[发明专利]基于深度神经网络的目标检测方法、装置、存储介质及嵌入式设备

说明书

本申请实施例公开了一种基于深度神经网络的目标检测方法、装置、存储介质及嵌入式设备，涉及目标检测领域。本申请加载模型配置文件，利用模型配置文件配置深度神经网络，配置完成后采集当前帧图像，基于配置的深度神经网络对当前帧图像进行前向推理，基于当前帧图像进行前向推理的过程中同时会采集下一帧图像，即将图像采集和前向推理的过程进行并行执行，这样可以提高目标检测的速度和效率，从而进一步提高输出视频的帧率。

技术领域

本申请涉及目标检测领域，尤其涉及一种基于深度神经网络的目标检测方法、装置、存储介质及嵌入式设备。

背景技术

随着人工智能的发展深度神经网络的应用场景越来越广泛，例如：语音识别、计算机视觉、自然语言处理等各方面，尤其在车辆辅助驾驶系统、智能视频监控系统、机器人、武鄂人机、人机交互系统等嵌入式设备上得到大量应用。嵌入式设备的硬件资源受限，深度神经网络的网络结构较为复杂且网络参数较多，因此深度神经网络在嵌入式设备上运行的速度和效率较低。

发明内容

本申请实施例提供了基于深度神经网络的目标检测方法、装置、存储介质及嵌入式设备，可以解决现有技术中深度神经网络在嵌入式设备上运行速度和效率较低的问题。所述技术方案如下：

第一方面，本申请实施例提供了一种基于深度神经网络的目标检测方法，所述方法包括：

加载模型配置文件，以及基于所述模型配置文件配置深度神经网络；

采集当前帧图像；

基于所述当前帧图像对所述深度神经网络进行前向推理，以及在前向推理过程中采集下一帧图像；

若根据前向推理结果在所述当前帧图像中检测到目标对象，标记出所述目标对象在所述当前帧图像中的位置。

在一个或多个可能的实施例中，所述深度神经网络包括至少一个卷积层，所述至少一个卷积层采用network in network结构。

在一个或多个可能的实施例中，所述深度神经网络为改进的Gaussian YOLOv3网络，改进的Gaussian YOLOv3网络由13个卷积层、5个池化层、11个批处理归一化层、11个激活层、1个上采样层、2个路由层和2个高斯定位层组成，改进的Gaussian YOLOv3网络中第13、20、27、33、36和44层为卷积层且卷积核大小为1×1。

在一个或多个可能的实施例中，所述模型配置文件为操作符集合文件，所述操作符集合文件是编译器对h5文件进行编译得到，所述h5文件是计算机设备利用keras或DrakNet深度学习框架训练得到的。

在一个或多个可能的实施例中，所述加载模型配置文件，以及基于所述模型配置文件配置深度神经网络，包括：

从闪存中读取模型配置文件，解析所述模型配置文件得到网络权重参数和网络结构参数，基于所述网络权重参数和所述网络结构参数配置深度神经网络。

在一个或多个可能的实施例中，所述基于所述当前帧图像对所述深度神经网络进行前向推理，以及在前向推理过程中采集下一帧图像，包括：

通过前向推理线程基于所述当前帧图像对所述深度神经网络进行前向推理；

在开始执行前向推理时，通过所述前向推理线程向采集线程发送推理执行指令，所述推理执行指令用于指示所述采集线程采集下一帧图像。

在一个或多个可能的实施例中，通过矩形的检测框在当前帧图像中标记出目标对象的位置。

第一方面，本申请实施例提供了一种基于深度神经网络的目标检测装置，包括：

配置单元，用于加载模型配置文件，以及基于所述模型配置文件配置深度神经网络；

采集单元，用于采集当前帧图像；