[发明专利]一种目标检测方法、装置、设备及存储介质

说明书

本发明实施例公开了一种目标检测方法、装置、设备及存储介质，通过获取待检测图片的至少一个特征序列；对各所述特征序列进行特征提取和转置处理，得到目标特征矩阵；根据各所述目标特征矩阵进行目标检测，确定目标检测结果。解决了目标检测过程中由于忽略了全局信息导致的检测结果不准确的问题。通过对特征序列进行特征提取和转置处理，使得到的目标特征矩阵中的每个点均与所有点相关，提取到图片的全局特征。进而在通过目标特征矩阵进行目标检测时可以考虑到全局特征，提高目标检测的精度。

技术领域

本发明实施例涉及图像处理技术领域，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

目标检测算法是计算机视觉重点研究方向之一，目的是检测出图片中的目标属性，包括目标的位置、尺寸和类别等信息。现有目标检测算法主要可以分为两大类。一类是利用卷积神经网络计算直接计算出目标的侯选框，相关算法有yolo、ssd等。另一类是采用图像分割的方法对从像素级层面对每个像素点的类别进行判断，从而检测出图像内的目标。现有目标检测算法特征提取层是由多层卷积神经网络组成，在神经网络算法输入端只能提取到图片局部信息，然后逐步提取到图片全局信息。

现有目标检测算法主要由卷积神经网络构成。图片输入到网络之后会经过一些列的卷积层来提取特征，然后经过预测网络得到预测结果。图片在卷积相关操作中会产生不同通道数量的特征层，并且特征尺度也会发生变化。在进行卷积操作时，新的特征层中的元素往往仅与前一层的局部特征相关，而无法考虑到全部特征。图1为现有技术中的一种卷积网络对图片进行处理时的实现示例图，进一步地说明卷积实现过程。假设所有特征的通道数量为1，输入的原始图片尺寸为8×8，卷积核大小为2×2，卷积步长为2。原始图片经过第一次卷积后得到特征1，特征1的尺寸降低到4×4。特征1中的各个点取值分别来源于图片1-g个标注内的4个点取值，即特征1中各个点仅与图片中4个点的取值有关。特征1经过卷积操作得到特征2，特征2的尺寸降低到2×2。特征2中的各个点取值分别来源于特征1中1-4个标注内的4个点取值。例如，特征2的第一个点由特征1中左上角4个点组成，而特征1左上角4个点分别由原始图片中1、2、5、6中的像素点经卷积操作得到。那么，特征2的左上角第一个点取值与原始图片中左上角1、2、4、5中的16个点有关。从上述过程可得到，卷积操作得到的特征仅仅来源于上一层的局部信息，忽略了全部信息，因此在对图片进行识别时，由于忽略了全局信息导致图片检测的准确度较低。

发明内容

本发明提供一种目标检测方法、装置、设备及存储介质，以实现对目标的准确检测。

第一方面，本发明实施例提供了一种目标检测方法，所述目标检测方法包括：

获取待检测图片的至少一个特征序列；

对各所述特征序列进行特征提取和转置处理，得到目标特征矩阵；

根据各所述目标特征矩阵进行目标检测，确定目标检测结果。

第二方面，本发明实施例还提供了一种目标检测装置，该目标检测装置包括：

序列获取模块，用于获取待检测图片的至少一个特征序列；

序列处理模块，用于对各所述特征序列进行特征提取和转置处理，得到目标特征矩阵；

检测模块，用于根据各所述目标特征矩阵进行目标检测，确定目标检测结果。

第三方面，本发明实施例还提供了一种计算机设备，该设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例中任一所述的一种目标检测方法。