[发明专利]目标检测方法及装置、计算机装置和计算机可读存储介质

权利要求书

1.一种目标检测方法，其特征在于，所述方法包括：

获取训练样本集，所述训练样本集包括多个标注有目标位置和目标角度类型的目标图像；

使用所述训练样本集对加速区域卷积神经网络模型进行训练，得到训练好的加速区域卷积神经网络模型，所述加速区域卷积神经网络模型包括区域建议网络和快速区域卷积神经网络，所述区域建议网络和所述快速区域卷积神经网络共享卷积层，所述卷积层提取所述训练样本集中各个目标图像的特征图，所述区域建议网络根据所述特征图获取所述各个目标图像中的候选区域以及所述候选区域的目标角度类型，所述快速区域卷积神经网络根据所述特征图对所述候选区域进行筛选和调整，得到所述各个目标图像的目标区域和所述目标区域的目标角度类型；

获取待检测图像；

利用所述训练好的加速区域卷积神经网络模型中的对所述待检测图像进行目标检测，得到所述待检测图像的目标区域和所述目标区域的目标角度类型。

2.如权利要求1所述的方法，其特征在于，所述使用所述训练样本集对加速区域卷积神经网络模型进行训练包括：

(1)使用Imagenet模型初始化所述区域建议网络，使用所述训练样本集训练所述区域建议网络；

(2)使用(1)中训练后的区域建议网络生成所述各个目标图像的候选区域，利用所述候选区域训练所述快速区域卷积神经网络；

(3)使用(2)中训练后的快速区域卷积神经网络初始化所述区域建议网络，使用所述训练样本集训练所述区域建议网络；

(4)使用(3)中训练后的区域建议网络初始化所述快速区域卷积神经网络，并保持所述卷积层固定，使用所述训练样本集训练所述快速区域卷积神经网络。

3.如权利要求1所述的方法，其特征在于，所述使用所述训练样本集对加速区域卷积神经网络模型进行训练包括：

使用反向传播算法对所述区域建议网络和所述快速区域卷积神经网络进行训练，训练过程中调整所述区域建议网络和所述快速区域卷积神经网络的网络参数，使损失函数最小化，其中所述损失函数包括目标分类损失、角度分类损失和回归损失。

4.如权利要求1至3中任一项所述的方法，其特征在于，所述加速区域卷积神经网络模型采用ZF框架，所述区域建议网络和所述快速区域卷积神经网络共享5个卷积层。

5.如权利要求1至3中任一项所述的方法，其特征在于，所述快速区域卷积网络的训练中加入负样本难例挖掘方法。

6.一种目标检测装置，其特征在于，所述装置包括：

第一获取单元，用于获取训练样本集，所述训练样本集包括多个标注有目标位置和目标角度类型的目标图像；

训练单元，用于使用所述训练样本集对加速区域卷积神经网络模型进行训练，得到训练好的加速区域卷积神经网络模型，所述加速区域卷积神经网络模型包括区域建议网络和快速区域卷积神经网络，所述区域建议网络和所述快速区域卷积神经网络共享卷积层，所述卷积层提取所述训练样本集中各个目标图像的特征图，所述区域建议网络根据所述特征图获取所述各个目标图像中的候选区域以及所述候选区域的目标角度类型，所述快速区域卷积神经网络根据所述特征图对所述候选区域进行筛选和调整，得到所述各个目标图像的目标区域和所述目标区域的目标角度类型；

第二获取单元，用于获取待检测图像；

检测单元，用于利用训练好的加速区域卷积神经网络模型中的对所述待检测图像进行目标检测，得到所述待检测图像的目标区域和所述目标区域的目标角度类型。

7.如权利要求6所述的装置，其特征在于，所述训练单元具体用于：

(1)使用Imagenet模型初始化所述区域建议网络，使用所述训练样本集训练所述区域建议网络；

(2)使用(1)中训练后的区域建议网络生成所述各个目标图像的候选区域，利用所述候选区域训练所述快速区域卷积神经网络；

(3)使用(2)中训练后的快速区域卷积神经网络初始化所述区域建议网络，使用所述训练样本集训练所述区域建议网络；

(4)使用(3)中训练后的区域建议网络初始化所述快速区域卷积神经网络，并保持所述卷积层固定，使用所述训练样本集训练所述快速区域卷积神经网络。