CN111784624A - 目标检测方法、装置、设备及计算机可读存储介质 - Google Patents
目标检测方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111784624A CN111784624A CN201910262761.7A CN201910262761A CN111784624A CN 111784624 A CN111784624 A CN 111784624A CN 201910262761 A CN201910262761 A CN 201910262761A CN 111784624 A CN111784624 A CN 111784624A
- Authority
- CN
- China
- Prior art keywords
- model
- trained
- image
- resolution
- preset
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims description 54
- 230000015556 catabolic process Effects 0.000 claims description 20
- 238000006731 degradation reaction Methods 0.000 claims description 20
- 238000002372 labelling Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种目标检测方法、装置、设备及计算机可读存储介质，方法包括：获取待检测图像；通过预设的超分辨率模型对所述待检测图像进行超分辨率重建，获得超分辨率图像；通过预设的目标检测模型对所述超分辨率图像进行目标检测，获得包含目标信息的检测结果。通过对待检测图像进行超分辨率重建，得到像素较高的超分辨率图像，对超分辨率图像进行目标检测，由于超分辨力图像像素较高，且包含信息较为丰富，从而对超分辨率图像进行目标检测能够大大提高目标检测的成功率以及准确率。
Description
技术领域
本发明涉及数据处理领域，尤其涉及一种目标检测方法、装置、设备及计算机可读存储介质。
背景技术
随着深度学习技术的发展，通过机器智能分析为图像自动定位与检测成为了可能，目标检测(Image detection)技术基于图像中已有丰富信息，根据颜色、形状、文字等获取图像位置信息。
现有的目标检测方法一般都是通过目标检测模型进行检测，首先需要对公开数据集进行数据标注，并通过标注后的数据集对模型进行训练，直至模型收敛，获得目标检测模型。从而可以直接将待检测图像输入至目标检测模型中，即能实现图像的定位与检测。
但是，通过上述方法进行图像定位与检测时，由于现实中获得的目标图像往往存在细节信息丢失的问题，其降质表现为模糊、压缩失真等因素，因此，使用上述目标检测模型对现实中获得的目标图像进行检测往往效果较差。
发明内容
本发明提供一种目标检测方法、装置、设备及计算机可读存储介质，用于解决现有的目标检测方法当现实中获得的目标图像质量较差时检测结果效果不佳的技术问题。
本发明的第一个方面是提供一种目标检测方法，包括：
获取待检测图像；
通过预设的超分辨率模型对所述待检测图像进行超分辨率重建，获得超分辨率图像；
通过预设的目标检测模型对所述超分辨率图像进行目标检测，获得包含目标信息的检测结果。
本发明的另一个方面是提供一种目标检测装置，包括：
第一获取模块，用于获取待检测图像；
重建模块，用于通过预设的超分辨率模型对所述待检测图像进行超分辨率重建，获得超分辨率图像；
检测模块，用于通过预设的目标检测模型对所述超分辨率图像进行目标检测，获得包含目标信息的检测结果。
本发明的又一个方面是提供一种目标检测设备，包括：存储器，处理器；
存储器；用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为由所述处理器执行如上述的目标检测方法。
本发明的又一个方面是提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上述的目标检测方法。
本发明提供的目标检测方法、装置、设备及计算机可读存储介质，通过对待检测图像进行超分辨率重建，得到像素较高的超分辨率图像，对超分辨率图像进行目标检测，由于超分辨力图像像素较高，且包含信息较为丰富，从而对超分辨率图像进行目标检测能够大大提高目标检测的成功率以及准确率。
附图说明
为了更清楚地说明本发明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简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的目标检测方法的流程示意图；
图2为本发明实施例二提供的目标检测方法的流程示意图；
图3为本发明实施例三提供的目标检测方法的流程示意图；
图4为本发明实施例四提供的目标检测方法的流程示意图；
图5为本发明实施例五提供的目标检测方法的流程示意图；
图6为本发明实施例六提供的目标检测装置的结构示意图；
图7为本发明实施例七提供的目标检测设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例所获得的所有其他实施例，都属于本发明保护的范围。
针对上述提及的在现有的目标检测方法中，当采集到的待检测图像细节丢失，图像质量较差时，通过目标检测模型获得的检测结果欠佳的技术问题，本发明提供了一种目标检测方法、装置、设备及计算机可读存储介质。
需要说明的是，本发明提供的目标检测方法能够应用在对任意一种目标检测的场景中。
图1为本发明实施例一提供的目标检测方法的流程示意图，如图1所示，所述方法包括：
步骤101、获取待检测图像；
步骤102、通过预设的超分辨率模型对所述待检测图像进行超分辨率重建，获得超分辨率图像；
步骤103、通过预设的目标检测模型对所述超分辨率图像进行目标检测，获得包含目标信息的检测结果。
本实施例的执行主体为目标检测装置。在实际应用中，很多场景都需要对图像中的目标信息进行检测，举例来说，可以对超市中各商品进行检测等。因此，为了实现对目标信息的检测，首先需要获取待检测图像，该待检测图像为通过图像采集装置采集到的图像信息，具体地，该图像信息可能为视频信息、图像信息等，针对图像信息，可以直接对其进行目标检测，针对视频信息，可以针对该视频信息中的每一帧进行目标检测。由于图像信息在采集、传输过程中，可能对图像质量产生影响，造成图像较为模糊、压缩失真等现象，因此，为了提高图像目标检测的准确度，首先可以对待检测图像进行超分辨率重建操作，获得超分辨率图像。具体地，超分辨率(Super-Resolution)即通过硬件或软件的方法提高原有图像的分辨率，通过一系列低分辨率的图像来得到一幅高分辨率的图像过程就是超分辨率重建。在本实施例中，可以采用神经网络的方式实现对待检测图像的重建，具体可以通过预设的超分辨率模型对待检测图像进行超分辨率进行重建。由于超分辨率重建后的超分辨率图像像素较高，相应地其具有的信息较为丰富，因此针对超分辨率模型输出的超分辨率图像进行目标检测得到的检测结果较为精准。具体地，可以通过预设的目标检测模型对超分辨率图像进行目标检测，获得包含目标信息的检测结果。
作为一种可以实施的方式，在对待检测图像进行超分辨率重建时，还可以通过基于稀疏表示与字典学习的方法或者其他能够实现超分辨率重建的方式，本发明在此不做限制，具体地，采用基于稀疏表示与字典学习的方法时，可以将稀疏表示与字典学习相结合，先将图像分成若干个图像块，符合稀疏表示的形式，再通过字典学习图像块之间的相似性。
本实施例提供的目标检测方法，通过对待检测图像进行超分辨率重建，得到像素较高的超分辨率图像，对超分辨率图像进行目标检测，由于超分辨力图像像素较高，且包含信息较为丰富，从而对超分辨率图像进行目标检测能够大大提高目标检测的成功率以及准确率。
进一步地，在上述任一实施例的基础上，通过预设的超分辨率模型对所述待检测图像进行超分辨率重建，获得超分辨率图像之前，所述方法还包括：
通过预设的第一待训练数据集对预设的第一待训练模型进行训练，获得所述超分辨率模型；
当所述超分辨率模型收敛时，通过预设的第二待训练数据集对预设的第二待训练模型进行训练，获得所述目标检测模型。
在本实施例中，为了实现通过超分辨率模型以及目标检测模型对待检测图像进行处理，首先需要训练获得超分辨率模型以及目标检测模型。具体地，可以通过预设的第一待训练数据对预设的第一待训练模型进行训练，获得超分辨率模型。并通过预设的第二待训练数据集对预设的第二待训练模型进行训练，获得目标检测模型。需要说明的是，由于目标检测模型进行目标检测的过程中，需要依赖超分辨率模型输出的图像，因此，需要超分辨率模型输出的图像足够优质，故在训练过程中，需要首先对超分辨率模型进行训练，当超分辨率模型收敛之后，再对目标检测模型进行训练。
本实施例提供的目标检测方法，通过在训练获得收敛的超分辨率模型之后，在对预设的第二待训练模型进行训练，从而能够进一步地提高目标检测的精准度。
图2为本发明实施例二提供的目标检测方法的流程示意图，在上述任一实施例的基础上，如图2所示，所述通过预设的第一待训练数据集对预设的第一待训练模型进行训练，获得所述超分辨率模型，包括：
步骤201、获取低分辨率图像集，所述低分辨率图像集中包括至少一张低分辨率图像，将所述低分辨率图像集作为所述第一待训练数据集；
步骤202、将所述第一待训练数据集输入至预设的生成器，获得待判别图像集；
步骤203、通过预设的判别器对所述待判别图像集进行判别，获得判别结果；
步骤204、根据所述判别结果对所述第一待训练模型进行训练，获得所述超分辨率模型。
在本实施例中，首先需要获取低分辨率图像集，其中，低分辨率图像集中包括至少一张低分辨率图像。将该低分辨率图像集作为第一待训练数据集，将该第一待训练数据集输入至预设的第一待训练模型中，其中，第一待训练模型包括生成器与判别器，生成器用于根据第一待训练数据集中的数据生成待判别图像集，判别器用于对判别器生成的待判别图像集进行判别，当待判别图像集中的图像与真实图像差值小于预设的阈值，则判别结果为真，当待判别图像集中的图像与真实图像差值大于预设的阈值，则判别结果为假，通过生成器与判别器相互对抗，能够保证生成器生成的图像足够接近真实图像。当判别结果为真时，表征生成器生成的待判别图像集中的图像与真是图像足够接近，可以使用该待判别图像集中的图像进行目标检测；相应地，若判别结果为假，则表征待判别图像集中的图像与真实图像之间的差距较大，还需要继续对生成器进行训练。具体地，可以将第一待训练数据集输入至生成器中，并接受生成器生成的待判别图像集，通过预设的判别器对待判别图像集中的图像进行判别，并根据判别结果对第一待训练模型进行继续训练。
具体地，第一待训练模型的可以为预训练好的图像残差网络Res-net，其中，Resnet结构中由四个模块block组成，每个block由两个3*3卷积层进行特征提取，卷积层中由若干个卷积层(conv)、非线性激活层(Prelu)组成；通过跳跃连接高频信息补偿，(各个block的输入跳跃连接到block的输出)，根据实际情况可调整卷积核相关参数设置。该网络可以获得重建图像(z)，记作z＝S(y)。
本实施例提供的目标检测方法，通过将第一待训练数据集输入至生成器中，并接受生成器生成的待判别图像集，通过预设的判别器对待判别图像集中的图像进行判别，并根据判别结果对第一待训练模型进行继续训练，从而能够保证超分辨率模型生成的图像足够接近真实图像，为提高目标检测精准度提供了基础。
进一步地，在上述任一实施例的基础上，所述方法包括：
若所述判别结果为真，则获得所述超分辨率模型；
若所述判别结果为假，则将所述待判别图像集作为当前的第一待训练数据集，重复执行所述将所述第一待训练数据集输入至预设的生成器，获得待判别图像集的步骤，直至所述判别结果为真。
在本实施例中，第一待训练模型包括生成器与判别器，生成器用于根据第一待训练数据集中的数据生成待判别图像集，判别器用于对判别器生成的待判别图像集进行判别，当待判别图像集中的图像与真实图像差值小于预设的阈值，则判别结果为真，当待判别图像集中的图像与真实图像差值大于预设的阈值，则判别结果为假，通过生成器与判别器相互对抗，能够保证生成器生成的图像足够接近真实图像。因此，可以根据判别结果对模型进行训练。具体地，若判别结果为真时，则表征当前输出的图像足够真实，此时，获得训练好的超分辨率模型。若判别结果为假，则表征当前输出的图像与真实图像差距较大，还需要继续进行训练，则可以将待判别图像集作为当前的第一待训练数据集，重复执行将第一待训练数据集输入至预设的生成器，获得待判别图像集的步骤，直至判别结果为真。
本实施例提供的目标检测方法，通过生成器与判别器相互对抗，从而能够获得收敛的超分辨率模型，进而能够保证超分辨率模型生成的图像足够接近真实图像，为提高目标检测精准度提供了基础。
图3为本发明实施例三提供的目标检测方法的流程示意图，在上述任一实施例的基础上，如图3所示，获取低分辨率图像集，具体包括：
步骤301、获取高清图像采集装置采集到的高清图像集；
步骤302、对所述高清图像集进行降质操作，获得所述低分辨率图像集。
在本实施例中，为了实现对低分辨率图像集的获取，首先需要通过高清图像采集装置采集高清图像集。由于对超分辨率模型训练需要低分辨率的图像集，因此，在采集到高清图像集之后，可以对高清图像集进行降质操作，获得低分辨率图像集。以实际应用举例来说，可以对512*512的图像进行降质操作，获得256*256的低分辨率图像。此外，还需要对低分辨率图像集进行尺寸调整，使其具有同样的尺寸，并将低分辨率图像集中的图像与其对应的高清图像建立关联关系。具体地，可以从高清设备采集到的数据中筛选彩色图像(x)，将x通过Image-degradation(D)处理后，得到低分辨率LR彩色图像(y)，记作y＝D(x)。
需要说明的是，在商品识别场景中，由于现有的目标检测模型都是通过公开数据集训练获得的，而公开数据集具体包括行人、人脸等对象，缺乏真实场景下的商品，在行人、人脸等数据集下训练的目标检测模型不具备商品检测的泛化能力。因此，在本实施例中，该高清图像集可以是从便利店、超市中采集到的商品的高清图像集。
此外，超分辨率模型的数量为至少一个，针对不同的降质参数可以对应不同的超分辨率模型。因此，在接收到待检测图像时，首先需要确定其降质参数，并选择与该降质参数对应的超分辨率模型。举例来说，可以对512*512的图像进行降质操作，获得256*256的低分辨率图像，则该图像对应的降质参数为2，在进行超分辨率重建时，需要选择降质参数为2的超分辨率模型进行重建。
本实施例提供的目标检测方法，通过对采集到的高清图像集进行降质操作，从而能够获得低分辨率图像集，进而为对超分辨率模型的训练提供了基础。
进一步地，在上述任一实施例的基础上，所述对所述高清图像集进行降质操作，包括：
通过双线性插值法对所述高清图像集进行降质操作；和/或，
在所述高清图像集中加入随机噪声，获得所述低分辨率图像集。
在本实施例中，为了实现对高清图像集的降质操作，具体可以采用双线性插值法对高清图像集进行降质操作，作为一种可以实施的方式，还可以在该高清图像集的图像中加入随机造成，获得低分辨率图像集。还可以采用其他任意一种能够实现降质操作的方法实现对高清图像集的降质操作，本发明在此不做限制。
本实施例提供的目标检测方法，通过双线性插值法对所述高清图像集进行降质操作；和/或，在所述高清图像集中加入随机噪声，获得所述低分辨率图像集，从而能够获得低分辨率图像集，进而为对超分辨率模型的训练提供了基础。
图4为本发明实施例四提供的目标检测方法的流程示意图，在上述任一实施例的基础上，如图4所示，所述通过预设的第一待训练数据集对预设的第一待训练模型进行训练，获得所述超分辨率模型之后，还包括：
步骤401、获取所述超分辨率模型输出的第一输出图像集；
步骤402、将所述输出图像集输入至预设的VGG网络中，获取所述VGG网络输出的待比对图像集；
步骤403、针对所述待比对图像集中的各第一图像，计算所述第一图像与其对应的第一真实图像之间的第一差值；
步骤404、若所述第一差值大于预设的第一差值阈值，则根据所述第一差值对所述超分辨率模型的参数进行调节，直至第一差值小于预设的第一差值阈值。
在本实施例中，可以获取超分辨率模型输出的第一输出图像集，并将第一输出图像集输入至预设的VGG网络中，针对第一输出图像集中的各第一输出图像，VGG网络提取第一输出图像集中第一输出图像与真实图像各层的特征，VGG的各层信息分别对应于图像的底层、中层及高层信息，计算第一输出图像集中第一输出图像与真实图像的第一差值，若该第一差值大于预设的第一差值阈值，则根据该第一差值对超分辨率模型的参数进行调节。直至该超分辨率模型输出的第一输出图像与真实图像的第一差值小于预设的第一差值阈值，则表征该超分辨率模型输出的第一输出图像与真实图像足够相似，可以采用该第一输出图像进行目标检测。
具体地，可以采用预训练好的VGG16网络作为判别Discriminator，将其分解为五个阶段，先分别从这五个阶段抽取真实图像与第一输出图像的特征gi(z),gi(h)，i对应其5个阶段；再通过公式1计算真实图像与第一输出图像之间的距离：
最后通过公式2加权平均得到二者的感知损失。
本实施例提供的目标检测方法，通过第一输出图像集中第一输出图像与真实图像的第一差值对超分辨率模型进行调节，从而能够提高超分辨模型重建的精准度，进而能够提高目标检测的精准度。
图5为本发明实施例五提供的目标检测方法的流程示意图，在上述任一实施例的基础上，如图5所示，所述通过预设的第二待训练数据集对预设的第二待训练模型进行训练，获得所述目标检测模型，包括：
步骤501、获取所述超分辨率模型输出的第一输出图像集；
步骤502、对所述待训练数据集中的目标信息进行标注，将标注后的所述输出图像集作为所述第二待训练数据集；
步骤503、通过所述第二待训练数据集对预设的第二待训练模型进行训练，获得所述目标检测模型。
在本实施例中，可以通过收敛的超分辨率模型输出的图像对第二待训练模型进行训练，具体地，可以获取超分辨率模型输出的第一输出图像集。针对该第一输出图像集中的各图像，对图像中的目标信息进行标注，将标注后的输出图像集作为第二待训练数据集。具体地，可以根据实际应用场景对目标信息进行标注，若该目标检测模型用于对商品进行检测，可以对第一输出图像集中的各图像中的商品进行标注；若该目标检测模型用于人脸识别，则可以对第一输出图像集中的各图像中的人脸进行标注。获得第二待训练数据集之后，可以根据第二待训练数据集对预设的第二待训练模型进行训练，获得目标检测模型。
本实施例提供的目标检测方法，通过对获取超分辨率模型输出的第一输出图像集进行标注，并通过标注后的第二待训练数据集对预设的第二待训练模型进行训练，获得所述目标检测模型，从而能够实现对待检测图像的目标检测。
进一步地，在上述任一实施例的基础上，所述通过所述第二待训练数据集对预设的第二待训练模型进行训练，获得所述目标检测模型，包括：
获取所述第二待训练模型输出的第二输出图像集；
针对所述第二输出图像集中的各第二图像，计算所述第二图像与其对应的第二真实图像之间的第二差值；
若所述第二差值大于预设的第二差值阈值，则根据所述第二差值对所述第二待训练模型的参数进行调节，直至所述第二差值小于预设的第二差值阈值。
在本实施例中，为了提高目标检测模型的检测精准度，还可以将目标检测模型的输出结果与第二真实图像进行比对，并根据比对结果对目标检测模型的参数进行调节。具体地，可以获取第二待训练模型输出的第二输出图像集，针对第二输出图像集中的各第二图像，计算第二图像与第二真实图像之间的第二差值，其中，第二真实图像为标注后的待检测图像。判断该第二差值是否大于预设的第二差值阈值，若是，则表征该第二待训练模型输出的第二图像与第二真实图像之间的差距较大，还需要继续对第二待训练模型进行训练，此时，可以对第二待训练模型的参数进行调整，直至第二图像与第二真实图像之间的第二差值小于预设的第二差值阈值。相应地，第二差值是否不大于预设的第二差值阈值，则表征该第二待训练模型收敛，获得目标检测模型。
具体地，可以采用位置判断算法，输入第二真实图像t和第二图像z，通过第二待训练模型处理，输出真假图像的位置信息(x,y,w,h,c)，分别对应其目标左上角横坐标、纵坐标、宽、高、置信度等信息。其中，第二待训练模型与VGG网络共享权值，采用预训练网络VGG-net，输出真假图像的位置信息可转化为N×M像素。针对图像N×M块判断是否为真，相当于输出N×M个神经元，平均后得出最终结果。
本实施例提供的目标检测方法，通过根据第二图像与第二真实图像之间的第二差值对第二待训练模型的参数进行调节直至模型收敛，从而能够提高目标检测模型的检测精准度。
图6为本发明实施例六提供的目标检测装置的结构示意图，如图6所示，所述目标检测装置包括：
第一获取模块61，用于获取待检测图像；
重建模块62，用于通过预设的超分辨率模型对所述待检测图像进行超分辨率重建，获得超分辨率图像；
检测模块63，用于通过预设的目标检测模型对所述超分辨率图像进行目标检测，获得包含目标信息的检测结果。
本实施例提供的目标检测装置，通过对待检测图像进行超分辨率重建，得到像素较高的超分辨率图像，对超分辨率图像进行目标检测，由于超分辨力图像像素较高，且包含信息较为丰富，从而对超分辨率图像进行目标检测能够大大提高目标检测的成功率以及准确率。
进一步地，在上述任一实施例的基础上，所述装置还包括：
第一训练模块，用于通过预设的第一待训练数据集对预设的第一待训练模型进行训练，获得所述超分辨率模型；
第二训练模块，用于当所述超分辨率模型收敛时，通过预设的第二待训练数据集对预设的第二待训练模型进行训练，获得所述目标检测模型。
进一步地，在上述任一实施例的基础上，第一待训练模型包括生成器与判别器，所述第一训练模块包括：
第一获取单元，用于获取低分辨率图像集，所述低分辨率图像集中包括至少一张低分辨率图像，将所述低分辨率图像集作为所述第一待训练数据集；
输入单元，用于将所述第一待训练数据集输入至预设的生成器，获得待判别图像集；
判别单元，用于通过预设的判别器对所述待判别图像集进行判别，获得判别结果；
第一训练单元，用于根据所述判别结果对所述第一待训练模型进行训练，获得所述超分辨率模型。
进一步地，在上述任一实施例的基础上，所述训练单元用于：
若所述判别结果为真，则获得所述超分辨率模型；
若所述判别结果为假，则将所述待判别图像集作为当前的第一待训练数据集，重复执行所述将所述第一待训练数据集输入至预设的生成器，获得待判别图像集的步骤，直至所述判别结果为真。
进一步地，在上述任一实施例的基础上，所述第一获取单元用于：
获取高清图像采集装置采集到的高清图像集；
对所述高清图像集进行降质操作，获得所述低分辨率图像集。
进一步地，在上述任一实施例的基础上，所述第一获取单元用于：
通过双线性插值法对所述高清图像集进行降质操作；和/或，
在所述高清图像集中加入随机噪声，获得所述低分辨率图像集。
进一步地，在上述任一实施例的基础上，所述装置还包括：
第二获取模块，用于获取所述超分辨率模型输出的第一输出图像集；
输入模块，用于将所述输出图像集输入至预设的VGG网络中，获取所述VGG网络输出的待比对图像集；
计算模块，用于针对所述待比对图像集中的各第一图像，计算所述第一图像与其对应的第一真实图像之间的第一差值；
调节模块，用于若所述第一差值大于预设的第一差值阈值，则根据所述第一差值对所述超分辨率模型的参数进行调节，直至第一差值小于预设的第一差值阈值。
进一步地，在上述任一实施例的基础上，所述第二训练模块包括：
第二获取单元，用于获取所述超分辨率模型输出的第一输出图像集；
标注单元，用于对所述待训练数据集中的目标信息进行标注，将标注后的所述输出图像集作为所述第二待训练数据集；
第二训练单元，用于通过所述第二待训练数据集对预设的第二待训练模型进行训练，获得所述目标检测模型。
进一步地，在上述任一实施例的基础上，所述第二训练单元用于：
获取所述第二待训练模型输出的第二输出图像集；
针对所述第二输出图像集中的各第二图像，计算所述第二图像与其对应的第二真实图像之间的第二差值；
若所述第二差值大于预设的第二差值阈值，则根据所述第二差值对所述第二待训练模型的参数进行调节，直至所述第二差值小于预设的第二差值阈值。
图7为本发明实施例七提供的目标检测设备的结构示意图，如图7所示，所述目标检测设备，包括：存储器71，处理器72；
存储器71；用于存储所述处理器72可执行指令的存储器71；
其中，所述处理器72被配置为由所述处理器72执行如上述任一实施例所述的目标检测方法。
本发明又一实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上述任一实施例所述的目标检测方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
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：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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发明各实施例技术方案的范围。
Claims (20)
1.一种目标检测方法，其特征在于，包括：
获取待检测图像；
通过预设的超分辨率模型对所述待检测图像进行超分辨率重建，获得超分辨率图像；
通过预设的目标检测模型对所述超分辨率图像进行目标检测，获得包含目标信息的检测结果。
2.根据权利要求1所述的方法，其特征在于，所述通过预设的超分辨率模型对所述待检测图像进行超分辨率重建之前，还包括：
通过预设的第一待训练数据集对预设的第一待训练模型进行训练，获得所述超分辨率模型；
当所述超分辨率模型收敛时，通过预设的第二待训练数据集对预设的第二待训练模型进行训练，获得所述目标检测模型。
3.根据权利要求2所述的方法，其特征在于，第一待训练模型包括生成器与判别器，所述通过预设的第一待训练数据集对预设的第一待训练模型进行训练，获得所述超分辨率模型，包括：
获取低分辨率图像集，所述低分辨率图像集中包括至少一张低分辨率图像，将所述低分辨率图像集作为所述第一待训练数据集；
将所述第一待训练数据集输入至预设的生成器，获得待判别图像集；
通过预设的判别器对所述待判别图像集进行判别，获得判别结果；
根据所述判别结果对所述第一待训练模型进行训练，获得所述超分辨率模型。
4.根据权利要求3所述的方法，其特征在于，所述根据所述判别结果对所述第一待训练模型进行训练，获得所述超分辨率模型，包括：
若所述判别结果为真，则获得所述超分辨率模型；
若所述判别结果为假，则将所述待判别图像集作为当前的第一待训练数据集，重复执行所述将所述第一待训练数据集输入至预设的生成器，获得待判别图像集的步骤，直至所述判别结果为真。
5.根据权利要求2-4任一项所述的方法，其特征在于，所述获取低分辨率图像集，包括：
获取高清图像采集装置采集到的高清图像集；
对所述高清图像集进行降质操作，获得所述低分辨率图像集。
6.根据权利要求5所述的方法，其特征在于，所述对所述高清图像集进行降质操作，包括：
通过双线性插值法对所述高清图像集进行降质操作；和/或，
在所述高清图像集中加入随机噪声，获得所述低分辨率图像集。
7.根据权利要求2-4任一项所述的方法，其特征在于，所述通过预设的第一待训练数据集对预设的第一待训练模型进行训练，获得所述超分辨率模型之后，还包括：
获取所述超分辨率模型输出的第一输出图像集；
将所述输出图像集输入至预设的VGG网络中，获取所述VGG网络输出的待比对图像集；
针对所述待比对图像集中的各第一图像，计算所述第一图像与其对应的第一真实图像之间的第一差值；
若所述第一差值大于预设的第一差值阈值，则根据所述第一差值对所述超分辨率模型的参数进行调节，直至第一差值小于预设的第一差值阈值。
8.根据权利要求2-4任一项所述的方法，其特征在于，所述通过预设的第二待训练数据集对预设的第二待训练模型进行训练，获得所述目标检测模型，包括：
获取所述超分辨率模型输出的第一输出图像集；
对所述待训练数据集中的目标信息进行标注，将标注后的所述输出图像集作为所述第二待训练数据集；
通过所述第二待训练数据集对预设的第二待训练模型进行训练，获得所述目标检测模型。
9.根据权利要求8所述的方法，其特征在于，所述通过所述第二待训练数据集对预设的第二待训练模型进行训练，获得所述目标检测模型，包括：
获取所述第二待训练模型输出的第二输出图像集；
针对所述第二输出图像集中的各第二图像，计算所述第二图像与其对应的第二真实图像之间的第二差值；
若所述第二差值大于预设的第二差值阈值，则根据所述第二差值对所述第二待训练模型的参数进行调节，直至所述第二差值小于预设的第二差值阈值。
10.一种目标检测装置，其特征在于，包括：
第一获取模块，用于获取待检测图像；
重建模块，用于通过预设的超分辨率模型对所述待检测图像进行超分辨率重建，获得超分辨率图像；
检测模块，用于通过预设的目标检测模型对所述超分辨率图像进行目标检测，获得包含目标信息的检测结果。
11.根据权利要求10所述的装置，其特征在于，所述装置还包括：
第一训练模块，用于通过预设的第一待训练数据集对预设的第一待训练模型进行训练，获得所述超分辨率模型；
第二训练模块，用于当所述超分辨率模型收敛时，通过预设的第二待训练数据集对预设的第二待训练模型进行训练，获得所述目标检测模型。
12.根据权利要求11所述的装置，其特征在于，第一待训练模型包括生成器与判别器，所述第一训练模块包括：
第一获取单元，用于获取低分辨率图像集，所述低分辨率图像集中包括至少一张低分辨率图像，将所述低分辨率图像集作为所述第一待训练数据集；
输入单元，用于将所述第一待训练数据集输入至预设的生成器，获得待判别图像集；
判别单元，用于通过预设的判别器对所述待判别图像集进行判别，获得判别结果；
第一训练单元，用于根据所述判别结果对所述第一待训练模型进行训练，获得所述超分辨率模型。
13.根据权利要求12所述的装置，其特征在于，所述训练单元用于：
若所述判别结果为真，则获得所述超分辨率模型；
若所述判别结果为假，则将所述待判别图像集作为当前的第一待训练数据集，重复执行所述将所述第一待训练数据集输入至预设的生成器，获得待判别图像集的步骤，直至所述判别结果为真。
14.根据权利要求12-13任一项所述的装置，其特征在于，所述第一获取单元用于：
获取高清图像采集装置采集到的高清图像集；
对所述高清图像集进行降质操作，获得所述低分辨率图像集。
15.根据权利要求14所述的装置，其特征在于，所述第一获取单元用于：
通过双线性插值法对所述高清图像集进行降质操作；和/或，
在所述高清图像集中加入随机噪声，获得所述低分辨率图像集。
16.根据权利要求11-13任一项所述的装置，其特征在于，所述装置还包括：
第二获取模块，用于获取所述超分辨率模型输出的第一输出图像集；
输入模块，用于将所述输出图像集输入至预设的VGG网络中，获取所述VGG网络输出的待比对图像集；
计算模块，用于针对所述待比对图像集中的各第一图像，计算所述第一图像与其对应的第一真实图像之间的第一差值；
调节模块，用于若所述第一差值大于预设的第一差值阈值，则根据所述第一差值对所述超分辨率模型的参数进行调节，直至第一差值小于预设的第一差值阈值。
17.根据权利要求11-13任一项所述的装置，其特征在于，所述第二训练模块包括：
第二获取单元，用于获取所述超分辨率模型输出的第一输出图像集；
标注单元，用于对所述待训练数据集中的目标信息进行标注，将标注后的所述输出图像集作为所述第二待训练数据集；
第二训练单元，用于通过所述第二待训练数据集对预设的第二待训练模型进行训练，获得所述目标检测模型。
18.根据权利要求17所述的装置，其特征在于，所述第二训练单元用于：
获取所述第二待训练模型输出的第二输出图像集；
针对所述第二输出图像集中的各第二图像，计算所述第二图像与其对应的第二真实图像之间的第二差值；
若所述第二差值大于预设的第二差值阈值，则根据所述第二差值对所述第二待训练模型的参数进行调节，直至所述第二差值小于预设的第二差值阈值。
19.一种目标检测设备，其特征在于，包括：存储器，处理器；
存储器；用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为由所述处理器执行如权利要求1-9任一项所述的目标检测方法。
20.一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中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-9任一项所述的目标检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910262761.7A CN111784624B (zh) | 2019-04-02 | 2019-04-02 | 目标检测方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910262761.7A CN111784624B (zh) | 2019-04-02 | 2019-04-02 | 目标检测方法、装置、设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111784624A true CN111784624A (zh) | 2020-10-16 |
| CN111784624B CN111784624B (zh) | 2024-05-24 |
Family
ID=72754843
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910262761.7A Active CN111784624B (zh) | 2019-04-02 | 2019-04-02 | 目标检测方法、装置、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111784624B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112910875A (zh) * | 2021-01-27 | 2021-06-04 | 维沃移动通信有限公司 | 显示方法及装置 |
| CN112929665A (zh) * | 2021-01-28 | 2021-06-08 | 北京博雅慧视智能技术研究院有限公司 | 联合超分辨率和视频编码的目标跟踪方法、装置、设备及介质 |
| CN115311522A (zh) * | 2022-10-12 | 2022-11-08 | 深圳海星智驾科技有限公司 | 用于自动驾驶的目标检测方法及装置、电子设备及介质 |
| WO2023060746A1 (zh) * | 2021-10-14 | 2023-04-20 | 中国科学院深圳先进技术研究院 | 一种基于超分辨率的小图像多目标检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9294690B1 (en) * | 2008-04-10 | 2016-03-22 | Cyan Systems, Inc. | System and method for using filtering and pixel correlation to increase sensitivity in image sensors |
| CN106570886A (zh) * | 2016-10-27 | 2017-04-19 | 南京航空航天大学 | 一种基于超分辨率重建的目标跟踪方法 |
| CN107704857A (zh) * | 2017-09-25 | 2018-02-16 | 北京邮电大学 | 一种端到端的轻量级车牌识别方法及装置 |
-
2019
- 2019-04-02 CN CN201910262761.7A patent/CN111784624B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9294690B1 (en) * | 2008-04-10 | 2016-03-22 | Cyan Systems, Inc. | System and method for using filtering and pixel correlation to increase sensitivity in image sensors |
| CN106570886A (zh) * | 2016-10-27 | 2017-04-19 | 南京航空航天大学 | 一种基于超分辨率重建的目标跟踪方法 |
| CN107704857A (zh) * | 2017-09-25 | 2018-02-16 | 北京邮电大学 | 一种端到端的轻量级车牌识别方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 吴炜;杨晓敏;卿粼波;杨毅;陈默;何小海;: "基于马尔可夫随机场的低分辨率车牌图像复原算法", 计算机应用研究, no. 03 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112910875A (zh) * | 2021-01-27 | 2021-06-04 | 维沃移动通信有限公司 | 显示方法及装置 |
| CN112929665A (zh) * | 2021-01-28 | 2021-06-08 | 北京博雅慧视智能技术研究院有限公司 | 联合超分辨率和视频编码的目标跟踪方法、装置、设备及介质 |
| WO2023060746A1 (zh) * | 2021-10-14 | 2023-04-20 | 中国科学院深圳先进技术研究院 | 一种基于超分辨率的小图像多目标检测方法 |
| CN115311522A (zh) * | 2022-10-12 | 2022-11-08 | 深圳海星智驾科技有限公司 | 用于自动驾驶的目标检测方法及装置、电子设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111784624B (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108256562B (zh) | 基于弱监督时空级联神经网络的显著目标检测方法及系统 | |
| CN108229490B (zh) | 关键点检测方法、神经网络训练方法、装置和电子设备 | |
| EP3979200A1 (en) | Video target tracking method and apparatus, computer device and storage medium | |
| CN106683048B (zh) | 一种图像超分辨率方法及设备 | |
| CN111784624B (zh) | 目标检测方法、装置、设备及计算机可读存储介质 | |
| CN109241985B (zh) | 一种图像识别方法及装置 | |
| KR20210139450A (ko) | 이미지 디스플레이 방법 및 디바이스 | |
| CN111738054B (zh) | 一种基于时空自编码器网络和时空cnn的行为异常检测方法 | |
| CN111753782B (zh) | 一种基于双流网络的假脸检测方法、装置及电子设备 | |
| WO2019136591A1 (zh) | 基于弱监督时空级联神经网络的显著目标检测方法及系统 | |
| CN110674759A (zh) | 一种基于深度图的单目人脸活体检测方法、装置及设备 | |
| CN113344793A (zh) | 图像超分辨率重建方法、装置、设备及存储介质 | |
| CN110503002B (zh) | 一种人脸检测方法和存储介质 | |
| WO2019228450A1 (zh) | 一种图像处理方法、装置及设备、可读介质 | |
| CN116912604B (zh) | 模型训练方法、图像识别方法、装置以及计算机存储介质 | |
| CN113129214A (zh) | 一种基于生成对抗网络的超分辨率重建方法 | |
| CN116524312A (zh) | 一种基于注意力融合特征金字塔网络的红外小目标检测方法 | |
| CN113269808B (zh) | 视频小目标跟踪方法和装置 | |
| Peng et al. | MND-GAN: A Research on Image Deblurring Algorithm Based on Generative Adversarial Network | |
| CN114821048A (zh) | 目标物分割方法和相关装置 | |
| CN113554685A (zh) | 遥感卫星运动目标检测方法、装置、电子设备及存储介质 | |
| JP6276504B2 (ja) | 画像検出装置及び制御プログラム並びに画像検出方法 | |
| CN114463860B (zh) | 检测模型的训练方法、活体检测方法及相关装置 | |
| CN117196957B (zh) | 基于人工智能的图像分辨率转换方法及装置 | |
| CN107886522B (zh) | 尺度自适应的目标模型更新方法及装置 |
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 | ||
| GR01 | Patent grant |