目标检测方法、装置、计算机可读存储介质及计算机设备制造方法及图纸

本申请涉及一种目标检测方法、装置、存储介质及计算机设备，方法包括：获取待测图像；提取所述待测图像对应的第一图像特征和第二图像特征；根据所述第二图像特征进行空洞卷积，得到所述待测图像对应的第三图像特征；根据所述第一图像特征和所述第三图像特征进行分类及回归，确定所述待测图像中的目标对象所对应的候选位置参数以及与所述候选位置参数对应的置信度；按照所述置信度从各所述候选位置参数中筛选出有效位置参数，并根据所述有效位置参数确定所述待测图像中目标对象所在的位置。本申请中的方案能够提高目标检测的鲁棒性及减少耗时。

Target Detection Method, Device, Computer Readable Storage Media and Computer Equipment

【技术实现步骤摘要】
目标检测方法、装置、计算机可读存储介质及计算机设备
本申请涉及计算机
，特别是涉及一种目标检测方法、装置、计算机可读存储介质及计算机设备。
技术介绍
随着计算机技术的发展，人们越来越多地通过图像来传递信息，而图像中承载的内容也越来越丰富多样。目标检测是图像处理中的重要分支，具体是指确定图像中目标对象所在的位置。传统的目标检测方式，是通过在图像中查找目标对象上的定位点来确定目标对象在图像中的位置。以目标对象是二维码为例，在图像中查找设置在二维码的三个顶点处的定位标志，从而确定二维码在图像中的位置。然而，传统的目标检测方式鲁棒性不佳且耗时长。
技术实现思路
根据此，有必要针对传统技术中鲁棒性不佳且耗时长的技术问题，提供一种目标检测方法、装置、计算机可读存储介质及计算机设备。一种目标检测方法，包括：获取待测图像；提取所述待测图像对应的第一图像特征和第二图像特征；根据所述第二图像特征进行空洞卷积，得到所述待测图像对应的第三图像特征；根据所述第一图像特征和所述第三图像特征进行分类及回归，确定所述待测图像中的目标对象所对应的候选位置参数以及与所述候选位置参数对应的置信度；按照所述置信度从各所述候选位置参数中筛选出有效位置参数，并根据所述有效位置参数确定所述待测图像中目标对象所在的位置。一种目标检测装置，包括：待测图像获取模块，用于获取待测图像；图像特征获取模块，用于提取所述待测图像对应的第一图像特征和第二图像特征；空洞卷积处理模块，用于根据所述第二图像特征进行空洞卷积，得到所述待测图像对应的第三图像特征；候选参数获取模块，用于根据所述第一图像特征和所述第三图像特征进行分类及回归，确定所述待测图像中的目标对象所对应的候选位置参数以及与所述候选位置参数对应的置信度；目标位置确定模块，用于按照所述置信度从各所述候选位置参数中筛选出有效位置参数，并根据所述有效位置参数确定所述待测图像中目标对象所在的位置。一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述目标检测方法中的步骤。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述目标检测方法中的步骤。上述目标检测方法、装置、计算机可读存储介质及计算机设备，提取待测图像对应的第一图像特征和第二图像特征，再根据第二图像特征进行空洞卷积，得到待测图像对应的第三图像特征，进而根据第一图像特征和第三图像特征进行分类及回归，并根据分类及回归的结果确定待测图像中目标对象所在的位置。如此，自动提取待测图像对应的图像特征，并根据提取到的图像特征进行分类和回归，能够有效地提高检测的鲁棒性及减少检测耗时。并且，通过空洞卷积处理有效地扩大了感受野，能够更好地适应不同大小的目标对象的检测。附图说明图1为一个实施例中目标检测方法的应用环境图；图2为一个实施例中目标检测方法的流程示意图；图3为一个实施例中预定神经网络的结构框图；图4为一个实施例中下采样模块的结构框图；图5为一个实施例中残差块的结构框图；图6为一个实施例中残差块的结构框图；图7为一个实施例中第二残差块的结构框图；图8为一个实施例中预定神经网络的结构框图；图9为一个实施例中目标检测方法的流程示意图；图10为一个实施例中目标检测装置的结构框图；图11为一个实施例中在识别码检测中的指标对比示意图；图12为一个实施例中计算机设备的结构框图；图13为一个实施例中计算机设备的结构框图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用于解释本申请，并不用于限定本申请。需要说明的是，本申请所使用的术语“第一”、“第二”等是用于对类似的对象作出命名上的区分，但这些对象本身不受这些术语限制。应当理解，在不脱离本申请的范围的情况下，这些术语在适当的情况下可以互换。例如，可以将“第一图像特征”描述为“第二图像特征”，且类似地，将“第二图像特征”描述为“第一图像特征”。此外，术语“包括”、“包含”、“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于已清楚地列出的步骤或单元，而是还可以包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请各实施例提供的目标检测方法，可以应用于如图1所示的应用环境中。该应用环境可以涉及终端110和服务器120，终端110和服务器120可以通过网络连接。具体地，可以在服务器120上完成模型训练，得到具备目标检测能力的预定神经网络。进而，将该预定神经网络部署到终端110上。终端110获得待测图像后，将待测图像输入预定神经网络，通过预定神经网络提取待测图像对应的第一图像特征和第二图像特征，再根据第二图像特征进行空洞卷积，得到待测图像对应的第三图像特征，进而根据第一图像特征和第三图像特征进行分类及回归，确定待测图像中的目标对象所对应的候选位置参数以及与候选位置参数对应的置信度，而后按照置信度从各候选位置参数中筛选出有效位置参数，并根据有效位置参数确定待测图像中目标对象所在的位置。在其他实施例中，预定神经网络也可以不部署在终端110上，而部署在服务器120上，在此情况下，终端110获得待测图像后，可以将待测图像发送至服务器120，再由服务器120完成上述从将待测图像输入预定神经网络到确定待测图像中目标对象所在的位置的任务。此外，也可以在终端110上完成模型训练，比如可以由终端110独立完成模型训练和从将待测图像输入预定神经网络到确定待测图像中目标对象所在的位置的任务，而无需服务器120参与。其中，终端110可以是智能手机、平板电脑、笔记本电脑、台式计算机、个人数字助理和穿戴式设备等，但并不局限于此。服务器120可以用独立的物理服务器，或者多个物理服务器构成的服务器集群来实现。可以理解，在图1中，以手机表示终端110、以独立的物理服务器表示服务器120，均仅是一种示例性说明，并不用于限定终端110和服务器120。在一个实施例中，如图2所示，提供了一种目标检测方法。以该方法应用于计算机设备(如上述图1中的终端110或服务器120)为例进行说明。该方法可以包括如下步骤S202至S210。S202，获取待测图像。其中，待测图像是需要进行目标检测的图像。目标检测是确定目标对象在图像中所处的位置。目标对象本质上是图像内容，其可以根据实际需求预先设定。目标对象比如识别码、车辆、行人、人脸等，识别码比如二维码、一维码(又称条形码)、小程序码、PDF417码等，但目标对象和识别码均不局限于此。在一个实施例中，待测图像可以是未作调整的原始图像，即终端获得原始图像后，未对该原始图像进行调整，而是直接将该原始图像本身作为待测图像。在另一个实施例中，待测图像也可以是调整原始图像后得到的图像，即终端获得原始图像后，为了更好地进行目标检测而对该原始图像进行调整，再将调整后的图像作为待测图像。其中，对图像进行调整的具体方式可以包括调整图像的分辨率，即可以将原始图像的分辨率调整为根据实际需求预先设定的参考分辨率。在一个实施例中，预先设定的参考分辨率可以仅为一个，在此情况下，全部待测图像的分辨率本文档来自技高网...

【技术保护点】
1.一种目标检测方法，其特征在于，包括：获取待测图像；提取所述待测图像对应的第一图像特征和第二图像特征；根据所述第二图像特征进行空洞卷积，得到所述待测图像对应的第三图像特征；根据所述第一图像特征和所述第三图像特征进行分类及回归，确定所述待测图像中的目标对象所对应的候选位置参数以及与所述候选位置参数对应的置信度；按照所述置信度从各所述候选位置参数中筛选出有效位置参数，并根据所述有效位置参数确定所述待测图像中目标对象所在的位置。

【技术特征摘要】
1.一种目标检测方法，其特征在于，包括：获取待测图像；提取所述待测图像对应的第一图像特征和第二图像特征；根据所述第二图像特征进行空洞卷积，得到所述待测图像对应的第三图像特征；根据所述第一图像特征和所述第三图像特征进行分类及回归，确定所述待测图像中的目标对象所对应的候选位置参数以及与所述候选位置参数对应的置信度；按照所述置信度从各所述候选位置参数中筛选出有效位置参数，并根据所述有效位置参数确定所述待测图像中目标对象所在的位置。2.根据权利要求1所述的方法，其特征在于：通过预定神经网络中的基础网络，提取并输出所述待测图像对应的第一图像特征和第二图像特征；通过所述预定神经网络中的空洞卷积网络，根据所述第二图像特征进行空洞卷积，得到所述待测图像对应的第三图像特征；通过所述预定神经网络中的输出网络，根据所述第一图像特征和所述第三图像特征进行分类及回归，确定所述待测图像中的目标对象所对应的候选位置参数以及与所述候选位置参数对应的置信度。3.根据权利要求2所述的方法，其特征在于，所述通过预定神经网络中的基础网络，提取并输出所述待测图像对应的第一图像特征和第二图像特征，包括：通过所述基础网络中的初级特征提取网络对所述待测图像依次进行卷积处理和池化处理，输出所述待测图像对应的第一中间特征；通过所述基础网络中的残差网络，根据所述第一中间特征进行特征提取，并输出提取到的与所述待测图像对应的第一图像特征和第二图像特征。4.根据权利要求3所述的方法，其特征在于，所述通过所述基础网络中的残差网络，根据所述第一中间特征进行特征提取，并输出提取到的与所述待测图像对应的第一图像特征和第二图像特征，包括：通过所述残差网络中的下采样模块对所述第一中间特征进行下采样，得到第二中间特征；通过所述残差网络中的第一残差块，将所述第二中间特征映射为所述待测图像对应的第一图像特征和第二图像特征，并输出所述第一图像特征和所述第二图像特征。5.根据权利要求4所述的方法，其特征在于，所述通过所述残差网络中的第一残差块，将所述第二中间特征映射为所述待测图像对应的第一图像特征和第二图像特征，并输出所述第一图像特征和所述第二图像特征，包括：通过所述残差网络中的第一残差块，根据所述第二中间特征进行深度可分离卷积，得到第一特征分量；将所述第二中间特征恒等映射为第二特征分量；根据所述第一特征分量和所述第二特征分量进行合成，得到第一目标特征；将所述第一目标特征映射为所述待测图像对应的第一图像特征和第二图像特征，并输出所述第一图像特征和所述第二图像特征。6.根据权利要求5所述的方法，其特征在于，所述根据所述第二中间特征进行深度可分离卷积，得到第一特征分量，包括：将所述第二中间特征依次进行降维、深度可分离卷积以及升维，得到第一特征分量。7.根据权利要求4所述的方法，其特征在于，所述基础网络中的残差网络多于一个，且各所述残差网络顺次连接；所述通过所述基础网络中的残差网络，根据所述第一中间特征进行特征提取，并输出提取到的与所述待测图像对应的第一图像特征和第二图像特征，包括：将所述第一中间特征依次经过所述基础网络中的各残差网络进行特征提...

【专利技术属性】
技术研发人员：苗捷，冉辰，许典平，贾晓义，姜媚，林榆耿，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44