样本图像的特征图；将所述特征图输入至所述原始目标检测模块，输出得到检测的所述训练样本图像中训练对象的第一位置坐标和/或检测的所述训练样本图像中训练对象的第一类别标签；对所述特征图进行实例特征提取，得到训练对象特征，并基于所述训练对象特征计算任意两种不同域的相同训练对象的训练对象特征之间的第一特征距离；基于所述第一位置坐标和/或所述第一类别标签、所述第二位置坐标和/或所述第二类别标签、所述第一特征距离和所述第二特征距离对所述原始目标检测模型进行训练。

进一步的，对所述特征图进行实例特征提取包括：根据所述第二位置坐标在对应的特征图中抠取训练对象对应的特征，得到所述训练对象特征。