[发明专利]训练目标检测模型的方法、目标检测方法及电子设备

权利要求书

1.一种训练目标检测模型的方法，其特征在于，所述方法包括：

获取图像样本，所述图像样本标注有目标标签；

将所述图像样本分解为第一颜色图像样本、第二颜色图像样本和第三颜色图像样本；

将所述第一颜色图像样本、所述第二颜色图像样本和所述第三颜色图像样本分别输入预设神经网络进行迭代训练，在所述预设神经网络收敛时，获得目标检测模型；

其中，所述预设神经网络为三通道网络结构，任一通道的所述网络结构均包括特征提取模块、特征融合模块及SSH检测模块，所述第一颜色图像样本、所述第二颜色图像样本和所述第三颜色图像样本分别通过一通道的所述网络结构进行迭代训练。

2.根据权利要求1所述的方法，其特征在于，所述预设神经网络包括第一通道特征提取模块、第一通道特征融合模块及第一通道SSH检测模块；

所述将所述第一颜色图像样本、所述第二颜色图像样本和所述第三颜色图像样本分别输入预设神经网络进行迭代训练，在所述预设神经网络收敛时，获得目标检测模型，包括：

利用第一通道特征提取模块对所述第一颜色图像样本进行特征提取，获取第一颜色通道特征；

所述第一颜色通道特征通过所述第一通道特征融合模块与第二颜色通道特征和/或第三颜色通道特征进行特征融合，获得第一融合特征；

将所述第一融合特征输入所述第一通道SSH检测模块，获得多个第一预测框对应的概率和位置；

基于所述第一预测框对应的概率和位置、以及所述目标标签计算第一损失值；

根据所述第一损失值、第二损失值和第三损失值调整预设神经网络，直至预设神经网络收敛，获得所述目标检测模型；

其中，所述第一损失值、所述第二损失值及所述第三损失值分别用于指示一所述通道的损失值。

3.根据权利要求2所述的方法，其特征在于，所述基于所述第一预测框对应的概率和位置、以及所述目标标签计算第一损失值，包括：

从所述第一预测框中选择样本框，基于所述样本框对应的概率和位置、以及所述目标标签，利用第一损失函数计算第一损失值；

所述样本框包括正样本框；所述从所述第一预测框中选择样本框，包括：

计算所述第一预测框与所述目标标签对应的目标位置之间的交并比；

如果所述交并比大于第一比值，则将交并比大于第一比值的第一预测框作为正样本框。

4.根据权利要求2所述的方法，其特征在于，所述根据所述第一损失值、第二损失值和第三损失值调整预设神经网络，包括：

根据如下公式调整所述预设神经网络的损失；

其中，i表示所述预设神经网络的通道，表示第i通道的目标分类损失，p_j表示预测第j个预测框为目标的概率，表示目标标签，L_cls表示交叉熵损失函数；表示目标标签的标注框回归损失函数，box_j表示正样本框的位置，表示目标标签的标注框的位置；R函数表示鲁棒性回归函数。

5.一种目标检测方法，其特征在于，所述方法包括：

获取待测原始图像；

将所述待测原始图像分解为第一颜色通道图像、第二颜色通道图像和第三颜色通道图像；

将所述第一颜色通道图像、第二颜色通道图像和第三颜色通道图像输入目标检测模型中，获得第一通道检测结果、第二通道检测结果和第三通道检测结果，所述目标检测模型采用如权利要求1-4的方法获得。

6.根据权利要求5所述的方法，其特征在于，在所述获得第一通道检测结果、第二通道检测结果和第三通道检测结果之后，所述方法还包括：

通过S_NMS非极大值抑制算法剔除第一通道检测结果、第二通道检测结果和第三通道检测结果中的重复预测框，确定最终预测结果，包括：

获取第一通道检测结果、第二通道检测结果和第三通道检测结果中的重复预测框；

对所述重复预测框打分，获得各个重复预测框对应的得分值；

对所述得分值进行排序，且将得分值低于第一分数的重复预测框删除。