CN111160336A - 目标检测方法、装置及计算机可读存储介质 - Google Patents
目标检测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111160336A CN111160336A CN201911256499.1A CN201911256499A CN111160336A CN 111160336 A CN111160336 A CN 111160336A CN 201911256499 A CN201911256499 A CN 201911256499A CN 111160336 A CN111160336 A CN 111160336A
- Authority
- CN
- China
- Prior art keywords
- roi
- detection
- network structure
- image
- target
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 164
- 238000011176 pooling Methods 0.000 claims abstract description 77
- 238000000034 method Methods 0.000 claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000012634 fragment Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
本发明涉及图像检测技术,揭露了一种目标检测方法、装置及计算机可读存储介质,该方法包括:搭建检测目标网络结构,其包含基于上下文关系的ROI池化层,ROI池化层包括第一、第二ROI池化层分支;接收待检测目标的图像;通过第一ROI池化层分支获取待检测目标的图像的第一ROI候选框;通过第二ROI池化层分支获取待检测目标的图像的第二ROI候选框,第二ROI候选框的大小大于第一ROI候选框的大小,第二ROI候选框包含第一ROI候选框中的内容及第一ROI候选框中的内容的上下文信息;将第一ROI候选框的内容及第二ROI候选框的内容发送给检测目标网络结构的全连接层;基于检测目标网络结构的全连接层更新检测目标网络结构以完成待检测目标的图像检测。
Description
技术领域
本发明涉及图像检测领域,尤其涉及一种基于ROI多分支的目标检测方法、装置及计算机可读存储介质。
背景技术
图像具有内容丰富、不受语言控制、便于国际交流等优点。近年来,无论是国防军事、工业制造、新闻媒体、医疗卫生还是大众娱乐,社会的各行各业对图像信息的使用越来越广,因此对图像进行检测显得尤为重要。
在现有的图像检测任务中,所涉及的算法大多都会根据提取感兴趣区域(ROI)来计算,ROI包含了图像检测任务中需要检测的目标。然而在实际运用中,往往有许多类似的目标也会被检测到,从而在图像检测时产生很多不必要的假阳性,降低了检测的准确率。此外,ROI的生成往往会存在一些偏差,这也会对检测结果造成影响。
发明内容
本发明提供一种目标检测方法、装置及计算机可读存储介质,其主要目的在于提高目标检测的准确率,降低假阳性的产生率,减少ROI的生成偏差,从而减小对检测结果的影响。
为实现上述目的,本发明提供一种目标检测方法,所述目标检测方法包括:
搭建检测目标网络结构,所述检测目标网络结构包含基于上下文关系的ROI池化层,所述ROI池化层包括第一ROI池化层分支及第二ROI池化层分支;
接收待检测目标的图像;
通过所述第一ROI池化层分支获取所述待检测目标的图像的第一ROI候选框;
通过所述第二ROI池化层分支获取所述待检测目标的图像的第二ROI候选框,所述第二ROI候选框的大小大于所述第一ROI候选框的大小,所述第二ROI候选框包含所述第一ROI候选框中的内容及所述第一ROI候选框中的内容的上下文信息;
将所述第一ROI候选框的内容及所述第二ROI候选框的内容发送给所述检测目标网络结构的全连接层;
基于所述检测目标网络结构的全连接层更新所述检测目标网络结构以完成所述待检测目标的图像检测。
可选地,所述第二ROI候选框的大小为所述第一ROI候选框的大小的1.5倍,所述将所述第一ROI候选框的内容及所述第二ROI候选框的内容发送给所述检测目标网络结构的全连接层的步骤包括:
将不同大小的所述第一ROI池化层分支与所述所述第二ROI池化层分支的特征连接在一起,输入后续的网络所述检测目标网络结构的全连接层中,形成ROI多分支网络结构。
可选地,所述搭建检测目标网络结构的步骤包括:
获取待识别图像;
利用显著性检测方法,检测出所述待识别图像中可能存在目标的区域,形成显著图;
通过构建评价指标,确定所述显著图上不同区域的显著性程度,并根据所述显著性程度确定包含目标的检测目标网络结构。
可选地,所述搭建检测目标网络结构的步骤还包括:
在对所述待识别图像进行显著性检测之前,还需要对所述待识别图像进行预处理,包括以下步骤:
获取所述待识别图像的灰度直方图、颜色直方图和矩阵,并分别以参数形式进行保存;
对灰度直方图、颜色直方图和矩阵分别使用灰度共生矩阵进行纹理检测,分别得到灰度直方图、颜色直方图和矩阵中灰度的空间相关特性,并分别以参数形式进行保存;
将所述待识别图像旋转360度,每隔60度重复前述两个步骤,得到六组不同的参数,用于图像的显著性检测。
可选地,所述搭建检测目标网络结构,所述检测目标网络结构包含基于上下文关系的ROI池化层的步骤包括:
对每个可能包含目标的ROI区域进行特征提取,得到每个可能包含目标的ROI区域的特征向量;
将所述每个可能包含目标的ROI区域的特征向量送入分类器进行比对,得到含有真实目标的ROI区域;
确定所述待识别图像的检测目标网络结构的ROI池化层。
本发明还提供一种电子装置,所述电子装置包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的目标检测程序,所述目标检测程序被所述处理器执行时实现如下步骤:
搭建检测目标网络结构,所述检测目标网络结构包含基于上下文关系的ROI池化层,所述ROI池化层包括第一ROI池化层分支及第二ROI池化层分支;
接收待检测目标的图像;
通过所述第一ROI池化层分支获取所述待检测目标的图像的第一ROI候选框;
通过所述第二ROI池化层分支获取所述待检测目标的图像的第二ROI候选框,所述第二ROI候选框的大小大于所述第一ROI候选框的大小,所述第二ROI候选框包含所述第一ROI候选框中的内容及所述第一ROI候选框中的内容的上下文信息;
将所述第一ROI候选框的内容及所述第二ROI候选框的内容发送给所述检测目标网络结构的全连接层;
基于所述检测目标网络结构的全连接层更新所述检测目标网络结构以完成所述待检测目标的图像检测。
可选地,所述第二ROI候选框的大小为所述第一ROI候选框的大小的1.5倍,所述将所述第一ROI候选框的内容及所述第二ROI候选框的内容发送给所述检测目标网络结构的全连接层的步骤包括:
将不同大小的所述第一ROI池化层分支与所述所述第二ROI池化层分支的特征连接在一起,输入后续的所述检测目标网络结构的全连接层网络中,形成ROI多分支网络结构。
可选地,所述搭建检测目标网络结构的步骤包括:
获取待识别图像;
利用显著性检测方法,检测出所述待识别图像中可能存在目标的区域,形成显著图;
通过构建评价指标,确定所述显著图上不同区域的显著性程度,并根据所述显著性程度确定包含目标的检测目标网络结构。
可选地,所述搭建检测目标网络结构的步骤还包括:
在对所述待识别图像进行显著性检测之前,还需要对所述待识别图像进行预处理,包括以下步骤:
获取所述待识别图像的灰度直方图、颜色直方图和矩阵,并分别以参数形式进行保存;
对灰度直方图、颜色直方图和矩阵分别使用灰度共生矩阵进行纹理检测,分别得到灰度直方图、颜色直方图和矩阵中灰度的空间相关特性,并分别以参数形式进行保存;
将所述待识别图像旋转360度,每隔60度重复前述两个步骤,得到六组不同的参数,用于图像的显著性检测。
此外,为实现上述目的,本发明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上存储有目标检测程序,所述目标检测程序可被一个或者多个处理器执行,以实现上述的目标检测方法的步骤。
本发明提供的目标检测方法、装置及计算机可读存储介质在已有的检测目标网络结构中,找到对应的ROI池化层,将该层后续的所述检测目标网络结构的全连接层网络结构进行更改,通过结合不同大小的ROI分支,既强调了原本检测物的内容,又强调了周围的上下文环境信息,为检测任务提供了更多的上下文特性信息;且能够提高目标检测的准确率,降低假阳性的产生率,与此同时,又能减少ROI的生成偏差,从而减小对检测结果的影响。
附图说明
图1为本发明一实施例提供的目标检测方法的流程示意图;
图2为本发明一实施例提供的电子装置的内部结构示意图;
图3为本发明一实施例提供的电子装置中基于目标检测程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种目标检测方法。参照图1所示,为本发明一实施例提供的目标检测方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现,本实施例中,所述装置为智能终端。
在本实施例中,所述目标检测方法包括:
S101,搭建检测目标网络结构,所述检测目标网络结构包含基于上下文关系的ROI池化层,所述ROI池化层包括第一ROI池化层分支及第二ROI池化层分支;
S102,接收待检测目标的图像;
S103,通过所述第一ROI池化层分支获取所述待检测目标的图像的第一ROI候选框;
S104,通过所述第二ROI池化层分支获取所述待检测目标的图像的第二ROI候选框,所述第二ROI候选框的大小大于所述第一ROI候选框的大小,所述第二ROI候选框包含所述第一ROI候选框中的内容及所述第一ROI候选框中的内容的上下文信息;
S105,将所述第一ROI候选框的内容及所述第二ROI候选框的内容发送给所述检测目标网络结构的全连接层;
S106,基于所述检测目标网络结构的全连接层更新所述检测目标网络结构以完成所述待检测目标的图像检测。
所述第二ROI候选框的大小为所述第一ROI候选框的大小的1.5倍,所述将所述第一ROI候选框的内容及所述第二ROI候选框的内容发送给所述检测目标网络结构的全连接层的步骤包括:
将不同大小的所述第一ROI池化层分支与所述所述第二ROI池化层分支的特征连接在一起,输入后续的所述检测目标网络结构的全连接层网络中,形成ROI多分支网络结构。
在本实施方式中,通过结合不同大小的ROI分支,既强调了原本检测物的内容,又强调了周围的上下文环境信息,为检测任务提供了更多的上下文特性信息。此外,针对ROI生成存在偏差的问题,放大1.5倍的ROI则包含了更多的信息,这就使得该算法对原始ROI区域生成的大小有一定的包容力。
所述搭建检测目标网络结构的步骤包括:
获取待识别图像;
利用显著性检测方法,检测出所述待识别图像中可能存在目标的区域,形成显著图;
通过构建评价指标,确定所述显著图上不同区域的显著性程度,并根据所述显著性程度确定包含目标的检测目标网络结构。
所述搭建检测目标网络结构的步骤还包括:
在对所述待识别图像进行显著性检测之前,还需要对所述待识别图像进行预处理,包括以下步骤:
获取所述待识别图像的灰度直方图、颜色直方图和矩阵,并分别以参数形式进行保存;
对灰度直方图、颜色直方图和矩阵分别使用灰度共生矩阵进行纹理检测,分别得到灰度直方图、颜色直方图和矩阵中灰度的空间相关特性,并分别以参数形式进行保存;
将所述待识别图像旋转360度,每隔60度重复前述两个步骤,得到六组不同的参数,用于图像的显著性检测。
所述搭建检测目标网络结构,所述检测目标网络结构包含基于上下文关系的ROI池化层的步骤包括:
对每个可能包含目标的ROI区域进行特征提取,得到每个可能包含目标的ROI区域的特征向量;
将所述每个可能包含目标的ROI区域的特征向量送入分类器进行比对,得到含有真实目标的ROI区域;
确定所述待识别图像的检测目标网络结构的ROI池化层。
所述特征提取的步骤包括:
通过递归的最大类间方差法提取出包含目标的ROI区域中的高亮度区域,即目标种子区域,并进一步提取出所述目标种子区域的边缘图像;
从所述目标种子区域的边缘图像中检测出真实目标的边缘图像或边缘片段图像;
采用自适应区域生长法,将真实目标的边缘图像或边缘片段图像分割成小区域。
本实施例提出的目标检测方法在已有的检测目标网络结构中,找到对应的ROI池化层,将该层后续的所述检测目标网络结构的全连接层网络结构进行更改,通过结合不同大小的ROI分支,既强调了原本检测物的内容,又强调了周围的上下文环境信息,为检测任务提供了更多的上下文特性信息;且能够提高目标检测的准确率,降低假阳性的产生率,与此同时,又能减少ROI的生成偏差,从而减小对检测结果的影响。
本发明还提供一种电子装置1。参照图2所示,为本发明一实施例提供的电子装置的内部结构示意图。
在本实施例中,电子装置1可以是电脑、智能终端或服务器。所述电子装置1至少包括存储器11、处理器13,通信总线15,以及网络接口17。在本实施例中,所述电子装置1为智能终端。
其中,存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是电子装置的内部存储单元,例如所述电子装置的硬盘。存储器11在另一些实施例中也可以是电子装置的外部存储设备,例如电子装置上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。进一步地,存储器11还可以既包括电子装置的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于电子装置1的应用软件及各类数据,例如目标检测程序111的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器11中存储的程序代码或处理数据。
通信总线15用于实现这些组件之间的连接通信。
网络接口17可选的可以包括标准的有线接口、无线接口(如WI-FI接口),通常用于在电子装置1与其他电子设备之间建立通信连接。
可选地,电子装置1还可以包括用户接口,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子装置中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11~17的电子装置1,本领域技术人员可以理解的是,图2示出的结构并不构成对电子装置的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
在图2所示的电子装置1的实施例中,存储器11中存储有目标检测程序111;处理器13执行存储器11中存储的目标检测程序111时实现如下步骤:
搭建检测目标网络结构,所述检测目标网络结构包含基于上下文关系的ROI池化层,所述ROI池化层包括第一ROI池化层分支及第二ROI池化层分支;
接收待检测目标的图像;
通过所述第一ROI池化层分支获取所述待检测目标的图像的第一ROI候选框;
通过所述第二ROI池化层分支获取所述待检测目标的图像的第二ROI候选框,所述第二ROI候选框的大小大于所述第一ROI候选框的大小,所述第二ROI候选框包含所述第一ROI候选框中的内容及所述第一ROI候选框中的内容的上下文信息;
将所述第一ROI候选框的内容及所述第二ROI候选框的内容发送给所述检测目标网络结构的全连接层;
基于所述检测目标网络结构的全连接层更新所述检测目标网络结构以完成所述待检测目标的图像检测。
所述第二ROI候选框的大小为所述第一ROI候选框的大小的1.5倍,所述将所述第一ROI候选框的内容及所述第二ROI候选框的内容发送给所述检测目标网络结构的全连接层的步骤包括:
将不同大小的所述第一ROI池化层分支与所述所述第二ROI池化层分支的特征连接在一起,输入后续的所述检测目标网络结构的全连接层网络中,形成ROI多分支网络结构。
在本实施方式中,通过结合不同大小的ROI分支,既强调了原本检测物的内容,又强调了周围的上下文环境信息,为检测任务提供了更多的上下文特性信息。此外,针对ROI生成存在偏差的问题,放大1.5倍的ROI则包含了更多的信息,这就使得该算法对原始ROI区域生成的大小有一定的包容力。
所述搭建检测目标网络结构的步骤包括:
获取待识别图像;
利用显著性检测方法,检测出所述待识别图像中可能存在目标的区域,形成显著图;
通过构建评价指标,确定所述显著图上不同区域的显著性程度,并根据所述显著性程度确定包含目标的检测目标网络结构。
所述搭建检测目标网络结构的步骤还包括:
在对所述待识别图像进行显著性检测之前,还需要对所述待识别图像进行预处理,包括以下步骤:
获取所述待识别图像的灰度直方图、颜色直方图和矩阵,并分别以参数形式进行保存;
对灰度直方图、颜色直方图和矩阵分别使用灰度共生矩阵进行纹理检测,分别得到灰度直方图、颜色直方图和矩阵中灰度的空间相关特性,并分别以参数形式进行保存;
将所述待识别图像旋转360度,每隔60度重复前述两个步骤,得到六组不同的参数,用于图像的显著性检测。
所述搭建检测目标网络结构,所述检测目标网络结构包含基于上下文关系的ROI池化层的步骤包括:
对每个可能包含目标的ROI区域进行特征提取,得到每个可能包含目标的ROI区域的特征向量;
将所述每个可能包含目标的ROI区域的特征向量送入分类器进行比对,得到含有真实目标的ROI区域;
确定所述待识别图像的检测目标网络结构的ROI池化层。
所述特征提取的步骤包括:
通过递归的最大类间方差法提取出包含目标的ROI区域中的高亮度区域,即目标种子区域,并进一步提取出所述目标种子区域的边缘图像;
从所述目标种子区域的边缘图像中检测出真实目标的边缘图像或边缘片段图像;
采用自适应区域生长法,将真实目标的边缘图像或边缘片段图像分割成小区域。
本实施例提出的电子装置在已有的检测目标网络结构中,找到对应的ROI池化层,将该层后续的所述检测目标网络结构的全连接层网络结构进行更改,通过结合不同大小的ROI分支,既强调了原本检测物的内容,又强调了周围的上下文环境信息,为检测任务提供了更多的上下文特性信息;且能够提高目标检测的准确率,降低假阳性的产生率,与此同时,又能减少ROI的生成偏差,从而减小对检测结果的影响。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有目标检测程序111,所述目标检测程序111可被一个或多个处理器执行,以实现如下操作:
搭建检测目标网络结构,所述检测目标网络结构包含基于上下文关系的ROI池化层,所述ROI池化层包括第一ROI池化层分支及第二ROI池化层分支;
接收待检测目标的图像;
通过所述第一ROI池化层分支获取所述待检测目标的图像的第一ROI候选框;
通过所述第二ROI池化层分支获取所述待检测目标的图像的第二ROI候选框,所述第二ROI候选框的大小大于所述第一ROI候选框的大小,所述第二ROI候选框包含所述第一ROI候选框中的内容及所述第一ROI候选框中的内容的上下文信息;
将所述第一ROI候选框的内容及所述第二ROI候选框的内容发送给所述检测目标网络结构的全连接层;
基于所述检测目标网络结构的全连接层更新所述检测目标网络结构以完成所述待检测目标的图像检测。
本发明计算机可读存储介质具体实施方式与上述电子装置和方法各实施例基本相同,在此不作累述。
可选地,在其他实施例中,所述目标检测程序111还可以被分割为一个或者多个模块,一个或者多个模块被存储于存储器11中,并由一个或多个处理器(本实施例为处理器13)所执行以完成本发明,本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段,用于描述目标检测程序在电子装置中的执行过程。
例如,参照图3所示,为本发明电子装置一实施例中的目标检测程序111的程序模块示意图,该实施例中,目标检测程序111可以被分割为搭建模块10、接收模块20、获取模块30、发送模块40、更新模块50,示例性地:
所述搭建模块10,用于搭建检测目标网络结构,所述检测目标网络结构包含基于上下文关系的ROI池化层,所述ROI池化层包括第一ROI池化层分支及第二ROI池化层分支;
所述接收模块20,用于接收待检测目标的图像;
所述获取模块30,用于通过所述第一ROI池化层分支获取所述待检测目标的图像的第一ROI候选框;并通过所述第二ROI池化层分支获取所述待检测目标的图像的第二ROI候选框,所述第二ROI候选框的大小大于所述第一ROI候选框的大小,所述第二ROI候选框包含所述第一ROI候选框中的内容及所述第一ROI候选框中的内容的上下文信息;
所述发送模块40,用于将所述第一ROI候选框的内容及所述第二ROI候选框的内容发送给所述检测目标网络结构的全连接层;
所述更新模块50,用于基于所述检测目标网络结构的全连接层更新所述检测目标网络结构以完成所述待检测目标的图像检测。
所述搭建模块10、接收模块20、获取模块30、发送模块40、更新模块50等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同,在此不再赘述。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种目标检测方法,其特征在于,所述目标检测方法包括:
搭建检测目标网络结构,所述检测目标网络结构包含基于上下文关系的ROI池化层,所述ROI池化层包括第一ROI池化层分支及第二ROI池化层分支;
接收待检测目标的图像;
通过所述第一ROI池化层分支获取所述待检测目标的图像的第一ROI候选框;
通过所述第二ROI池化层分支获取所述待检测目标的图像的第二ROI候选框,所述第二ROI候选框的大小大于所述第一ROI候选框的大小,所述第二ROI候选框包含所述第一ROI候选框中的内容及所述第一ROI候选框中的内容的上下文信息;
将所述第一ROI候选框的内容及所述第二ROI候选框的内容发送给所述检测目标网络结构的全连接层;
基于所述检测目标网络结构的全连接层更新所述检测目标网络结构以完成所述待检测目标的图像检测。
2.如权利要求1所述的目标检测方法,其特征在于,所述第二ROI候选框的大小为所述第一ROI候选框的大小的1.5倍,所述将所述第一ROI候选框的内容及所述第二ROI候选框的内容发送给所述检测目标网络结构的全连接层的步骤包括:
将不同大小的所述第一ROI池化层分支与所述第二ROI池化层分支的特征连接在一起,输入后续的所述检测目标网络结构的全连接层网络中,形成ROI多分支网络结构。
3.如权利要求1所述的目标检测方法,其特征在于,所述搭建检测目标网络结构的步骤包括:
获取待识别图像;
利用显著性检测方法,检测出所述待识别图像中可能存在目标的区域,形成显著图;
通过构建评价指标,确定所述显著图上不同区域的显著性程度,并根据所述显著性程度确定包含目标的检测目标网络结构。
4.如权利要求3所述的目标检测方法,其特征在于,所述搭建检测目标网络结构的步骤还包括:
在对所述待识别图像进行显著性检测之前,还需要对所述待识别图像进行预处理,包括以下步骤:
获取所述待识别图像的灰度直方图、颜色直方图和矩阵,并分别以参数形式进行保存;
对灰度直方图、颜色直方图和矩阵分别使用灰度共生矩阵进行纹理检测,分别得到灰度直方图、颜色直方图和矩阵中灰度的空间相关特性,并分别以参数形式进行保存;
将所述待识别图像旋转360度,每隔60度重复前述两个步骤,得到六组不同的参数,用于图像的显著性检测。
5.如权利要求3所述的目标检测方法,其特征在于,所述搭建检测目标网络结构,所述检测目标网络结构包含基于上下文关系的ROI池化层的步骤包括:
对每个可能包含目标的ROI区域进行特征提取,得到每个可能包含目标的ROI区域的特征向量;
将所述每个可能包含目标的ROI区域的特征向量送入分类器进行比对,得到含有真实目标的ROI区域;
确定所述待识别图像的检测目标网络结构的ROI池化层。
6.一种电子装置,其特征在于,所述电子装置包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的目标检测程序,所述目标检测程序被所述处理器执行时实现如下步骤:
搭建检测目标网络结构,所述检测目标网络结构包含基于上下文关系的ROI池化层,所述ROI池化层包括第一ROI池化层分支及第二ROI池化层分支;
接收待检测目标的图像;
通过所述第一ROI池化层分支获取所述待检测目标的图像的第一ROI候选框;
通过所述第二ROI池化层分支获取所述待检测目标的图像的第二ROI候选框,所述第二ROI候选框的大小大于所述第一ROI候选框的大小,所述第二ROI候选框包含所述第一ROI候选框中的内容及所述第一ROI候选框中的内容的上下文信息;
将所述第一ROI候选框的内容及所述第二ROI候选框的内容发送给所述检测目标网络结构的全连接层;
基于所述检测目标网络结构的全连接层更新所述检测目标网络结构以完成所述待检测目标的图像检测。
7.如权利要求6所述的电子装置,其特征在于,所述第二ROI候选框的大小为所述第一ROI候选框的大小的1.5倍,所述将所述第一ROI候选框的内容及所述第二ROI候选框的内容发送给所述检测目标网络结构的全连接层的步骤包括:
将不同大小的所述第一ROI池化层分支与所述所述第二ROI池化层分支的特征连接在一起,输入后续的所述检测目标网络结构的全连接层网络中,形成ROI多分支网络结构。
8.如权利要求6所述的电子装置,其特征在于,所述搭建检测目标网络结构的步骤包括:
获取待识别图像;
利用显著性检测方法,检测出所述待识别图像中可能存在目标的区域,形成显著图;
通过构建评价指标,确定所述显著图上不同区域的显著性程度,并根据所述显著性程度确定包含目标的检测目标网络结构。
9.如权利要求8所述的电子装置,其特征在于,所述搭建检测目标网络结构的步骤还包括:在对所述待识别图像进行显著性检测之前,还需要对所述待识别图像进行预处理,包括以下步骤:
获取所述待识别图像的灰度直方图、颜色直方图和矩阵,并分别以参数形式进行保存;
对灰度直方图、颜色直方图和矩阵分别使用灰度共生矩阵进行纹理检测,分别得到灰度直方图、颜色直方图和矩阵中灰度的空间相关特性,并分别以参数形式进行保存;
将所述待识别图像旋转360度,每隔60度重复前述两个步骤,得到六组不同的参数,用于图像的显著性检测。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有目标检测程序,所述目标检测程序可被一个或者多个处理器执行,以实现如权利要求1至5中任一项所述的目标检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911256499.1A CN111160336A (zh) | 2019-12-09 | 2019-12-09 | 目标检测方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911256499.1A CN111160336A (zh) | 2019-12-09 | 2019-12-09 | 目标检测方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111160336A true CN111160336A (zh) | 2020-05-15 |
Family
ID=70556595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911256499.1A Pending CN111160336A (zh) | 2019-12-09 | 2019-12-09 | 目标检测方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160336A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112333539A (zh) * | 2020-10-21 | 2021-02-05 | 清华大学 | 移动通信网络下的视频实时目标检测方法、终端及服务器 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599828A (zh) * | 2016-12-09 | 2017-04-26 | 上海电机学院 | 一种基于roi的红外图像检测方法 |
CN107301383A (zh) * | 2017-06-07 | 2017-10-27 | 华南理工大学 | 一种基于Fast R‑CNN的路面交通标志识别方法 |
CN108491854A (zh) * | 2018-02-05 | 2018-09-04 | 西安电子科技大学 | 基于sf-rcnn的光学遥感图像目标检测方法 |
CN109271856A (zh) * | 2018-08-03 | 2019-01-25 | 西安电子科技大学 | 基于扩张残差卷积的光学遥感图像目标检测方法 |
CN109448307A (zh) * | 2018-11-12 | 2019-03-08 | 哈工大机器人(岳阳)军民融合研究院 | 一种火源目标的识别方法和装置 |
CN110210387A (zh) * | 2019-05-31 | 2019-09-06 | 华北电力大学(保定) | 基于知识图谱的绝缘子目标检测方法、系统、装置 |
CN110348453A (zh) * | 2018-04-04 | 2019-10-18 | 中国科学院上海高等研究院 | 一种基于级联的物体检测方法及系统、存储介质及终端 |
-
2019
- 2019-12-09 CN CN201911256499.1A patent/CN111160336A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599828A (zh) * | 2016-12-09 | 2017-04-26 | 上海电机学院 | 一种基于roi的红外图像检测方法 |
CN107301383A (zh) * | 2017-06-07 | 2017-10-27 | 华南理工大学 | 一种基于Fast R‑CNN的路面交通标志识别方法 |
CN108491854A (zh) * | 2018-02-05 | 2018-09-04 | 西安电子科技大学 | 基于sf-rcnn的光学遥感图像目标检测方法 |
CN110348453A (zh) * | 2018-04-04 | 2019-10-18 | 中国科学院上海高等研究院 | 一种基于级联的物体检测方法及系统、存储介质及终端 |
CN109271856A (zh) * | 2018-08-03 | 2019-01-25 | 西安电子科技大学 | 基于扩张残差卷积的光学遥感图像目标检测方法 |
CN109448307A (zh) * | 2018-11-12 | 2019-03-08 | 哈工大机器人(岳阳)军民融合研究院 | 一种火源目标的识别方法和装置 |
CN110210387A (zh) * | 2019-05-31 | 2019-09-06 | 华北电力大学(保定) | 基于知识图谱的绝缘子目标检测方法、系统、装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112333539A (zh) * | 2020-10-21 | 2021-02-05 | 清华大学 | 移动通信网络下的视频实时目标检测方法、终端及服务器 |
CN112333539B (zh) * | 2020-10-21 | 2022-04-15 | 清华大学 | 移动通信网络下的视频实时目标检测方法、终端及服务器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109961009B (zh) | 基于深度学习的行人检测方法、系统、装置及存储介质 | |
CN110853047B (zh) | 智能图像分割及分类方法、装置及计算机可读存储介质 | |
CN107656729B (zh) | 列表视图的更新装置、方法及计算机可读存储介质 | |
CN112101317B (zh) | 页面方向识别方法、装置、设备及计算机可读存储介质 | |
CN110222511A (zh) | 恶意软件家族识别方法、装置及电子设备 | |
CN111325104A (zh) | 文本识别方法、装置及存储介质 | |
CN108021863B (zh) | 电子装置、基于图像的年龄分类方法及存储介质 | |
CN111291753A (zh) | 基于图像的文本识别方法、装置及存储介质 | |
CN113222921A (zh) | 一种图像处理方法及系统 | |
CN111160336A (zh) | 目标检测方法、装置及计算机可读存储介质 | |
CN113506368B (zh) | 地图数据融合方法、装置、电子设备、介质和程序产品 | |
CN110517201A (zh) | 循环保边平滑滤波的方法、装置和电子设备 | |
KR101700030B1 (ko) | 사전 정보를 이용한 영상 물체 탐색 방법 및 이를 수행하는 장치 | |
US20230123879A1 (en) | Method and apparatus for positioning express parcel | |
CN110705547B (zh) | 图像内文字识别方法、装置及计算机可读存储介质 | |
CN113963311B (zh) | 一种安全生产风险视频监控方法及系统 | |
CN110717060A (zh) | 图像mask的过滤方法、装置及存储介质 | |
CN108304104B (zh) | 一种数据获取方法及其设备、存储介质、终端 | |
CN116311526A (zh) | 图像区域确定方法、装置、电子设备及存储介质 | |
CN113673344B (zh) | 一种智能塔吊物料挂载位置识别方法和装置 | |
CN110717056B (zh) | Noe4j图数据库的更新维护方法、装置及计算机可读存储介质 | |
CN111061512B (zh) | 分支指令的处理方法、装置、设备和存储介质 | |
CN113538288A (zh) | 网络异常检测方法、装置及计算机可读存储介质 | |
CN111339459A (zh) | 一种信息处理方法、服务器、终端及计算机存储介质 | |
CN112464946A (zh) | 一种基于大数据的垃圾图像收集方法及系统 |
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 |