CN111832338A - 对象检测方法及装置、电子设备和存储介质 - Google Patents

Abstract

本公开涉及一种对象检测方法及装置、电子设备和存储介质，所述方法包括：接收输入图像以及所述输入图像对应场景的深度图；对所述输入图像进行目标对象检测；获取所述输入图像中目标对象的图像特征以及所述深度图中与目标对象对应的深度特征；基于所述图像特征和深度特征确定所述目标对象的三维对象参数。本公开能够提高目标检测的检测精度。

Description

对象检测方法及装置、电子设备和存储介质

技术领域

本公开涉及计算机视觉领域，特别涉及一种对象检测方法及装置、电子设备和存储介质。

背景技术

计算机视觉领域中，可以实现图像中特定对象的检测，即目标检测，通过目标检测可以识别一张图片中的多个物体，并可以定位出不同物体(给出边界框)。

随着人们生活水平的提高，汽车已经成为生活中必不可少的交通工具。将目标检测应用到自动驾驶方向将会是未来的热门研究方向，通过完成前车碰撞(FCW)、行人检测系统(PDS)、交通信号灯识别(TLR)等任务，可以提高自动驾驶的安全性。因此，如何提高目标检测的精度是目前亟待解决的问题。

发明内容

本公开实施例提供了一种对象检测方法及装置、电子设备和存储介质。

根据本公开的一方面，提供了一种对象检测方法，其包括：

接收输入图像以及所述输入图像对应场景的深度图；

对所述输入图像进行目标对象检测；

获取所述输入图像中目标对象的图像特征以及所述深度图中与目标对象对应的深度特征；

基于所述图像特征和深度特征确定所述目标对象的三维对象参数。

在一些可能的实施方式中，所述基于所述图像特征和深度特征确定所述目标对象的三维对象参数，包括：

对所述图像特征和深度特征执行至少一次卷积处理，得到融合特征；

基于所述融合特征确定所述目标对象的三维对象参数。

在一些可能的实施方式中，在所述基于所述融合特征确定所述目标对象的三维对象参数之前，所述方法还包括：

基于所述融合特征确定所述目标对象的类型；

响应于所述类型与目标类型相同，执行所述基于所述融合特征确定所述目标对象的三维对象参数。

在一些可能的实施方式中，所述方法还包括：

响应于所述类型与目标类型不相同，返回执行所述对所述图像特征和深度特征执行至少一次卷积处理，得到融合特征，或者停止检测该目标对象的三维对象参数。

在一些可能的实施方式中，所述三维对象参数包括所述目标对象的长度、宽度、与参照线之间的角度、位置坐标中的至少一种。

在一些可能的实施方式中，所述方法还包括：

基于所确定的目标对象的三维对象参数，确定与所述目标对象的距离和/或确定所述目标对象的形态。

在一些可能的实施方式中，所述基于所确定的目标对象的三维对象参数，确定与所述目标对象的距离，包括：

基于所述目标对象的三维对象参数得到所述目标对象的位置坐标；

根据所述目标对象的位置坐标与预设位置坐标之间的距离，确定与所述目标对象的距离，其中所述预设位置坐标用于表征采集所述输入图像的图像采集设备的位置。

在一些可能的实施方式中，基于所确定的目标对象的三维对象参数，确定所述目标对象的形态，包括：

基于所述目标对象的三维对象参数得到所述目标对象的长度、宽度以及与参照线之间的角度；

基于所述长度、宽度以及与参照线之间的角度确定所述目标对象的形态，所述形态用于表征所述目标对象的形状。

在一些可能的实施方式中，所述输入图像包括通过车载图像采集设备拍摄的道路图像或车室内图像。

在一些可能的实施方式中，所述方法通过神经网络实现，所述神经网络采用下述步骤预先训练完成：

获取训练样本，所述训练样本包括多个图像样本，以及所述图像样本的标注信息，所述标注信息包括所述图像样本中目标对象的类型、位置、形态以及与所述图像样本中的目标对象的距离；

基于所述标注信息确定图像样本中目标对象的标准三维参数；

利用所述神经网络获取所述图像样本的图像特征和深度特征，并基于所述图像样本的图像特征和深度特征预测所述图像样本中目标对象的三维对象参数；

基于预测的三维对象参数和标准三维参数对应损失，调整所述神经网络的参数，直至满足终止条件。

根据本公开的第二方面，提供了一种对象检测装置，其包括：

接收模块，其用于接收输入图像以及所述输入图像对应场景的深度图；

检测模块，其用于对所述输入图像进行目标对象检测；

获取模块，其用于获取所述输入图像中目标对象的图像特征以及所述深度图中与目标对象对应的深度特征；

确定模块，其用于基于所述图像特征和深度特征确定所述目标对象的三维对象参数。

在一些可能的实施方式中，所述确定模块还用于对所述图像特征和深度特征执行至少一次卷积处理，得到融合特征；

基于所述融合特征确定所述目标对象的三维对象参数。

在一些可能的实施方式中，所述确定模块还用于在所述基于所述融合特征确定所述目标对象的三维对象参数之前，基于所述融合特征确定所述目标对象的类型；并且，

响应于所述类型与目标类型相同，执行所述基于所述融合特征确定所述目标对象的三维对象参数。

在一些可能的实施方式中，所述确定模块还用于响应于所述类型与目标类型不相同，返回执行所述对所述图像特征和深度特征执行至少一次卷积处理，得到融合特征，或者停止检测该目标对象的三维对象参数。

在一些可能的实施方式中，所述三维对象参数包括所述目标对象的长度、宽度、与参照线之间的角度、位置坐标中的至少一种。

在一些可能的实施方式中，所述确定模块还用于基于所确定的目标对象的三维对象参数，确定与所述目标对象的距离和/或确定所述目标对象的形态。

在一些可能的实施方式中，所述确定模块还用于基于所述目标对象的三维对象参数得到所述目标对象的位置坐标；

根据所述目标对象的位置坐标与预设位置坐标之间的距离，确定与所述目标对象的距离，其中所述预设位置坐标用于表征采集所述输入图像的图像采集设备的位置。

在一些可能的实施方式中，所述确定模块还用于基于所述目标对象的三维对象参数得到所述目标对象的长度、宽度以及与参照线之间的角度；

基于所述长度、宽度以及与参照线之间的角度确定所述目标对象的形态，所述形态用于表征所述目标对象的形状。

在一些可能的实施方式中，所述输入图像包括通过车载图像采集设备拍摄的道路图像或车室内图像。

在一些可能的实施方式中，所述装置还包括训练模块，其用于训练神经网络，并且，所述训练模块训练所述神经网络的步骤包括：

获取训练样本，所述训练样本包括多个图像样本，以及所述图像样本的标注信息，所述标注信息包括所述图像样本中目标对象的类型、位置、形态以及与所述图像样本中的目标对象的距离；

基于所述标注信息确定图像样本中目标对象的标准三维参数；

利用所述神经网络获取所述图像样本的图像特征和深度特征，并基于所述图像样本的图像特征和深度特征预测所述图像样本中目标对象的三维对象参数；

基于预测的三维对象参数和标准三维参数对应损失，调整所述神经网络的参数，直至满足终止条件。

根据本公开的第三方面，提供了一种电子设备，其包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行第一方面中任意一项所述的方法。

在一些可能的实施方式中，所述计算机程序指令被处理器执行时实现第一方面中任意一项所述的方法。

本公开实施例中，可以识别图像中与设定的类型相匹配的目标对象，并可以通过目标对象的图像特征和深度特征，实现输入图像中的目标对象的检测，以及目标对象的三维对象参数的获取，从而可以方便的获知目标对象的相关信息，在应用到自动驾驶领域的情况下，可以提高自动驾驶的安全性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的一种对象检测方法的流程图；

图2示出根据本公开实施例的一种对象检测方法中步骤S20的流程图；

图3示出根据本公开实施例的一种对象检测方法中步骤S30的流程图；

图4示出根据本公开实施例的一种对象检测方法的另一流程图；

图5示出实现根据本公开实施例的一种对象检测方法的神经网络的训练方法的流程图；

图6示出根据本公开实施例的对象检测装置的框图；

图7示出根据本公开实施例的一种电子设备800的框图；

图8示出根据本公开实施例的一种电子设备1900的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

本公开实施例提供了一种对象检测方法，其可以用于精确的检测图像中的目标对象的三维对象参数，并且本公开实施例提供的对象检测方法可以应用在任意的具有图像处理功能的电子设备或者服务器中，例如电子设备可以包括：手机、PAD、便携式计算机等便携式设备，智能手环、智能手表等智能佩戴设备，或者在其他实施方式中，也可以是具有图像处理功能的其他设备，本公开实施例在此不一一举例说明，且不作具体限定。

图1示出根据本公开实施例的一种对象检测方法的流程图，其中，所述对象检测方法，包括：

S10：接收输入图像以及所述输入图像对应场景的深度图；

在一些可能的实施方式中，输入图像可以为通过图像采集设备采集获得的，例如在自动驾驶领域，可以通过设置在车辆上的行车记录设备或者其他车载图像采集设备采集该输入图像，该输入图像可以为采集的道路图像或车辆室内图像。或者，在其他实施例中，输入图像也可以是从其他设备接收获取的图像，本公开对此不作具体限定。

在一些可能的实施方式中，还可以接收输入图像的深度图，其中，可以在采集输入图像的同时，获得该输入图像对应场景的深度图，例如可以采用飞行时间相机或者其他能够同时获得深度图的图像采集设备采集图像，从而可以在采集输入图像的同时还可以获得相应的深度图。或者，在另一些实施方式中，深度图也可以为通过对输入图像进行深度特征检测的方式获得的，例如通过卷积神经网络对输入图像执行卷积处理，得到输入图像对应的深度图，本公开对于深度图的获取方式不作具体限定。

S20：对所述输入图像进行目标对象检测；

在一些可能的实施方式中，可以检测输入图像中与目标类型相同的目标对象，其中，可以设定所需要检测的目标对象的目标类型，例如，目标类型可以为人物、植物、动物、车辆等其他设定的类型，或者也可以为特定的人、特定种类的植物、动物或者车辆等，本公开实施例的目标类型可以根据应用场景或需求的不同自行设定。例如在无人驾驶领域，本公开实施例所要检测的目标对象的类型可以为车辆、人物、交通指示灯中的任意一种，下述以车辆为例进行说明，但本公开对于目标类型不作具体限定。另外，本公开实施例中，输入图像中包括的目标对象可以为多个，只要是与目标类型相同的对象，即可以作为本公开实施例。

在一些可能的实施方式中，本公开实施例的对象检测方法可以应用在神经网络中，即可以通过经过训练且具有特定类型对象的检测功能的神经网络实现目标类型的目标对象的检测，例如该神经网络可以为卷积神经网络。通过卷积神经网络对输入图像执行卷积处理，得到与输入图像对应的特征图，该特征图可以表示输入图像的各像素点的像素值。从而可以通过分类器执行目标类型的对象的分类识别，确定输入图像中是否存在目标对象，并检测出目标对象所在的区域。

在一些可能的实施方式中，也可以通过图像识别算法检测输入图像中的目标对象，对于不同的目标类型，可以采用不同的识别算法。例如，在目标类型为人物时，可以采用面部识别算法、人脸识别算法执行人物的识别，或者在目标类型为车辆时，可以通过车辆检测算法执行车辆类型的对象的识别。本公开对采用的算法不作具体限定，只要能够识别相应类型的目标对象并确定目标对象的区域，即可以作为本公开实施例。

在另一些可能的实施方式中，也可以通过接收的框选信息确定输入图像中的目标对象，即本公开实施例可以接收用户输入的选择信息，该选择信息可以为基于框选操作生成的，用户可以在输入图像中手动框选出相应的目标对象所在的区域，从而根据检测该框选操作确定目标对象以及目标对象所在的区域。

S30：获取所述输入图像中目标对象的图像特征以及所述深度图中与目标对象对应的深度特征；

在一些可能的实施方式中，在步骤20检测出输入图像中的目标对象时，即可以确定目标对象位于输入图像中的图像区域。基于该图像区域对应的特征即可以确定目标对象的图像特征和深度特征。其中目标对象的图像特征可以为输入图像中与该目标对象所在区域对应的像素值，深度特征可以为图像区域对应的深度信息。其中，图像特征和深度特征可以为相同维度的向量或者矩阵，分别用于表示目标对象的图像特征信息以及深度信息。

S40：基于所述图像特征和深度特征确定所述目标对象的三维对象参数。

在一些可能的实施方式中，在确定了目标对象的图像特征和深度特征之后，即可以确定目标对象的三维对象参数。其中，三维对象参数可以包括目标对象的长度、宽度、与参照线之间的角度、位置坐标中(横坐标和纵坐标)的至少一种，其中位置坐标是指目标对象的中心位置的位置坐标，参照线可以为输入图像中的竖直方向，或者也可以为水平方向，本公开对此不作具体限定。

在一些可能的实施方式中，本公开实施例可以首先确定目标对象在输入图像中的三维对象参数，进一步的，按照预设比例，进一步放大以确定在实际环境中所述目标对象的三维对象参数。该预设比例与图像采集设备的采集参数相关，例如可以为图像采集设备的缩放比等等，本公开对此不作具体限定。

通过本公开实施例可以结合输入图像和深度图获得目标对象的深度特征和图像特征，并基于该深度特征和图像特征实现输入图像中各目标对象的三维对象参数的获取，可以方便的获知目标对象所在的位置、大小以及角度。例如在自动驾驶领域，可以得到前方车辆的大小、行车方向、位置等信息，从而可以进一步执行安全控制操作。或者，也可以检测行人的位置、行进路线等信息，从而可以方便的执行自动控制。

基于上述，下面结合附图分别对本公开实施例的各步骤进行分别说明。图2示出根据本公开实施例的一种对象检测方法中步骤S30的流程图，其中，所述获取所述输入图像中目标对象的图像特征以及所述深度图中与目标对象对应的深度特征(步骤S30)，可以包括：

S31：获取所述输入图像的图像特征；

在一些可能的实施方式中，可以直接将输入图像对应的像素特征确定为图像特征，即可以利用输入图像各像素点的像素值形成输入图像的图像特征。

在另一些可能的实施方式中，也可以在步骤S20通过神经网络执行输入图像的目标对象的检测时，得到的输入图像的图像特征。例如可以为将神经网络的分类器之前的最后一层卷积层得到的特征作为输入图像的图像特征，从而提高图像特征的精确度。或者，在其他实施例中也可以将神经网络其他卷积层得到的特征作为图像特征，本公开对此不作限定。

S32：基于检测到的所述目标对象，获取所述图像特征中与所述目标对象对应的图像特征，以及深度图中与所述目标对象对应的深度特征；

步骤S20中，在检测出目标对象的同时还能确定目标对象所在的区域，基于确定的目标对象所在的区域位置，即可以从输入图像的图像特征中划分出目标对象所在的区域位置对应的子图像特征，即为目标对象的图像特征。其中，获取的输入图像的图像特征的尺度可以与输入图像的尺度相同，即输入图像的图像特征中的元素即为输入图像中各像素点的特征值(像素值)，从而可以进一步根据目标对象所在的位置区域，从输入图像的图像特征中分割出与目标对象的位置区域的子图像特征，该子图像特征即为目标对象的图像特征。

如上述实施例所述，本公开实施例还可以获取输入图像的深度图，该深度图可以表示输入图像各像素点对应的深度值，例如深度图可以为矩阵形式，其中各元素为输入图像各像素点的深度值。其中，本公开实施例可以通过神经网络提取输入图像中的深度图(例如通过卷积神经网络得到输入图像的深度特征)，或者，也可以在采集图像时(如通过飞行时间相机采集图像时)，在得到输入图像的同时可以获得与输入图像对应的深度图，本公开对此不作具体限定。

基于得到的深度图，还可以得到目标对象对应的深度特征，其中可以基于目标对象所在的位置区域，得到深度图中与目标对象所在的位置区域对应的子深度特征，该子深度特征可以作为目标对象的深度特征。

本公开实施例通过获得目标对象的图像特征和深度特征，并基于每个目标对象相应的图像特征和深度特征得到相应的三维对象参数，其中，一方面由于不需要对整个输入图像和深度图执行运算处理，只需要对目标对象对应的图像特征和深度特征执行处理，得到相应的三维对象参数，可以大大的减少运算成本，节省运算资源，另一方面，通过结合深度特征和图像特征来针对性的获取目标对象的三维对象参数，可以提高参数的检测精度。

在一些可能的实施方式中，输入图像中可能包括多个目标对象，基于步骤S30可以得到每个目标对象的深度特征和图像特征，从而可以进一步得到每个目标对象的三维对象参数。也就是说，本公开实施例可以实现同时对多个目标对象的三维对象参数进行检测。

图3示出根据本公开实施例的一种对象检测方法中步骤S40的流程图，其中所述基于所述图像特征和深度特征确定所述目标对象的三维对象参数(步骤S40)，可以包括：

S41：对所述图像特征和深度特征执行至少一次卷积处理，得到融合特征；

如上述实施例所述，经步骤S30可以得到目标对象的深度特征和图像特征，进一步地，可以通过对图像特征和深度特征执行卷积处理，得到融合了图像信息和深度信息的融合特征。其中，本公开实施例执行卷积处理的卷积核可以为1*1的卷积核，或者也可以为3*3的卷积核，本公开对此不作具体限定。或者，执行卷积处理的卷积层的层数可以为一层也可以为多层，本公开对此也不作具体限定，其中可以通过神经网络的具体结构确定，或者也可以基于相应的卷积算法确定。通过执行卷积处理后，可以进一步提高目标对象的特征信息的精度。

其中，在执行目标对象的深度特征和图像特征的卷及处理之前，可以在通道方向上连接图像特征和深度特征，得到连接特征，并对该连接特征执行至少一次卷积处理，得到相应的融合特征。

S42：基于所述融合特征确定所述目标对象的三维对象参数。

在一些可能的实施方式中，本公开实施例可以根据融合特征中的像素值进一步确定目标对象所在的区域，即实现目标对象在输入图像中的分割，从而可以得到目标对象在输入图像中的位置信息、长度、宽度、以及相对于参照线的角度。其中参照线可以为输入图像的水平方向或者竖直方向上的线，也可以为其他方向上的线，本公开对此不作具体限定。从而可以根据输入图像的与实际环境之间的比例确定目标对象的位置、长度、宽度、或者与参照执行的角度等对象参数。

在一些可能的实施方式中，也可以在执行卷积处理得到目标对象的融合特征之后，可以进一步对该融合特征执行卷积处理，得到新的卷积特征。继而可以根据该新的卷积处理得到的新的卷积特征的分类结果(经过分类器)，得到目标对象的位置区域的进一步识别检测，即可以得到更加精确的目标对象的位置区域的分割，进而得到目标对象的位置信息、长度、宽度、与参照线之间的角度等三维对象参数信息。

由于本公开实施例的融合特征中既包括目标对象的图像特征，又包括目标对象的深度特征，并且通过卷积处理可以提高特征精度，因此，通过融合特征得到的三维对象参数也可以具有较高的精度。

另外，图4示出根据本公开实施例的一种对象检测方法的另一流程图，其中，在所述基于所述融合特征确定所述目标对象的三维对象参数之前(步骤S42之前)，所述方法还包括：

S43：基于所述融合特征确定所述目标对象的类型；

S44：响应于所述类型与目标类型相同，执行所述基于所述融合特征确定所述目标对象的三维对象参数。

S45：响应于所述类型与目标类型不相同，返回执行所述对所述图像特征和深度特征执行至少一次卷积处理，得到融合特征，或者停止检测该目标对象的三维对象参数。

本公开实施例中，在通过步骤S41得到目标对象的图像特征和深度特征的融合特征之后，还可以通过分类器(分类网络)进一步验证该融合特征对应的类型与目标类型是否一致，如果一致，则可以继续执行步骤S44从而通过步骤S44检测目标对象的三维对象参数。如果不一致，则表示步骤S20识别的目标对象可能存在错误，此时可以执行步骤S45，返回步骤S20重新执行目标对象的检测，或者也可以终止该目标对象的三维对象参数的进一步检测。

通过上述，可以精确的识别出目标类型相应的目标对象的三维对象参数，减少目标对象的误识别的概率。

在一些可能的实施方式中，本公开实施例还可以基于步骤S40得到的三维对象参数，确定与目标对象的距离。其中，例如在自动驾驶领域，可以通过确定目标对象的对象参数，确定目标对象在输入图像中的位置信息，此时可以确定目标对象与参考位置(预设位置坐标)之间的距离，该参考位置可以为获取输入图像的图像采集设备所在的位置，例如在输入图像中即可以表示为输入图像的下侧的中间的位置。该参考位置可以根据输入图像的大小的不同而有所变化，具体本公开实施例对此不作具体限定。通过在输入图像中参考位置与目标对象所在的位置之间的距离，即可以确定在实际环境中二者的实际距离。

其中，基于所确定的目标对象的三维对象参数，确定与所述目标对象的距离，可以包括：基于所述目标对象的三维对象参数得到所述目标对象的位置坐标；以及根据所述目标对象的位置坐标与预设位置坐标之间的距离，确定与所述目标对象的距离，其中所述预设位置坐标用于表征采集所述输入图像的图像采集设备的位置。其中预设位置坐标可以根据实际采集的角度或者位置等相关的采集参数确定，本公开对此不作具体限定。

在一些可能的实施方式中，还可以基于所确定的目标对象的三维对象参数，确定所述目标对象的形态，即通过步骤S40可以获得目标对象的长度、宽度、角度以及位置坐标等三位对象参数，进一步确定目标对象的形态，形态用于表征所述目标对象的形状，如长方形、平行四边形、三角形等等。

通过确定图像采集设备与目标对象之间的距离和目标对象的形态，可以方便的规划图像采集设备所在的车辆的行进参数，如速度、方向等参数，进而提高自动驾驶的安全性。其中，将三维检测和距离估计结合，这两个任务共享部分底层参数，使得检测的精度更高的同时还能预测车辆的形态和距离。

如上述实施例所述，本公开实施例的对象检测方法可以通过神经网络实现，例如可以为卷积神经网络，下面结合图5说明本公开实施例中训练神经网络的流程图。图5示出实现根据本公开实施例的一种对象检测方法的神经网络的训练方法的流程图。其中，所述训练实现对象检测方法的神经网络的步骤，包括：

S51：获取训练样本，所述训练样本包括多个图像样本，以及所述图像样本的标注信息，所述标注信息包括所述图像样本中目标对象的类型、位置、形态以及与所述图像样本中的目标对象的距离；

在一些可能的实施方式中，首先可以获取训练样本，其中，训练样本可以包括多个图像样本及其标注信息，标注是指对于每张图像样本，将需要检测出的目标对象及其对应的信息标注出来，例如对象的类型(type)、对象的位置(bbox)，同时还将图像样本对应的俯视图上的形态和距离(bv)也标注出来。通过在俯视图上的形态和距离作为标注信息，可以实现将结果输出到俯视图中。

例如，每个图像样本的标注信息可以为表示成[{“type(类型)”，“bv(图像样本中目标对象的上下左右四个顶点的位置坐标)”，“bbox(目标对象的中心的位置)”}]。上述仅为示例性举例，不作为本公开的具体限定。

S52：基于所述标注信息确定图像样本中目标对象的标准三维参数；

本公开实施例，可以基于训练样本中各图像的标注信息生成标准三维参数，该标准三维参数即为用于执行监督的监督信息，即图像样本中目标对象的真实三维对象参数，或者还可以包括与目标对象之间的真实距离以及目标对象的形态等信息。其中可以基于输入图像的各目标对象的标注信息中，上下左右四个顶点的位置信息，确定出目标对象的长度、宽度、与参照线之间的角度、以及还可以得到目标对象的位置信息，上述参数信息可以作为标准对象参数。

S53：利用所述神经网络获取所述图像样本的图像特征和深度特征，并基于所述图像样本的图像特征和深度特征预测所述图像样本中目标对象的三维对象参数；

S54：基于预测的三维对象参数和标准三维参数对应的损失，调整所述神经网络的参数，直至满足终止条件。

在得到训练图像以及标准三维参数之后，即可以通过神经网络执行本公开实施例的上述对象检测方法，得到预测的图像样本中的目标对象的对象参数，进而可以根据该预测的对象参数对应的损失，调整神经网络的参数，直至满足终止条件，则得到优化的神经网络。

其中，可以为神经网络设定损失函数，通过将预测的三维对象参数输入至该损失函数中得到其对应的损失值，或者也可以将预测的三维对象参数与标准对象参数之间的差值确定为该损失值，例如可以将各相同参数之间的差值求和，取平均值，得到该损失值，本公开对此不做具体限定。

在基于预测的三维对象参数确定的损失值大于损失阈值时，说明神经网络的检测精度较低，此时需要反馈调节神经网络的参数，如卷积参数等，重新对训练样本进行检测，直至预测得到的目标对象的对象参数对应的损失值小于或者等于损失阈值，则可以判断为满足终止条件。此时，神经网络训练完成，而且通过该神经网络检测出的目标对象的参数可以具有较高的精度。

其中，在训练神经网络中，可以将采集的图像转换到俯视视角并确定在俯视视角下关于目标对象的标注信息，从而可以实现在车载图像采集设备的视角的情况下，基于俯视视角的标注信息获得目标对象的三维对象信息。

为了更加清楚的说明本公开实施例的对象检测方法的过程，下面举例说明。可以将图像A输入至经过训练得到的神经网络中，通过神经网络中的第一个网络模块B可以检测出输入图像中的人物类型的目标对象及其所在的位置区域，该第一个网络模块B可以为卷积神经网络。

在检测出各目标对象之后，可以得到目标对象的特征信息，如基于检测到的目标对象所在的位置区域从输入图像的图像特征中分割出目标对象的图像特征，以及从输入图像对应的深度图中分割出相应的深度特征。在得到目标对象的图像特征和深度特征之后，即可以对该图像特征和深度特征执行卷积处理(conv)得到融合特征D，将该融合特征D输入至分类器E，得到融合特征D的分类结果，如果该分类结果表明融合特征对应的对象的类型为目标类型的对象，再对融合特征D执行下一次卷积处理，如果分类结果表明统合特征D对应的对象的类型不是目标类型，则可以终止该融合特征的进一步处理，或者返回步骤S20，重新检测该位置的目标对象的检测操作。

如上所述，在融合特征D的分类结果表明卷积特征D对应的对象的类型为目标对象的情况下，对该融合特征D执行进一步的卷积处理得到新的卷积特征，通过该新的卷积特征可以进一步确定目标对象在输入图像中的位置区域，从而得到目标对象的对象参数。

综上所述，本公开实施例中，可以识别图像中与设定的类型相匹配的目标对象，并可以通过目标对象的图像特征和深度特征，实现输入图像中的目标对象的检测，以及目标对象的三维对象参数的获取，从而可以方便的获知目标对象的相关信息，在应用到自动驾驶领域的情况下，可以提高自动驾驶的安全性。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。

此外，本公开还提供了对象检测装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种对象检测方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

图6示出根据本公开实施例的对象检测装置的框图，如图6所示，所述对象检测装置包括：

接收模块10，其用于接收输入图像以及所述输入图像对应场景的深度图；

检测模块20，其用于对所述输入图像进行目标对象检测；

获取模块30，其用于获取所述输入图像中目标对象的图像特征以及所述深度图中与目标对象对应的深度特征；

确定模块40，其用于基于所述图像特征和深度特征确定所述目标对象的三维对象参数。

其中，本公开实施例的对象检测装置中各模块的实现方式或者配置可以参见对象检测方法部分的实施例，在此不作重复说明。通过本公开实施例可以结合输入图像和深度图获得目标对象的深度特征和图像特征，并基于该深度特征和图像特征实现输入图像中各目标对象的三维对象参数的获取，可以方便的获知目标对象所在的位置、大小以及角度。例如在自动驾驶领域，可以得到前方车辆的大小、行车方向、位置等信息，从而可以进一步执行安全控制操作。或者，也可以检测行人的位置、行进路线等信息，从而可以方便的执行自动控制。

在一些可能的实施方式中，所述确定模块还用于对所述图像特征和深度特征执行至少一次卷积处理，得到融合特征；

基于所述融合特征确定所述目标对象的三维对象参数。

本公开实施例通过获得目标对象的图像特征和深度特征，并基于每个目标对象相应的图像特征和深度特征得到相应的三维对象参数，其中，一方面由于不需要对整个输入图像和深度图执行运算处理，只需要对目标对象对应的图像特征和深度特征执行处理，得到相应的三维对象参数，可以大大的减少运算成本，节省运算资源，另一方面，通过结合深度特征和图像特征来针对性的获取目标对象的三维对象参数，可以提高参数的检测精度。

在一些可能的实施方式中，所述确定模块还用于在所述基于所述融合特征确定所述目标对象的三维对象参数之前，基于所述融合特征确定所述目标对象的类型；并且，

响应于所述类型与目标类型相同，执行所述基于所述融合特征确定所述目标对象的三维对象参数。

在一些可能的实施方式中，所述确定模块还用于响应于所述类型与目标类型不相同，返回执行所述对所述图像特征和深度特征执行至少一次卷积处理，得到融合特征，或者停止检测该目标对象的三维对象参数。

基于上述配置，可以精确的识别出目标类型相应的目标对象的三维对象参数，减少目标对象的误识别的概率。

在一些可能的实施方式中，所述三维对象参数包括所述目标对象的长度、宽度、与参照线之间的角度、位置坐标中的至少一种。

在一些可能的实施方式中，所述确定模块还用于基于所确定的目标对象的三维对象参数，确定与所述目标对象的距离和/或确定所述目标对象的形态。

基于上述配置，本公开实施例可以通过确定图像采集设备与目标对象之间的距离和目标对象的形态，方便的规划图像采集设备所在的车辆的行进参数，如速度、方向等参数，进而提高自动驾驶的安全性。其中，将三维检测和距离估计结合，这两个任务共享部分底层参数，使得检测的精度更高的同时还能预测车辆的形态和距离。

在一些可能的实施方式中，所述确定模块还用于基于所述目标对象的三维对象参数得到所述目标对象的位置坐标；

根据所述目标对象的位置坐标与预设位置坐标之间的距离，确定与所述目标对象的距离，其中所述预设位置坐标用于表征采集所述输入图像的图像采集设备的位置。

在一些可能的实施方式中，所述确定模块还用于基于所述目标对象的三维对象参数得到所述目标对象的长度、宽度以及与参照线之间的角度；

基于所述长度、宽度以及与参照线之间的角度确定所述目标对象的形态，所述形态用于表征所述目标对象的形状。

在一些可能的实施方式中，所述输入图像包括通过车载图像采集设备拍摄的道路图像或车室内图像。

在一些可能的实施方式中，所述装置还包括训练模块，其用于训练神经网络，并且，所述训练模块训练所述神经网络的步骤包括：

获取训练样本，所述训练样本包括多个图像样本，以及所述图像样本的标注信息，所述标注信息包括所述图像样本中目标对象的类型、位置、形态以及与所述图像样本中的目标对象的距离；

基于所述标注信息确定图像样本中目标对象的标准三维参数；

利用所述神经网络获取所述图像样本的图像特征和深度特征，并基于所述图像样本的图像特征和深度特征预测所述图像样本中目标对象的三维对象参数；

基于预测的三维对象参数和标准三维参数对应损失，调整所述神经网络的参数，直至满足终止条件。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

综上所述，本公开实施例中，可以识别图像中与设定的类型相匹配的目标对象，并可以通过目标对象的图像特征和深度特征，实现输入图像中的目标对象的检测，以及目标对象的三维对象参数的获取，从而可以方便的获知目标对象的相关信息，在应用到自动驾驶领域的情况下，可以提高自动驾驶的安全性。

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。

电子设备可以被提供为终端、服务器或其它形态的设备。

图7示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图7，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图8示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图8，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种对象检测方法，其特征在于，包括：

接收输入图像以及所述输入图像对应场景的深度图；

对所述输入图像进行目标对象检测；

获取所述输入图像中目标对象的图像特征以及所述深度图中与目标对象对应的深度特征；

基于所述图像特征和深度特征确定所述目标对象的三维对象参数。

2.根据权利要求1所述的方法，其特征在于，所述基于所述图像特征和深度特征确定所述目标对象的三维对象参数，包括：

对所述图像特征和深度特征执行至少一次卷积处理，得到融合特征；

基于所述融合特征确定所述目标对象的三维对象参数。

3.根据权利要求2所述的方法，其特征在于，在所述基于所述融合特征确定所述目标对象的三维对象参数之前，所述方法还包括：

基于所述融合特征确定所述目标对象的类型；

响应于所述类型与目标类型相同，执行所述基于所述融合特征确定所述目标对象的三维对象参数。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

响应于所述类型与目标类型不相同，返回执行所述对所述图像特征和深度特征执行至少一次卷积处理，得到融合特征，或者停止检测该目标对象的三维对象参数。

5.根据权利要求1-4中任意一项所述的方法，其特征在于，所述三维对象参数包括所述目标对象的长度、宽度、与参照线之间的角度、位置坐标中的至少一种。

6.根据权利要求1-5中任意一项所述的方法，其特征在于，所述方法还包括：

基于所确定的目标对象的三维对象参数，确定与所述目标对象的距离和/或确定所述目标对象的形态。

7.根据权利要求6所述的方法，其特征在于，所述基于所确定的目标对象的三维对象参数，确定与所述目标对象的距离，包括：

基于所述目标对象的三维对象参数得到所述目标对象的位置坐标；

根据所述目标对象的位置坐标与预设位置坐标之间的距离，确定与所述目标对象的距离，其中所述预设位置坐标用于表征采集所述输入图像的图像采集设备的位置。

8.一种对象检测装置，其特征在于，包括：

接收模块，其用于接收输入图像以及所述输入图像对应场景的深度图；

检测模块，其用于对所述输入图像进行目标对象检测；

获取模块，其用于获取所述输入图像中目标对象的图像特征以及所述深度图中与目标对象对应的深度特征；

确定模块，其用于基于所述图像特征和深度特征确定所述目标对象的三维对象参数。

9.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行权利要求1至7中任意一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。

Images