一种多目标检测方法、设备及存储介质技术

本发明专利技术公开一种多目标检测方法、设备及存储介质，方法包括：对待检测图像进行初步特征提取；将初步特征提取后的图像输入阶段递归残差网络中，对待检测图像进行深度特征提取，阶段递归残差网络分为若干个阶段，每个阶段均包括降采样模块和残差模块，降采样模块的输出端连接残差模块的输入端，残差模块的输出端通过递归结构连接至残差模块的输入端；将深度特征提取后获取的特征图输入至基于FCOS的目标检测模型中，得到初步的多目标预测框，并进行非极大值抑制后，获取最终的多目标检测结果。本发明专利技术解决了现有技术中无人驾驶时在进行车辆行人等多目标检测时，由于冗余信息没有被利用而导致车辆行人等多目标检测的精度和实时性不高的技术问题。不高的技术问题。不高的技术问题。

【技术实现步骤摘要】
一种多目标检测方法、设备及存储介质


[0001]本专利技术涉及无人驾驶
，具体涉及一种多目标检测方法、设备及存储介质。

技术介绍

[0002]在无人驾驶
中，卷积神经网络CNN占据了主导地位，CNN广泛地应用于无人驾驶中目标分类、目标识别和实例分割任务中，主要负责特征提取任务，特别是在无人驾驶中的车辆行人多目标检测场景，一般都是采用卷积经网络进行检测。
[0003]大量的研究发现，典型的卷积神经网络，如ResNet和DenseNet，使用3
×
3过滤器提取特征，并使用1
×
1过滤器更改通道数。CNN在特征提取中有大量“冗余信息”。
[0004]目前，常见的方式一般都是直接将冗余信息直接删除，导致冗余信息被浪费掉，所谓的“冗余”并不是无意义的信息或者重复的信息，只是因为网络没能将其转换为有意义的特征，因此，目前的删除方法没有对冗余信息进行充分的利用，进而导致在进行车辆行人等多目标检测时，检测的精度和实时性都不高。

技术实现思路

[0005]本专利技术的目的在于克服上述技术不足，提供一种多目标检测方法、设备及存储介质，解决现有技术中无人驾驶时在进行车辆行人多目标检测时，由于冗余信息没有被利用而导致车辆行人等多目标检测的精度和实时性不高的技术问题。
[0006]为达到上述技术目的，本专利技术采取了以下技术方案：
[0007]第一方面，本专利技术提供一种多目标检测方法，包括如下步骤：
[0008]获取待检测图像，对待检测图像进行初步特征提取；
[0009]将经过初步特征提取后的待检测图像输入阶段递归残差网络中，对所述待检测图像进行深度特征提取，其中，所述阶段递归残差网络分为若干个阶段，前一个阶段的输出作为后一个阶段的输入，每个阶段均包括降采样模块和残差模块，所述降采样模块的输出端连接所述残差模块的输入端，所述残差模块的输出端通过递归结构连接至残差模块的输入端；
[0010]将深度特征提取后获取的特征图输入至预设的基于FCOS的目标检测模型中，得到初步的多目标预测框，并对所述初步的多目标预测框进行非极大值抑制后，获取最终的多目标检测结果。
[0011]优选的，所述的多目标检测方法中，所述获取待检测图像，对待检测图像进行初步特征提取的步骤具体包括：
[0012]获取待检测图像，并调整所述待检测图像的尺寸；
[0013]对尺寸调整后的图像进行卷积运算和池化处理，以实现对待检测图像的初步特征提取。
[0014]优选的，所述的多目标检测方法中，所述降采样模块用于对输入的图像进行降采样处理，所述降采样处理的步骤具体为：
[0015]将输入的图像分别输入至步长为1的第一卷积核和步长为2的第二卷积核中处理；
[0016]将第一卷积核处理后输出的结果输入至步长为2的第三卷积核中处理；
[0017]将第三卷积核处理后输出的结果输出至第四卷积核中处理；
[0018]将第二卷积核的处理结果和第四卷积核的处理结果叠加后输出。
[0019]优选的，所述的多目标检测方法中，所述残差模块由若干个串联的瓶颈结构组成，其中，每个瓶颈结构的输入通道数和输出通道数相同，最后一个所述瓶颈结构的输出端通过所述递归结构连接第一个瓶颈结构的输入端。
[0020]优选的，所述的多目标检测方法中，所述瓶颈结构具体用于：
[0021]将输入的图像输入至步长为1的第五卷积核中处理；
[0022]将第五卷积核处理后输出的结果输出至步长为1的第六卷积核中处理；
[0023]将第六卷积核处理后输出的结果输出至步长为1的第七卷积核中处理；
[0024]将第七卷积核的处理结果和输入的图像叠加后输出。
[0025]优选的，所述的多目标检测方法中，所述递归结构用于将残差模块的输出结果反馈至残差模块的输入端。
[0026]优选的，所述的多目标检测方法中，所述将深度特征提取后获取的特征图输入至预设的基于FCOS的目标检测模型中，得到初步的行人预测框，并对所述初步的行人预测框进行非极大值抑制后，获取最终的车辆行人检测结果的步骤具体包括：
[0027]采用基于FCOS的目标检测模型中的特征金字塔对所述特征图进行特征融合；
[0028]采用基于FCOS的目标检测模型中的分类与回归子网络对特征融合后的结果进行预测和边框回归处理，得到初步的多目标预测框；
[0029]对所述初步的多目标预测框进行非极大值抑制后，获取最终的多目标检测结果。
[0030]优选的，所述的多目标检测方法中，所述对所述初步的行人预测框进行非极大值抑制后，获取最终的车辆行人检测结果的步骤具体包括：
[0031]将所述初步的多目标预测框与其对应的正确打标签的训练数据进行对比，去除冗余的候选框后，得到最终的多目标检测结果。
[0032]第二方面，本专利技术还提供一种多目标检测设备，包括：处理器和存储器；
[0033]所述存储器上存储有可被所述处理器执行的计算机可读程序；
[0034]所述处理器执行所述计算机可读程序时实现如上所述的多目标检测方法中的步骤。
[0035]第三方面，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的车多目标检测方法中的步骤。
[0036]与现有技术相比，本专利技术提供的多目标检测方法、设备及存储介质，通过采用阶段递归残差网络，在阶段递归残差网络中添加了递归机制，从残差网络每个阶段的输出增加一个递归结构到它的输入，增强了卷积层的特征提取能力而无需添加任何额外的层，在浅层网络加上递归结构可以达到深层网络的性能，因此通过递归机制，可以对图像进行更深的特征提取，从而使冗余信息变成了有用信息，显著提升了网络精度，使得在进行车辆行人等多目标检测时，具有良好的精度和实时性。
附图说明
[0037]图1是本专利技术提供的多目标检测方法的一较佳实施例的流程图；
[0038]图2是本专利技术提供的多目标检测方法的一较佳实施例的网络结构图；
[0039]图3是本专利技术阶段递归残差网络的一较佳实施例的网络结构图；
[0040]图4是本专利技术阶段递归残差网络中，降采样模块的一较佳实施例的网络结构图；
[0041]图5是本专利技术阶段递归残差网络中，瓶颈结构的一较佳实施例的网络结构图；
[0042]图6是本专利技术特征金字塔的一较佳实施例的结构示意图。
具体实施方式
[0043]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术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以解释本专利技术，并不用于限定本专利技术。
[0044]需要说明的是,本专利技术实施例中的多目标是指在无人驾驶过程中出现的多个具有不同显著特征的目标,如车辆、行人、其他处于运动状态的事物等。
[0045]请参阅图1，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多目标检测方法，其特征在于，包括如下步骤：获取待检测图像，对待检测图像进行初步特征提取；将经过初步特征提取后的待检测图像输入阶段递归残差网络中，对所述待检测图像进行深度特征提取，其中，所述阶段递归残差网络分为若干个阶段，前一个阶段的输出作为后一个阶段的输入，每个阶段均包括降采样模块和残差模块，所述降采样模块的输出端连接所述残差模块的输入端，所述残差模块的输出端通过递归结构连接至残差模块的输入端；将深度特征提取后获取的特征图输入至预设的基于FCOS的目标检测模型中，得到初步的多目标预测框，并对所述初步的多目标预测框进行非极大值抑制后，获取最终的多目标检测结果。2.根据权利要求1所述的多目标检测方法，其特征在于，所述获取待检测图像，对待检测图像进行初步特征提取的步骤具体包括：获取待检测图像，并调整所述待检测图像的尺寸；对尺寸调整后的图像进行卷积运算和池化处理，以实现对待检测图像的初步特征提取。3.根据权利要求1所述的多目标检测方法，其特征在于，所述降采样模块用于对输入的图像进行降采样处理，所述降采样处理的步骤具体为：将输入的图像分别输入至步长为1的第一卷积核和步长为2的第二卷积核中处理；将第一卷积核处理后输出的结果输入至步长为2的第三卷积核中处理；将第三卷积核处理后输出的结果输出至第四卷积核中处理；将第二卷积核的处理结果和第四卷积核的处理结果叠加后输出。4.根据权利要求3所述的多目标检测方法，其特征在于，所述残差模块由若干个串联的瓶颈结构组成，其中，每个瓶颈结构的输入通道数和输出通道数相同，最后一个所述瓶颈结构的输出端通过所述递归结构连接第一个瓶颈结构的输入端。5.根据权利要求4所述的多目标检测方法，其特征在于，所述瓶颈结构具体用于：将输入的图像输入至步长为1的第五卷积核中处理...

【专利技术属性】
技术研发人员：石英，刘悦，谢长君，林朝俊，李肖力，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：