目标检测方法、装置、电子设备及存储介质与流程

本申请涉及目标检测，具体而言，本申请涉及一种目标检测方法、装置、电子设备及存储介质。

背景技术：

1、物体检测与分类是计算机视觉的核心任务。通过在在图像中定位和标识多个物体，并对物体进行分类，实现物体检测与分类。

2、目前的物体检测与分类多采用的是深度学习方法，常见的深度学习方法有：rcnn,faster rcnn等。深度学习方法通过把图片输入到深度学习模型进行物体检测与分类，直接得到物品类别，

3、然而，深度学习模型的网络结构较为复杂，且当有图像中新的物体种类加入后，需要对深度学习模型针对新的物体种类重新进行训练，非常的耗时耗力，导致物品的检测和分类可拓展性差。

4、由上可知，如何提高物体检测与分类的可拓展性仍有待解决。

技术实现思路

1、本申请各提供了一种目标检测方法、装置、电子设备及存储介质，可以解决相关技术中存在的物体检测与分类的可拓展性不高的问题。所述技术方案如下：

2、根据本申请的一个方面，一种目标检测方法，其特征在于，包括：获取待检测图像，并对所述待检测图像中的目标进行目标检测，确定所述待检测图像中的目标区域，所述目标区域为待检测图像中包含目标的图像区域；

3、对所述待检测图像中的目标区域进行特征提取，获得第一特征向量；

4、基于所述第一特征向量进行特征匹配，获得目标检测结果。

5、根据本申请的一个方面，一种目标检测装置，其特征在于，包括：

6、目标区域检测模块，用于获取待检测图像，并对所述待检测图像中的目标进行目标检测，确定所述待检测图像中的目标区域，所述目标区域为待检测图像中包含目标的图像区域；

7、特征提取模块，用于对所述待检测图像中的目标区域进行特征提取，获得第一特征向量；

8、特征匹配模块，用于基于所述第一特征向量进行特征匹配，获得目标检测结果。

9、在一示例性实施例中，所述目标区域检测模块包括：

10、特征提取单元，用于对所述待检测图像进行局部特征提取，并将提取得到的多个局部特征聚合形成至少一个图像特征；各图像特征分别对应一种图像粒度；

11、区域预测单元，用于基于各所述图像特征对所述待检测图像中的目标进行边界区域预测，获取预测结果，所述预测结果用于指示所述待检测图像中各图像区域是否属于目标区域；

12、目标区域确定单元，用于将所述预测结果指示的所述待检测图像中属于目标区域的各图像区域确定为目标区域。

13、在一示例性实施例中，所述特征匹配模块，包括：

14、向量库获取单元，用于获取索引向量库，所述索引向量库包括至少一种目标检测结果以及对应各目标检测结果的第二特征向量；

15、相似度计算单元，用于将所述第一特征向量与所述索引向量库中的所有第二特征向量进行相似度计算，获得所述第一特征向量与所述第二特征向量对应的相似度；

16、结果确定单元，用于将与所述第一特征向量相似度最大的第二特征向量对应的目标检测结果确定为目标检测结果。

17、在一示例性实施例中，所述装置还包括：

18、信息获取模块，用于获取分类信息，所述分类信息包括至少一种检测结果；

19、向量生成模块，用于针对所述分类信息指示的各所述检测结果生成对应的第二特征向量；

20、向量库生成模块，用于基于各所述检测结果及其对应的第二特征向量，生成所述索引向量库。

21、在一示例性实施例中，所述目标检测是调用目标检测模型实现的，所述目标检测模型是经过第一训练集的迁移训练、且具有对所述待检测图像进行目标检测，确定所述待检测图像中的目标区域的能力的机器学习模型。

22、在一示例性实施例中，所述目标检测模型包括输入端、主干网络、颈部网络、头部网络，其中，所述输入端用于获取待检测图像，所述主干网络用于对所述待检测图像进行局部特征提取并聚合形成至少一种不同粒度的图像特征；所述颈部网络用于混合和组合所述主干网络生成的图像特征；所述头部网络用于对颈部网络输出的图像特征进行边界框和类别预测，确定所述待检测图像中的目标区域。

23、在一示例性实施例中，所述特征提取是调用特征提取模型实现的，所述特征提取模型是经过第二训练集的训练、且具有对所述待检测图像中的目标区域进行特征提取，获得特征向量的能力的机器学习模型；所述特征提取模型是剔除了输出层和全连接层的机器学习模型。

24、根据本申请的一个方面，一种电子设备，包括至少一个处理器以及至少一个存储器，其中，所述存储器上存储有计算机可读指令；所述计算机可读指令被一个或多个所述处理器执行，使得电子设备实现如上所述的目标检测方法。

25、根据本申请的一个方面，一种存储介质，其上存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行，以实现如上所述的目标检测方法。

26、根据本申请的一个方面，一种计算机程序产品，计算机程序产品包括计算机可读指令，计算机可读指令存储在存储介质中，电子设备的一个或多个处理器从存储介质读取计算机可读指令，加载并执行该计算机可读指令，使得电子设备实现如上所述的目标检测方法。

27、本申请提供的技术方案带来的有益效果是：

28、在上述技术方案中，通过先进行目标检测，在图像中确定目标区域，并通过特征提取获取目标区域的特征向量，通过将特征向量在索引向量库中特征向量进行比对，进而得到物体的类别，从而直接根据索引向量库获得目标的物体分类，在进行新的物体检测与分类时，可以自动在索引向量库中生成对应的物体分类，从而无需重新训练就可对新的目标进行物体检测与分类，从而能够有效地解决相关技术中存在的物体检测与分类的可拓展性不高的问题。

技术特征：

1.一种目标检测方法，其特征在于，包括：

2.如权利要求1所述的方法，其特征在于，所述对所述待检测图像中的目标进行目标检测，确定所述待检测图像中的目标区域，包括：

3.如权利要求1所述的方法、其特征在于，所述基于所述第一特征向量进行特征匹配，获得目标检测结果，包括：

4.如权利要求3所述的方法，其特征在于，在所述基于所述特征向量进行特征匹配之前，所述方法还包括：

5.如权利要求1-4所述的方法，其特征在于，所述目标检测是调用目标检测模型实现的，所述目标检测模型是经过第一训练集的迁移训练、且具有对所述待检测图像进行目标检测，确定所述待检测图像中的目标区域的能力的机器学习模型。

6.如权利要求5所述的方法，其特征在于，所述目标检测模型包括输入端、主干网络、颈部网络、头部网络，其中，所述输入端用于获取待检测图像，所述主干网络用于对所述待检测图像进行局部特征提取并聚合形成至少一种不同粒度的图像特征；所述颈部网络用于混合和组合所述主干网络生成的图像特征；所述头部网络用于对颈部网络输出的图像特征进行边界框和类别预测，确定所述待检测图像中的目标区域。

7.如权利要求1至4任一项所述的方法，其特征在于，所述特征提取是调用特征提取模型实现的，所述特征提取模型是经过第二训练集的训练、且具有对所述待检测图像中的目标区域进行特征提取，获得特征向量的能力的机器学习模型；所述特征提取模型是剔除了输出层和全连接层的机器学习模型。

8.一种目标检测装置，其特征在于，包括：

9.一种电子设备，其特征在于，包括：至少一个处理器以及至少一个存储器，其中，

10.一种存储介质，其上存储有计算机可读指令，其特征在于，所述计算机可读指令被一个或多个处理器执行，以实现如权利要求1至7中任一项所述的目标检测方法。

技术总结本申请提供了一种目标检测方法、装置、电子设备及存储介质，涉及目标检测技术领域。其中，该方法包括：获取待检测图像，并对所述待检测图像中的目标进行目标检测，确定所述待检测图像中的目标区域，所述目标区域为待检测图像中包含目标的图像区域；对所述待检测图像中的目标区域进行特征提取，获得第一特征向量；基于所述第一特征向量进行特征匹配，获得目标检测结果。本申请解决了相关技术中物体检测与分类的可拓展性差的问题。技术研发人员：陈世峰,楚哲受保护的技术使用者：深圳先进技术研究院技术研发日：技术公布日：2024/8/1