[发明专利]针对长宽比大物体的目标检测方法、系统、设备及介质

权利要求书

1.一种针对长宽比大物体的目标检测方法，其特征在于，包括以下步骤：

获取待检测的目标图像，

将所述待检测的目标图像输入训练好的目标检测模型中，其中，所述训练好的目标检测模型的损失函数包括物体长边的长度损失值与物体在长边方向的中心位置损失值，

输出所述待检测的目标图像中各物体的位置与多个类别概率值，

根据所述多个类别概率值确定出所述各物体的最终类别；

其中，所述目标检测模型的损失函数包括物体长边的长度损失值与物体在长边方向的中心位置损失值，包括：

判断物体是否为长宽比大物体，如果是，则计算长宽比大物体长边的长度损失值和物体在长边方向的中心位置损失值，

根据所述长宽比大物体长边的长度损失值和物体在长边方向的中心位置损失值构建所述目标检测模型的损失函数；

其中，所述目标检测模型的损失函数为：

其中，i表示候选区域的索引号，表示模型对候选区域的输出类别，表示候选区域对应的真实类别，表示模型对候选区域的输出位置信息，表示候选区域对应目标的真实位置信息，表示候选目标是否为正样本，表示分类的损失值，表示预测目标与真实目标位置的IoU的损失值，表示平衡分类损失和位置损失的权重，表示候选目标对应的真实目标是否为长宽比大的物体的判定值，表示预测目标的在长边方向的中心位置，表示真实目标在长边方向的中心位置，表示预测目标的长边的宽度，表示真实目标的长边的宽度，是长边损失的权重，表示正样本和负样本的数量之和，表示负样本的数量。

2.根据权利要求1所述的针对长宽比大物体的目标检测方法，其特征在于，所述目标检测模型的训练步骤包括：

采集模型训练样本，所述模型训练样本包括长宽比大物体的图像；

将所述模型训练样本输入到所述目标检测模型中，输出每个物体的位置信息与类别信息；

计算所述目标检测模型的损失值，所述目标检测模型的损失值为位置信息的IoU损失值、类别信息损失值、物体长边的长度损失值与物体在长边方向的中心位置损失值的加权和；

利用所述目标检测模型的损失值优化所述目标检测模型。

3.根据权利要求2所述针对长宽比大物体的目标检测方法，其特征在于，所述目标检测模型包括特征提取模块、分类模块与回归模块；

将所述模型训练样本输入到所述目标检测模型中，输出每个物体的位置信息与类别信息，包括：

从所述模型训练样本中获取第n图像输入所述特征提取模块中，得到图像特征图；

针对所述图像特征图的每个位置产生多个不同大小和不同长宽比的候选区域；

采用所述分类模块与所述回归模块针对所述候选区域进行分类以及位置调整后，输出所述第n图像中每个物体的位置信息与类别信息。

4.根据权利要求2所述的针对长宽比大物体的目标检测方法，其特征在于，利用所述目标检测模型的损失值优化所述目标检测模型，包括：

根据所述目标检测模型的损失值对所述目标检测模型的参数进行求导，生成局部梯度序列；

采用随机梯度下降算法以及所述局部梯度序列对所述目标检测模型进行迭代优化；

当所述迭代优化的优化次数等于预设上限值或者所述损失值小于预设阈值时，停止所述模型的优化；

生成训练好的目标检测模型。

5.根据权利要求1所述的针对长宽比大物体的目标检测方法，其特征在于，所述目标检测模型采用基于锚框的一阶段目标检测模型或采用基于锚框的二阶段目标检测模型。

6.根据权利要求1所述的针对长宽比大物体的目标检测方法，其特征在于，根据所述多个类别概率值确定出所述各物体的最终类别，包括：

选择所述多个类别概率值中的最大概率值；

识别所述选择的最大概率值对应的类别；

将所述最大概率值对应的类别确定为所述各物体的最终类别。