[发明专利]多类目标对象检测方法、装置、电子设备、存储介质

权利要求书

1.一种多类目标对象检测方法，其特征在于，包括：

训练第一神经网络模型以使所述第一神经网络模型输出准第一目标框和准第二目标框，所述准第一目标框指示第一类目标对象，所述准第二目标框指示第二类目标对象；

自所述第一神经网络模型训练时，所述第一神经网络模型输出的准第一目标框和准第二目标框中筛选部分所述准第一目标框和所述准第二目标框，利用所述第一神经网络模型中对应所筛选的准第一目标框和准第二目标框的特征图像，训练与所述第一神经网络模型级联的第二神经网络模型，以使所述第二神经网络模型输出所筛选的所述准第一目标框和准第二目标框的二级置信度及属性信息，所述第一类目标对象的属性信息至少包括如下属性中的一项或多项：人脸关键点、姿态、表情、模糊度，所述第二类目标对象的属性信息至少包括如下属性中的一项或多项：行人完整度、行人状态；

将经训练的所述第一神经网络模型及经训练的、级联所述第一神经网络模型级联的第二神经网络模型作为多类目标对象检测模型；

将待检测图片输入所述多类目标对象检测模型，根据所述多类目标对象检测模型输出的准第一目标框和准第二目标框的二级置信度及属性信息确定各准第一目标框及各准第二目标框的优异度，其中，所述准第一目标框和准第二目标框的优异度越高，所述准第一目标框和准第二目标框指示的目标对象的置信度越高，且所述准第一目标框和准第二目标框指示的目标对象的属性信息的数据越准确。

2.如权利要求1所述的多类目标对象检测方法，其特征在于，所述训练第一神经网络模型以使所述第一神经网络模型输出准第一目标框和准第二目标框还包括：

将测试图片数据输入第一神经网络模型，所述测试图片数据标定有第一目标框和第二目标框，所述第一目标框指示所述第一类目标对象，所述第二目标框指示所述第二类目标对象；

根据将所述第一神经网络模型输出的准第一目标框和准第二目标框分别与所述第一目标框和第二目标框进行匹配，并根据匹配结果调整所述第一神经网络模型中的参数以训练所述第一神经网络模型。

3.如权利要求2所述的多类目标对象检测方法，其特征在于，所述根据将所述第一神经网络模型输出的准第一目标框和准第二目标框分别与所述第一目标框和第二目标框进行匹配，并根据匹配结果调整所述第一神经网络模型中的参数以训练所述第一神经网络模型包括：

分别计算所述第一神经网络模型输出的准第一目标框和准第二目标框与所述第一目标框和第二目标框之间的重叠度；

根据所述重叠度将所述准第一目标框分配为第一类目标对象或其它，根据所述重叠度将所述准第二目标框分配为第二类目标对象或其它；

选取至少部分所分配的准第一目标框和准第二目标框，分别与所标定的第一目标框和第二目标框根据第一损失函数计算各准第一目标框和各准第二目标框的损失度，并根据所述损失度调整所述第一神经网络模型中的参数以训练所述第一神经网络模型。

4.如权利要求3所述的多类目标对象检测方法，其特征在于，所述第一损失函数为欧氏距离损失函数和softmax损失函数的加权和。

5.如权利要求1所述的多类目标对象检测方法，其特征在于，利用所述第一神经网络模型中对应所筛选的准第一目标框和准第二目标框的特征图像，训练与所述第一神经网络模型级联的第二神经网络模型，以使所述第二神经网络模型输出所筛选的所述准第一目标框和准第二目标框的二级置信度及属性信息包括：

对所筛选的准第一目标框和准第二目标框分配标签；

获取所述第一神经网络模型中对应所筛选的准第一目标框和准第二目标框的特征图像；

利用所筛选的准第一目标框和准第二目标框、所对应的特征图像及所分配的标签，根据第二损失函数训练所述第二神经网络模型。

6.如权利要求1所述的多类目标对象检测方法，其特征在于，所述自所述第一神经网络模型训练时，所述第一神经网络模型输出的准第一目标框和准第二目标框中筛选部分准第一目标框和准第二目标框包括：

获取所述第一神经网络模型输出的准第一目标框和准第二目标框的一级置信度；

筛选获得所述一级置信度最高的N个准第一目标框和M个准第二目标框，其中，N，M皆为大于等于1的整数。