[发明专利]一种目标检测方法、装置、设备及存储介质

说明书

本申请公开了一种目标检测方法、装置、设备及存储介质，该方法包括：通过对待检测图像进行零像素扩展，以将待检测图像扩展为正方形图像；将正方形图像输入预先训练的尺寸调整模型中，得到尺寸调整模型输出的目标图像；其中，尺寸调整模型中的卷积网络配置有可变形卷积层和下采样层；将目标图像输入预先训练的目标检测模型中，得到目标检测模型输出的检测结果，并根据检测结果确定待检测图像中的目标对象。通过上述技术手段，解决现有技术中待检测图像的特征丢失和变形导致目标检测的准确度低的问题，保证深度学习模型提取到的图像特征数据的完整性和准确性，提高目标检测的准确度。

技术领域

本申请实施例涉及计算机视觉技术领域，尤其涉及一种目标检测方法、装置、设备及存储介质。

背景技术

目标检测技术是计算机视觉中用于在图像中定位目标对象的技术，目标检测技术一般通过深度学习模型检测出图像中的目标对象。但深度学习模型的输入图像为固定尺寸，而待检测图像的尺寸不一，因此需要对待检测图像进行预处理，将待检测图像转换为满足深度学习模型的尺寸要求的图像。

目前目标检测中的预处理方法是根据待检测图像尺寸和深度学习模型的输入图像尺寸的比例，通过插值法缩放待检测图像。但该预处理方法在缩放图像时往往会丢失部分图像特征并导致图像特征变形，影响深度学习模型提取到的图像特征数据的完整性和准确性，降低目标检测的准确度。

发明内容

本申请实施例提供一种目标检测方法、装置、设备及存储介质，解决现有技术中待检测图像的特征丢失和变形导致目标检测的准确度低的问题，保证深度学习模型提取到的图像特征数据的完整性和准确性，提高目标检测的准确度。

第一方面，本申请实施例提供了一种目标检测方法，包括：

对待检测图像进行零像素扩展，以将所述待检测图像扩展为正方形图像；

将所述正方形图像输入预先训练的尺寸调整模型中，得到所述尺寸调整模型输出的目标图像；其中，所述尺寸调整模型中的卷积网络配置有可变形卷积层和下采样层；

将所述目标图像输入预先训练的目标检测模型中，得到所述目标检测模型输出的检测结果，并根据所述检测结果确定所述待检测图像中的目标对象。

进一步的，所述将所述正方形图像输入预先训练的尺寸调整模型中，得到所述尺寸调整模型输出的目标图像，包括：

将所述正方形图像输入第一卷积网络，得到所述第一卷积网络输出的第一特征图像，所述第一卷积网络包括两个卷积层；

将所述第一特征图像输入第二卷积网络，得到所述第二卷积网络输出的第二特征图像，所述第二卷积网络包括两个可变形卷积层和一个下采样层；

将所述正方形图像输入第一下采样层，并将所述第一下采样层的输出与所述第二特征图像相加，得到所述目标图像。

进一步的，所述将所述第一特征图像输入第二卷积网络，得到所述第二卷积网络输出的第二特征图像，包括：

将所述第一特征图像输入第二下采样层，得到所述第二下采样层输出的第三特征图像；

将所述第三特征图像输入第一可变形卷积层，并将所述第一可变形卷积层的输入与输出相加，得到第四特征图像；

将所述第四特征图像输入第二可变形卷积层，得到所述第二可变形卷积层输出的第二特征图像。

进一步的，所述将所述目标图像输入预先训练的目标检测模型中，得到所述目标检测模型输出的检测结果，并根据所述检测结果确定所述待检测图像中的目标对象，包括：

将所述目标图像输入所述目标检测模型，得到所述目标检测模型输出的热图，并确定所述热图中的关键点；