[发明专利]一种目标检测方法、装置、存储介质及终端

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：

获取待检测的目标图像；

将所述待检测的目标图像输入预先训练的目标检测模型中；其中，所述预先训练的目标检测模型的损失函数是根据位置损失值来构建的，所述位置损失值是根据中心范围半径确定的，所述中心范围半径是根据目标物体的标签中宽和高来确定的；

输出所述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。

2.根据权利要求1所述的方法，其特征在于，按照下述步骤生成预先训练的目标检测模型，包括：

采集包含多种物体的图像，并针对所述图像中的每种物体构建物体标签后生成模型训练样本；

创建目标检测模型；

从所述模型训练样本中获取第n图像输入所述目标检测模型中，输出所述图像中每个候选区域的类别信息与位置信息；

获取所述第n图像中包含的物体上标注的位置标签与类别标签；

根据输出的所述位置信息、输出的所述类别信息以及所述物体上标注的位置标签与类别标签生成目标检测模型的损失值；

基于所述模型的损失值优化所述目标检测模型，生成训练后的目标检测模型；

将所述训练后的目标检测模型确定为预先训练的目标检测模型。

3.根据权利要求2所述的方法，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；

所述从所述模型训练样本中获取第n图像输入所述目标检测模型中，输出所述图像中每个候选区域的类别信息与位置信息，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长宽比的候选区域；

采用所述分类模块与回归模块针对所述候选区域进行分类以及位置调整后，输出图像中每个候选区域的类别信息与位置信息。

4.根据权利要求2所述的方法，其特征在于，所述根据输出的所述位置信息、输出的所述类别信息以及所述物体上标注的位置标签与类别标签生成目标检测模型的损失值，包括：

获取所述物体的位置标签中物体的宽和高；

计算所述物体分别在宽和高两个方向上的中心范围半径，生成第一范围半径与第二范围半径；

根据所述第一范围半径、所述第二范围半径、所述位置信息以及所述位置标签计算位置损失值；

根据所述类别信息与所述类别标签计算分类损失值；

将所述位置损失值与分类损失值求和后生成目标检测模型的损失值。

5.根据权利要求2所述的方法，其特征在于，所述基于所述模型的损失值优化所述目标检测模型，生成训练后的目标检测模型，包括：

根据所述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模型的损失值小于预设阈值时，停止所述模型的优化；

生成训练后的目标检测模型。

6.根据权利要求5所述的方法，其特征在于，所述当所述迭代优化的优化次数等于预设上限值或者所述模型的损失值小于预设阈值时，停止所述模型的优化，包括：

当所述迭代优化的优化次数小于预设上限值或者所述模型的损失值大于等于预设阈值时，继续执行从所述模型训练样本中获取第n+1图像输入所述目标检测模型中的步骤；当所述n+1大于所述模型训练样本的数量时，对所述模型训练样本中图像的顺序进行随机排列后，重置n＝1。

7.根据权利要求1所述的方法，其特征在于，所述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。

8.根据权利要求4所述的方法，其特征在于，所述生成目标检测模型的损失值时，还包括计算宽高损失值。