[发明专利]一种目标检测方法、装置、存储介质及终端

说明书

本发明公开了一种目标检测方法、装置、存储介质及终端，方法包括：获取待检测的目标图像；将待检测的目标图像输入预先训练的目标检测模型中；其中，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，位置损失值是根据中心范围半径确定的，中心范围半径是根据目标物体的标签中宽和高来确定的；输出目标图像中各物体的位置与多个类别概率值；根据多个类别概率值确定出各物体的最终类别。因此，由于本申请通过中心范围半径确定模型的损失值，使得将目标中心位置优化从回归单个像素改进成回归到中心像素周围的小范围，从而提升了模型针对目标检测的鲁棒性和泛化能力。

技术领域

本发明涉及计算机视觉技术领域，特别涉及一种目标检测方法、装置、存储介质及终端。

背景技术

目标检测是计算机视觉和数字图像处理的重要研究方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域。目标检测的目标是找出图像中感兴趣的对象，包含物体定位和物体分类两个子任务，即同时确定物体的类别和位置。

在现有技术中，利用神经网络结合大量图片数据进行训练的目标检测模型已经成为行业的主流模型训练方式。基于神经网络的算法基本上可以归为两类：以Faster R-CNN为代表的两阶段算法和以YOLO、SSD等为代表的一阶段算法。在应用阶段，传统的目标检测算法输出目标的中心点位置(x’,y’)以及包含目标的最小外接矩形的宽w’和高h’。在训练阶段，当模型输出的中心点位置(x’,y’)和真实标签中的中心点位置(x,y)不一致时，模型将会产生损失，即使输出的中心点紧挨着真实中心点，模型也将产生损失并对损失进行优化，由于物体的位置标签往往不是绝对准确，物体的中心位置应该是由中心坐标点附近一小范围来定义，而非单一像素点来定义。因此当模型输出的中心点坐标位于真实中心范围内时，模型不应该产生损失。若此时仍产生损失，则可能降低检测模型的鲁棒性和泛化能力。

发明内容

本申请实施例提供了一种目标检测方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

第一方面，本申请实施例提供了一种目标检测方法，方法包括：

获取待检测的目标图像；

将待检测的目标图像输入预先训练的目标检测模型中；其中，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，位置损失值是根据中心范围半径确定的，中心范围半径是根据目标物体的标签中宽和高来确定的；

输出目标图像中各物体的位置与多个类别概率值；

根据多个类别概率值确定出各物体的最终类别。

可选的，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；

从模型训练样本中获取第n图像输入目标检测模型中，输出图像中每个候选区域的类别信息与位置信息；

获取第n图像中包含的物体上标注的位置标签与类别标签；

根据输出的位置信息、输出的类别信息以及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；

基于模型的损失值优化目标检测模型，生成训练后的目标检测模型；

将训练后的目标检测模型确定为预先训练的目标检测模型。

可选的，目标检测模型包括特征提取模块、分类模块与回归模块；