CN110717549A - 目标检测方法、装置、设备及存储介质 - Google Patents

目标检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN110717549A
CN110717549A CN201910989718.0A CN201910989718A CN110717549A CN 110717549 A CN110717549 A CN 110717549A CN 201910989718 A CN201910989718 A CN 201910989718A CN 110717549 A CN110717549 A CN 110717549A
Authority
CN
China
Prior art keywords
width
length
individuals
height attributes
attributes
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910989718.0A
Other languages
English (en)
Inventor
周康明
郭义波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Eye Control Technology Co Ltd
Original Assignee
Shanghai Eye Control Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Eye Control Technology Co Ltd filed Critical Shanghai Eye Control Technology Co Ltd
Priority to CN201910989718.0A priority Critical patent/CN110717549A/zh
Publication of CN110717549A publication Critical patent/CN110717549A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Abstract

本申请提供一种目标检测方法、装置、设备及存储介质。包括：目标检测设备对当代种群中的多个第一个体采用差分进化算法，以得到训练集，第一个体包括对应物体的长、宽、高属性，训练集包括：多个第二个体，第二个体包括对应物体的长、宽、高属性；根据训练集，确定多个锚点框各自的长、宽、高属性；确定多个锚点框各自的中心点的长、宽、高属性和多个锚点框各自的偏航角；并根据根据多个锚点框进行目标检测。从而可以提高目标检测的准确率。

Description

目标检测方法、装置、设备及存储介质
技术领域
本申请实施例涉及机器视觉领域，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
目标检测是机器视觉和模式识别领域中的关键技术，在智能化交通系统、智能监控系统等方面应用广泛。所谓目标检测指的是将特定目标从复杂场景图像中检测出来，以便后续对目标进行分类或跟踪等处理，在目标检测中，涉及生成锚点框的方法，该锚点框用于指示可能存在目标的三维空间区域。例如：在智能化交通系统中，该锚点框用于指示可能存在目标车辆的三维空间区域。
通常一个锚点框包括7个参数，分别为该锚点框在三维空间中的中心点坐标(x,y,z)，该锚点框的长宽高(l,w,h)和偏航角(yaw angle)，因此生成锚点框即为生成锚点框的7个参数。基于此，现有技术所提供的目标检测方法包括：首先选择一个训练集，该训练集中包括多个个体，每个个体包括各自的长宽高属性，其次在该训练集的基础上生成多个锚点框，并在根据该多个锚点框进行目标检测。
然而，现有技术提供的训练集是随机选取，这可能造成训练集中的个体缺乏多样性，进而造成目标检测准确率较低的问题。
发明内容
本申请实施例提供一种目标检测方法、装置、设备及存储介质。通过该方法可以提高目标检测准确率。
第一方面，本申请提供一种目标检测方法，包括：对当代种群中的多个第一个体采用差分进化算法，以得到训练集，第一个体包括对应物体的长、宽、高属性，训练集包括：多个第二个体，第二个体包括对应物体的长、宽、高属性。根据训练集，确定多个锚点框各自的长、宽、高属性。确定多个锚点框各自的中心点的长、宽、高属性和多个锚点框各自的偏航角。根据多个锚点框进行目标检测。由于采用差分进化算法确定训练集，使得训练集具有多样性的特点，进而可以提高目标检测的准确率。
可选的，对当代种群中的多个第一个体采用差分进化算法，以得到训练集，包括：确定多个第一个体各自对应的适应度。若多个第一个体各自对应的适应度不满足预设条件，则对当代种群中的多个第一个体采用交叉、变异和选择，以得到下一代种群，并确定下一代种群中各个个体对应的适应度，直至得到满足预设条件的种群为止，并将满足预设条件的种群确定为训练集。若多个第一个体各自对应的适应度满足预设条件，则将当代种群确定为训练集。通过该方法可以得到具有多样性的训练集。
可选的，根据训练集，确定多个锚点框各自的长、宽、高属性，包括：计算训练集中的多个第二个体的长、宽、高属性分别对应的平均值。将多个第二个体的长、宽、高属性分别对应的平均值作为至少一个第一锚点框各自的长、宽、高属性，至少一个第一锚点框为多个锚点框中的一部分。将训练集输入至差分进化算法中的适应度函数，以确定令适应度函数达到最大值时的长、宽、高属性。将令适应度函数达到最大值时的长、宽、高属性作为至少一个第二锚点框各自的长、宽、高属性，至少一个第二锚点框为多个锚点框中的另一部分。即本申请可以确定训练集中多个第二个体的长、宽、高属性的平均值，并且可以通过差分进化算法确定最优的长、宽、高属性，将这两组参数分别作为多个锚点框的长、宽、高属性，使得生成的锚点框更加合理，并且具有多样性的，进而可以提高目标检测的准确率。
可选的，确定多个锚点框各自的长、宽、高属性，包括：计算训练集中的多个第二个体的长、宽、高属性分别对应的平均值。将多个第二个体的长、宽、高属性分别对应的平均值作为多个锚点框各自的长、宽、高属性。或者，将训练集输入至差分进化算法中的适应度函数，以确定令适应度函数达到最大值时的长、宽、高属性。将令适应度函数达到最大值时的长、宽、高属性作为多个锚点框各自的长、宽、高属性。
可选的，确定多个锚点框各自的中心点的长、宽、高属性，包括：确定多个第一个体分别对应的特征图，每个特征图包括：至少一个三维特征点。将每个特征图中的三维特征点转换为二维特征点，二维特征点包括长、宽属性。确定所有二维特征点的中心点的长、宽属性，以得到多个锚点框各自的中心点的长、宽属性。计算训练集中的多个第二个体的高属性对应的平均值。根据多个第二个体的高属性对应的平均值，得到多个锚点框各自的中心点的高属性。
可选的，通过如下公式确定多个锚点框各自的偏航角：
Figure BDA0002237862020000031
Figure BDA0002237862020000032
第二方面，本申请提供一种目标检测装置，包括：
处理模块，用于对当代种群中的多个第一个体采用差分进化算法，以得到训练集，第一个体包括对应物体的长、宽、高属性，训练集包括：多个第二个体，第二个体包括对应物体的长、宽、高属性。
第一确定模块，用于根据训练集，确定多个锚点框各自的长、宽、高属性。
第二确定模块，用于确定多个锚点框各自的中心点的长、宽、高属性和多个锚点框各自的偏航角。
检测模块，用于根据多个锚点框进行目标检测。
可选的，第一确定模块具体用于：计算训练集中的多个第二个体的长、宽、高属性分别对应的平均值。将多个第二个体的长、宽、高属性分别对应的平均值作为至少一个第一锚点框各自的长、宽、高属性，至少一个第一锚点框为多个锚点框中的一部分。将训练集输入至差分进化算法中的适应度函数，以确定令适应度函数达到最大值时的长、宽、高属性。将令适应度函数达到最大值时的长、宽、高属性作为至少一个第二锚点框各自的长、宽、高属性，至少一个第二锚点框为多个锚点框中的另一部分。
第三方面，本申请提供一种目标检测设备，包括：存储器和处理器，存储器用于存储计算机指令，处理器用于执行计算机指令，以实现如第一方面或第一方面的可选方式所述的目标检测方法。
第四方面，本申请提供一种计算机存储介质，包括：计算机指令，计算机指令用于实现如第一方面或第一方面的可选方式所述的目标检测方法。
第五方面，本申请提供一种计算机程序产品，包括：计算机指令，计算机指令用于实现如第一方面或第一方面的可选方式所述的目标检测方法。
本申请提供一种目标检测方法、装置、设备及存储介质，由于采用差分进化算法确定训练集，使得训练集具有多样性的特点，进而可以提高目标检测的准确率。进一步地，本申请可以确定训练集中多个第二个体的长、宽、高属性的平均值，并且可以通过差分进化算法确定最优的长、宽、高属性，将这两组参数分别作为多个锚点框的长、宽、高属性，使得生成的锚点框更加合理，并且具有多样性的，进而可以提高目标检测的准确率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本申请一实施例提供的应用场景示意图；
图2为本申请一实施例提供的目标检测方法的流程图；
图3为本申请一实施例提供的确定训练集的方法流程图；
图4为本申请一实施例提供的确定多个锚点框各自的长、宽、高属性的方法流程图；
图5为本申请另一实施例提供的确定多个锚点框各自的长、宽、高属性的方法流程图；
图6为本申请再一实施例提供的确定多个锚点框各自的长、宽、高属性的方法流程图；
图7为本申请又一实施例提供的确定多个锚点框各自的中心点的长、宽、高属性的方法流程图；
图8为本申请一实施例提供的一种目标检测装置的示意图；
图9为本申请一实施例提供的目标检测设备的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
如上所述，现有技术所提供的目标检测方法包括：首先选择一个训练集，该训练集中包括多个个体，每个个体包括各自的长宽高属性，其次在该训练集的基础上生成多个锚点框，并根据多个锚点框进行目标检测。然而，现有技术提供的训练集是随机选取，这可能造成训练集中的个体缺乏多样性，进而造成目标检测准确率较低的问题。
为了解决上述技术问题，本申请提供一种目标检测方法、装置、设备及存储介质。可选的，本申请可应用于如下场景：图1为本申请一实施例提供的应用场景示意图，如图1所示，在存在多个物体11(即图1所示的车辆)的环境下，目标检测设备12可以通过激光雷达13对该环境进行扫描，以获取多个三维点云数据，目标检测设备可以根据上述多个三维点云数据，确定当代种群中的多个第一个体(即图1所示的车辆)，每个第一个体包括对应物体的长、宽、高属性。
需要说明的是，上述目标检测设备12可以是计算机等智能设备，这种情况下，目标检测设备12可以与上述激光雷达13独立设置。或者，上述目标检测设备12可以是具有车载终端的车辆，这种情况下，上述激光雷达13可以设置在目标检测设备12上，如图1所示。又或者，上述目标检测设备12可以是车载终端，这种情况下，目标检测设备12可以与上述激光雷达13独立设置。
图2为本申请一实施例提供的目标检测方法的流程图，该方法的执行主体为上述目标检测设备的部分或者全部，如该方法的执行主体可以是上面的目标检测设备中的处理器。下面以目标检测设备为执行主体对上述目标检测方法做示例性说明，如图2所示，该方法包括如下步骤：
步骤S201：目标检测设备对当代种群中的多个第一个体采用差分进化算法，以得到训练集，第一个体包括对应物体的长、宽、高属性，训练集包括：多个第二个体，第二个体包括对应物体的长、宽、高属性。
步骤S202：目标检测设备根据训练集，确定多个锚点框各自的长、宽、高属性。
步骤S203：目标检测设备确定多个锚点框各自的中心点的长、宽、高属性和多个锚点框各自的偏航角。
步骤S204：目标检测设备根据多个锚点框进行目标检测。
针对步骤S201进行如下说明：
图3为本申请一实施例提供的确定训练集的方法流程图，如图3所示，该方法包括如下步骤：
步骤S301：目标检测设备确定多个第一个体各自对应的适应度。
步骤S302：目标检测设备判断多个第一个体各自对应的适应度是否满足预设条件，若满足，则执行步骤S303，若不满足，则执行步骤S304。
步骤S303：目标检测设备对当代种群中的多个第一个体采用交叉、变异和选择，以得到下一代种群，并确定下一代种群中各个个体对应的适应度，直至得到满足预设条件的种群为止，并将满足预设条件的种群确定为训练集。
步骤S304：目标检测设备将当代种群确定为训练集。
具体地，目标检测设备可以通过差分进化算法中的适应度函数计算任一个第一个体的适应度。适应度函数具体如公式(1)所示：
其中，f(lig,wig,hig,ljg,wjg,hjg)表示适应度函数。
(lig,wig,hig)表示第g代种群(即当代种群)中的第一个体i的长、宽、高属性，i＝1,2…M，M为当代种群中第一个体的个数。
(ljg,wjg,hjg)表示第g代种群(即当代种群)中的第一个体j(即当代种群中的任一个第一个体)的长、宽、高属性。
在目标检测设备得到多个第一个体各自对应的适应度之后，目标检测设备判断多个第一个体各自对应的适应度是否满足预设条件。可选的，该预设条件包括：上述多个第一个体各自对应的适应度均大于预设适应度。或者，假设将适应度大于预设适应度的第一个体称为目标个体，则预设条件包括：在上述多个第一个体中，目标个体的数量大于预设个数。需要说明的是，本申请可适用的预设条件不限于此。
如上所述，当目标检测设备确定上述多个第一个体各自对应的适应度满足预设条件时，目标检测设备将当代种群确定为训练集。相反地，当目标检测设备确定上述多个第一个体各自对应的适应度不满足预设条件时，目目标检测设备对当代种群中的多个第一个体采用交叉、变异和选择，以得到下一代种群。
其中，变异操作过程包括：目标检测设备从上述多个第一个体中任意选择至少两个第一个体，并对至少两个第一个体进行差分操作，通过预设的变异率对该差分结果进行放缩操作，最后将经过放缩操作处理后的差分结果与当前种群最优的第一个体进行相加，以得到变异向量。具体如公式(2)所示：
其中，xbest,g表示当前种群中最优个体，其中当前种群中适应度最大的个体为最优个体。
Figure BDA0002237862020000072
表示当前种群中选取的任意两个第一个体。
vi,g表示根据xbest,g、
Figure BDA0002237862020000073
得到的变异向量，i为在所有变异向量中的编号，g表示当代种群的代数。
F表示变异率。
进一步地，目标检测设备可以对变异向量与父个体向量进行交叉操作，以使交叉后的试验向量具有变异向量和父个体向量的信息，这样可以将该父个体的优良特征引入种群中。
可选的，目标检测设备可以对变异向量与父个体向量采用二项式交叉操作，如公式(3)所示：
Figure BDA0002237862020000074
其中，ui,j,g表示试验向量ui,g的第j个分量。
vi,j,g表示变异向量vi,g的第j个分量。
rand(1)表示生成0-1之间的随机函数。
CR表示预设变异率。
jrand表示从0、1、2中随机选取一个值。
xi,j,g表示父个体vi,g的第j个分量。
进一步地，目标检测设备可以通过比较父个体xi,g的适应度与试验向量ui,g的适应度来选择保留的个体，具体如公式(4)所示：
Figure BDA0002237862020000081
其中，xi,g+1为下一代种群中的个体，即为上述的训练集中的第二个体。
针对步骤S202进行说明：
可选方式一：图4为本申请一实施例提供的确定多个锚点框各自的长、宽、高属性的方法流程图，如图4所示，该方法包括如下步骤：
步骤S401：目标检测设备计算训练集中的多个第二个体的长、宽、高属性分别对应的平均值。
步骤S402：目标检测设备将多个第二个体的长、宽、高属性分别对应的平均值作为至少一个第一锚点框各自的长、宽、高属性，至少一个第一锚点框为多个锚点框中的一部分。
步骤S403：目标检测设备将训练集输入至差分进化算法中的适应度函数，以确定令适应度函数达到最大值时的长、宽、高属性。
步骤S404：目标检测设备将令适应度函数达到最大值时的长、宽、高属性作为至少一个第二锚点框各自的长、宽、高属性，至少一个第二锚点框为多个锚点框中的另一部分。
其中，假设训练集中包括N个第二个体，目标检测设备可以将N个第二个体的长、宽、高属性输入至适应度函数中，得到的令适应度函数达到最大值时的长、宽、高属性记为(lp,wp,hp)，如公式(5)所示：
Figure BDA0002237862020000082
其中，(lp,wp,hp)也可以被称为最优的长、宽、高属性。
下面针对步骤S401至步骤S404进行举例说明：如上所述，每个锚点框都包括：长、宽、高属性，为了提高锚点框的多样性，从而提高目标检测准确率，本申请可以确定多个锚点框，例如：12个锚点框，其中6个锚点框的长、宽、高属性为上述最优的长、宽、高属性。其余6个锚点框的长、宽、高属性为训练集中的多个第二个体的长、宽、高属性分别对应的平均值。
可选方式二：图5为本申请另一实施例提供的确定多个锚点框各自的长、宽、高属性的方法流程图，如图5所示，该方法包括如下步骤：
步骤S501：目标检测设备计算训练集中的多个第二个体的长、宽、高属性分别对应的平均值。
步骤S502：目标检测设备将多个第二个体的长、宽、高属性分别对应的平均值作为多个锚点框各自的长、宽、高属性。
可选方式三：图6为本申请再一实施例提供的确定多个锚点框各自的长、宽、高属性的方法流程图，如图6所示，该方法包括如下步骤：
步骤S601：目标检测设备将训练集输入至差分进化算法中的适应度函数，以确定令适应度函数达到最大值时的长、宽、高属性。
步骤S602：目标检测设备将令适应度函数达到最大值时的长、宽、高属性作为多个锚点框各自的长、宽、高属性。
需要说明的是，可选方式二与可选方式一的不同之处在于：可选方式二中所有的锚点框的长、宽、高属性都是多个第二个体的长、宽、高属性分别对应的平均值。
可选方式三与可选方式一的不同之处在于：可选方式三中所有的锚点框的长、宽、高属性都是令适应度函数达到最大值时的长、宽、高属性。
在可选方式三中，目标检测设备确定令适应度函数达到最大值时的长、宽、高属性的方式可参考上述可选方式一的内容，对此不再赘述。
针对步骤S203进行如下说明：
图7为本申请又一实施例提供的确定多个锚点框各自的中心点的长、宽、高属性的方法流程图，如图7所示，该方法包括如下步骤：
步骤S701：目标检测设备确定多个第一个体分别对应的特征图，每个特征图包括：至少一个三维特征点。
步骤S702：目标检测设备将每个特征图中的三维特征点转换为二维特征点，二维特征点包括长、宽属性。
步骤S703：目标检测设备确定所有二维特征点的中心点的长、宽属性，以得到多个锚点框各自的中心点的长、宽属性。
步骤S704：目标检测设备计算训练集中的多个第二个体的高属性对应的平均值。
步骤S705：目标检测设备根据多个第二个体的高属性对应的平均值，得到多个锚点框各自的中心点的高属性。
其中，每个第一个体对应一个特征图，假设特征图中的三维特征点为(x，y，z)，则目标检测设备选择三维特征点(x，y，z)中的长、宽属性(x，y)作为二维特征点。进一步地，目标检测设备计算训练集中的多个第二个体的高属性对应的平均值，并以该平均值的负值作为锚点框的高属性z。或者，目标检测设备以该平均值的1/2作为锚点框的高属性z。本申请对如何确定锚点框各自的中心点的高属性不做限制。
需要说明的是，上述多个锚点框的中心点是相同的。
可选的，目标检测设备可以选择N个偏航角，分别为
Figure BDA0002237862020000101
Figure BDA0002237862020000105
例如N＝6，则6个偏航角分别为：
Figure BDA0002237862020000102
综上，假设最终确定了12个锚点框。其中，12个锚点框的中心点的长、宽、高属性相同。12个锚点框中有6个锚点框的长、宽、高属性为上述多个第二个体的长、宽、高属性的平均值，这6个锚点框对应的偏航角分别为
Figure BDA0002237862020000103
其余6个锚点框的长、宽、高属性为上述最优长、宽、高属性，这6个锚点框对应的偏航角也分别为
Figure BDA0002237862020000104
针对步骤S204进行说明：
目标检测设备可以将上述多个锚点框应用至3d检测模型(如(voxelnet，second检测模型)中，从而得到目标检测的输出，从而可以检测特定物体。
综上，本申请提供一种目标检测方法，该方法包括：对当代种群中的多个第一个体采用差分进化算法，以得到训练集，第一个体包括对应物体的长、宽、高属性，训练集包括：多个第二个体，第二个体包括对应物体的长、宽、高属性；根据训练集，确定多个锚点框各自的长、宽、高属性；确定多个锚点框各自的中心点的长、宽、高属性和多个锚点框各自的偏航角；并根据多个锚点框进行目标检测。由于采用差分进化算法确定训练集，使得训练集具有多样性的特点，进而可以提高目标检测的准确率。进一步地，本申请可以确定训练集中多个第二个体的长、宽、高属性的平均值，并且可以通过差分进化算法确定最优的长、宽、高属性，将这两组参数分别作为多个锚点框的长、宽、高属性，使得生成的锚点框更加合理，并且具有多样性的，进而可以提高目标检测的准确率。
图8为本申请一实施例提供的一种目标检测装置的示意图，该目标检测装置可以为上述目标检测设备的部分或者全部，如图8所示，该目标检测装置包括：
处理模块81，用于对当代种群中的多个第一个体采用差分进化算法，以得到训练集，第一个体包括对应物体的长、宽、高属性，训练集包括：多个第二个体，第二个体包括对应物体的长、宽、高属性。
第一确定模块82，用于根据训练集，确定多个锚点框各自的长、宽、高属性。
第二确定模块83，用于确定多个锚点框各自的中心点的长、宽、高属性和多个锚点框各自的偏航角。
检测模块84，用于根据多个锚点框进行目标检测。
可选的，处理模块81具体用于：确定多个第一个体各自对应的适应度。若多个第一个体各自对应的适应度不满足预设条件，则对当代种群中的多个第一个体采用交叉、变异和选择，以得到下一代种群，并确定下一代种群中各个个体对应的适应度，直至得到满足预设条件的种群为止，并将满足预设条件的种群确定为训练集。若多个第一个体各自对应的适应度满足预设条件，则将当代种群确定为训练集。
可选的，第一确定模块82具体用于：计算训练集中的多个第二个体的长、宽、高属性分别对应的平均值。将多个第二个体的长、宽、高属性分别对应的平均值作为至少一个第一锚点框各自的长、宽、高属性，至少一个第一锚点框为多个锚点框中的一部分。将训练集输入至差分进化算法中的适应度函数，以确定令适应度函数达到最大值时的长、宽、高属性。将令适应度函数达到最大值时的长、宽、高属性作为至少一个第二锚点框各自的长、宽、高属性，至少一个第二锚点框为多个锚点框中的另一部分。或者，
可选的，第一确定模块82具体用于：计算训练集中的多个第二个体的长、宽、高属性分别对应的平均值。将多个第二个体的长、宽、高属性分别对应的平均值作为多个锚点框各自的长、宽、高属性。或者，
可选的，第一确定模块82具体用于：将训练集输入至差分进化算法中的适应度函数，以确定令适应度函数达到最大值时的长、宽、高属性。将令适应度函数达到最大值时的长、宽、高属性作为多个锚点框各自的长、宽、高属性。
可选的，第二确定模块83具体用于：确定多个第一个体分别对应的特征图，每个特征图包括：至少一个三维特征点。将每个特征图中的三维特征点转换为二维特征点，二维特征点包括长、宽属性。确定所有二维特征点的中心点的长、宽属性，以得到多个锚点框各自的中心点的长、宽属性。计算训练集中的多个第二个体的高属性对应的平均值。根据多个第二个体的高属性对应的平均值，得到多个锚点框各自的中心点的高属性。
可选的，第二确定模块83通过如下公式确定多个锚点框各自的偏航角：
Figure BDA0002237862020000121
本申请实施例提供的目标检测装置，可以用于执行上述的目标检测方法，其内容和效果可参考上述方法实施例，本申请对此不做限制。
图9为本申请一实施例提供的目标检测设备的示意图，如图9所示，该目标检测设备包括：存储器91和处理器92，存储器91用于存储计算机指令，处理器92用于执行计算机指令，以实现上述目标检测方法，其内容和效果可参考上述方法实施例部分。
可选的，该目标检测设备还包括：收发器93，该收发器93用于实现目标检测设备与其他设备之间的通信。
本申请还提供一种存储介质，包括：计算机指令，所述计算机指令用于实现前述任一方法实施例提供的目标检测方法。
本申请实施例还提供一种程序产品，该程序产品包括计算机指令(即计算机程序)，所述计算机指令用于实现前述任一方法实施例提供的目标检测方法。
应理解，本申请实施例中的处理器可以是中央处理单元(英文：CentralProcessing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：DigitalSignal Processor，简称：DSP)、专用集成电路(英文：Application Specific IntegratedCircuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：只读存储器(英文：read-only memory，缩写：ROM)、RAM、快闪存储器、硬盘、固态硬盘、磁带(英文：magnetictape)、软盘(英文：floppy disk)、光盘(英文：optical disc)及其任意组合。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (10)

1.一种目标检测方法，其特征在于，包括：
对当代种群中的多个第一个体采用差分进化算法，以得到训练集，所述第一个体包括对应物体的长、宽、高属性，所述训练集包括：多个第二个体，所述第二个体包括对应物体的长、宽、高属性；
根据所述训练集，确定多个锚点框各自的长、宽、高属性；
确定所述多个锚点框各自的中心点的长、宽、高属性和所述多个锚点框各自的偏航角；
根据所述多个锚点框进行目标检测。
2.根据权利要求1所述的方法，其特征在于，所述对当代种群中的多个第一个体采用差分进化算法，以得到训练集，包括：
确定所述多个第一个体各自对应的适应度；
若所述多个第一个体各自对应的适应度不满足预设条件，则对所述当代种群中的多个第一个体采用交叉、变异和选择，以得到下一代种群，并确定所述下一代种群中各个个体对应的适应度，直至得到满足所述预设条件的种群为止，并将满足所述预设条件的种群确定为所述训练集；
若所述多个第一个体各自对应的适应度满足预设条件，则将所述当代种群确定为所述训练集。
3.根据权利要求1或2所述的方法，其特征在于，根据所述训练集，确定多个锚点框各自的长、宽、高属性，包括：
计算所述训练集中的多个第二个体的长、宽、高属性分别对应的平均值；
将所述多个第二个体的长、宽、高属性分别对应的平均值作为至少一个第一锚点框各自的长、宽、高属性，所述至少一个第一锚点框为所述多个锚点框中的一部分；
将所述训练集输入至所述差分进化算法中的适应度函数，以确定令所述适应度函数达到最大值时的长、宽、高属性；
将令所述适应度函数达到最大值时的长、宽、高属性作为至少一个第二锚点框各自的长、宽、高属性，所述至少一个第二锚点框为所述多个锚点框中的另一部分。
4.根据权利要求1或2所述的方法，其特征在于，根据所述训练集，确定多个锚点框各自的长、宽、高属性，包括：
计算所述训练集中的多个第二个体的长、宽、高属性分别对应的平均值；
将所述多个第二个体的长、宽、高属性分别对应的平均值作为所述多个锚点框各自的长、宽、高属性；
或者，
将所述训练集输入至所述差分进化算法中的适应度函数，以确定令所述适应度函数达到最大值时的长、宽、高属性；
将令所述适应度函数达到最大值时的长、宽、高属性作为所述多个锚点框各自的长、宽、高属性。
5.根据权利要求1或2所述的方法，其特征在于，所述确定所述多个锚点框各自的中心点的长、宽、高属性，包括：
确定所述多个第一个体分别对应的特征图，每个所述特征图包括：至少一个三维特征点；
将每个所述特征图中的三维特征点转换为二维特征点，所述二维特征点包括长、宽属性；
确定所有所述二维特征点的中心点的长、宽属性，以得到所述多个锚点框各自的中心点的长、宽属性；
计算所述训练集中的多个第二个体的高属性对应的平均值；
根据所述多个第二个体的高属性对应的平均值，得到所述多个锚点框各自的中心点的高属性。
6.根据权利要求1或2所述的方法，其特征在于，通过如下公式确定所述多个锚点框各自的偏航角：
Figure FDA0002237862010000021
7.一种目标检测装置，其特征在于，包括：
处理模块，用于对当代种群中的多个第一个体采用差分进化算法，以得到训练集，所述第一个体包括对应物体的长、宽、高属性，所述训练集包括：多个第二个体，所述第二个体包括对应物体的长、宽、高属性；
第一确定模块，用于根据所述训练集，确定多个锚点框各自的长、宽、高属性；
第二确定模块，用于确定所述多个锚点框各自的中心点的长、宽、高属性和所述多个锚点框各自的偏航角；
检测模块，用于根据所述多个锚点框进行目标检测。
8.根据权利要求7所述的装置，其特征在于，所述第一确定模块具体用于：
计算所述训练集中的多个第二个体的长、宽、高属性分别对应的平均值；
将所述多个第二个体的长、宽、高属性分别对应的平均值作为至少一个第一锚点框各自的长、宽、高属性，所述至少一个第一锚点框为所述多个锚点框中的一部分；
将所述训练集输入至所述差分进化算法中的适应度函数，以确定令所述适应度函数达到最大值时的长、宽、高属性；
将令所述适应度函数达到最大值时的长、宽、高属性作为至少一个第二锚点框各自的长、宽、高属性，所述至少一个第二锚点框为所述多个锚点框中的另一部分。
9.一种目标检测设备，其特征在于，包括：存储器和处理器，所述存储器用于存储计算机指令，所述处理器用于执行所述计算机指令，以实现如权利要求1-6任一项所述的目标检测方法。
10.一种计算机存储介质，其特征在于，包括：计算机指令，所述计算机指令用于实现如权利要求1-6任一项所述的目标检测方法。
CN201910989718.0A 2019-10-17 2019-10-17 目标检测方法、装置、设备及存储介质 Pending CN110717549A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910989718.0A CN110717549A (zh) 2019-10-17 2019-10-17 目标检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910989718.0A CN110717549A (zh) 2019-10-17 2019-10-17 目标检测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN110717549A true CN110717549A (zh) 2020-01-21

Family

ID=69211834

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910989718.0A Pending CN110717549A (zh) 2019-10-17 2019-10-17 目标检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN110717549A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0512440A (ja) * 1991-07-05 1993-01-22 Matsushita Electric Ind Co Ltd エツジ検出装置
US20040049468A1 (en) * 1997-07-15 2004-03-11 Walmsley Simon Robert Authentication of consumable items
JP2007058354A (ja) * 2005-08-22 2007-03-08 Sumitomo Chemical Co Ltd 画像解析装置、画像解析方法、及び画像解析処理のためのプログラム
CN103824053A (zh) * 2014-02-17 2014-05-28 北京旷视科技有限公司 一种人脸图像的性别标注方法及人脸性别检测方法
CN105678767A (zh) * 2016-01-07 2016-06-15 无锡信捷电气股份有限公司 一种基于SoC软硬件协同设计的布匹表面瑕疵检测方法
CN108694401A (zh) * 2018-05-09 2018-10-23 北京旷视科技有限公司 目标检测方法、装置及系统
CN109961034A (zh) * 2019-03-18 2019-07-02 西安电子科技大学 基于卷积门控循环神经单元的视频目标检测方法
CN110119698A (zh) * 2019-04-29 2019-08-13 北京百度网讯科技有限公司 用于确定对象状态的方法、装置、设备和存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0512440A (ja) * 1991-07-05 1993-01-22 Matsushita Electric Ind Co Ltd エツジ検出装置
US20040049468A1 (en) * 1997-07-15 2004-03-11 Walmsley Simon Robert Authentication of consumable items
JP2007058354A (ja) * 2005-08-22 2007-03-08 Sumitomo Chemical Co Ltd 画像解析装置、画像解析方法、及び画像解析処理のためのプログラム
CN103824053A (zh) * 2014-02-17 2014-05-28 北京旷视科技有限公司 一种人脸图像的性别标注方法及人脸性别检测方法
CN105678767A (zh) * 2016-01-07 2016-06-15 无锡信捷电气股份有限公司 一种基于SoC软硬件协同设计的布匹表面瑕疵检测方法
CN108694401A (zh) * 2018-05-09 2018-10-23 北京旷视科技有限公司 目标检测方法、装置及系统
CN109961034A (zh) * 2019-03-18 2019-07-02 西安电子科技大学 基于卷积门控循环神经单元的视频目标检测方法
CN110119698A (zh) * 2019-04-29 2019-08-13 北京百度网讯科技有限公司 用于确定对象状态的方法、装置、设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIE LYU ET AL.: "Learning Fixation Point Strategy for Object Detection and Classification", 《2018 24TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION》 *
苏豪: "基于卷积神经网络的微装配系统多目标识别和姿态检测", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Similar Documents

Publication Publication Date Title
US20210042954A1 (en) Binocular matching method and apparatus, device and storage medium
US20210358153A1 (en) Detection methods, detection apparatuses, electronic devices and storage media
CN105335955A (zh) 对象检测方法和对象检测装置
EP3001382B1 (en) Method and apparatus for generating disparity map based on image frames photographed by stereo camera
JP2022540101A (ja) ポジショニング方法及び装置、電子機器、コンピュータ読み取り可能な記憶媒体
CN110895802A (zh) 一种图像处理方法及装置
CN112084453A (zh) 三维虚拟展示系统、方法、计算机设备、终端及存储介质
CN114332125A (zh) 点云重建方法、装置、电子设备和存储介质
CN112862095A (zh) 基于特征分析的自蒸馏学习方法、设备以及可读存储介质
US20230298324A1 (en) Image acquisition model training method and apparatus, image detection method and apparatus, and device
CN112766348A (zh) 一种基于对抗神经网络生成样本数据的方法以及装置
CN110717549A (zh) 目标检测方法、装置、设备及存储介质
CN115965961B (zh) 局部到全局的多模态融合方法、系统、设备及存储介质
WO2022017129A1 (zh) 目标对象检测方法、装置、电子设备及存储介质
CN116246119A (zh) 3d目标检测方法、电子设备及存储介质
CN109814067A (zh) 一种三维节点定位方法及装置
CN114648757A (zh) 三维目标的检测方法及装置
EP3076370B1 (en) Method and system for selecting optimum values for parameter set for disparity calculation
CN111382834B (zh) 一种置信度比较方法及装置
US11856284B2 (en) Method of controlling a portable device and a portable device
US11393069B2 (en) Image processing apparatus, image processing method, and computer readable recording medium
CN112686155A (zh) 图像识别方法、装置、计算机可读存储介质及处理器
CN113971694A (zh) 一种点云数据处理方法及装置
KR101804157B1 (ko) 개선된 sgm 기반한 시차 맵 생성 방법
CN114842287B (zh) 深度引导变形器的单目三维目标检测模型训练方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
AD01 Patent right deemed abandoned
AD01 Patent right deemed abandoned

Effective date of abandoning: 20230228