CN115937794B - 小目标对象检测方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请提供一种小目标对象检测方法、装置、电子设备及存储介质。该方法包括：获取原始输入图像，利用分辨率检测模型对原始输入图像进行检测，以判断原始输入图像是否满足预设分辨率要求；当原始输入图像不满足预设分辨率要求时，利用训练后的超分辨率增强模型对原始输入图像执行图像增强操作，输出符合分辨率要求的目标图像；将目标图像输入到小目标对象检测模型中，利用小目标对象检测模型对目标图像中的小目标对象进行定位和识别，得到每个小目标对象的位置信息以及数量信息。本申请提高远距离拍摄场景下的小目标对象检测的准确性和鲁棒性。

Description

小目标对象检测方法、装置、电子设备及存储介质

技术领域

本申请涉及计算机技术领域，尤其涉及一种小目标对象检测方法、装置、电子设备及存储介质。

背景技术

小目标检测是目标检测的一个子领域，主要是对具有特定特征的目标进行检测，有体积小、易遮挡、数据难获取等较为明显的领域特征，在多种实际场景下具有很大的理论和实践意义，例如：监视、无人机场景分析、自动行人检测、交通标志检测等场景。

现有技术中，尽管人体检测算法已经在上述场景中取得了一些实质性的进展，但是在一些特殊场景下，仍然无法达到预期的识别效果，例如以室外塔吊拍摄场景为例，由于室外塔吊摄像头的分辨率普遍不高，且拍摄距离越远人体目标越小，导致目前人体检测技术无法识别室外塔吊摄像头所拍摄到的人体目标；另外，由于在作业面上会有各种钢筋以及作业器械对人体造成遮挡，因此给小目标人体检测添加了更多的干扰。

发明内容

有鉴于此，本申请实施例提供了一种小目标对象检测方法、装置、电子设备及存储介质，以解决现有技术存在的针对室外塔吊拍摄场景无法准确识别小目标对象的问题。

本申请实施例的第一方面，提供了一种小目标对象检测方法，包括：获取原始输入图像，利用分辨率检测模型对原始输入图像进行检测，以判断原始输入图像是否满足预设分辨率要求；当原始输入图像不满足预设分辨率要求时，利用训练后的超分辨率增强模型对原始输入图像执行图像增强操作，输出符合分辨率要求的目标图像；将目标图像输入到小目标对象检测模型中，利用小目标对象检测模型对目标图像中的小目标对象进行定位和识别，得到每个小目标对象的位置信息以及数量信息。

本申请实施例的第二方面，提供了一种小目标对象检测装置，包括：分辨率检测模块，被配置为获取原始输入图像，利用分辨率检测模型对原始输入图像进行检测，以判断原始输入图像是否满足预设分辨率要求；超分辨率增强模块，被配置为当原始输入图像不满足预设分辨率要求时，利用训练后的超分辨率增强模型对原始输入图像执行图像增强操作，输出符合分辨率要求的目标图像；小目标对象检测模块，被配置为将目标图像输入到小目标对象检测模型中，利用小目标对象检测模型对目标图像中的小目标对象进行定位和识别，得到每个小目标对象的位置信息以及数量信息。

本申请实施例的第三方面，提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述方法的步骤。

本申请实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：

通过获取原始输入图像，利用分辨率检测模型对原始输入图像进行检测，以判断原始输入图像是否满足预设分辨率要求；当原始输入图像不满足预设分辨率要求时，利用训练后的超分辨率增强模型对原始输入图像执行图像增强操作，输出符合分辨率要求的目标图像；将目标图像输入到小目标对象检测模型中，利用小目标对象检测模型对目标图像中的小目标对象进行定位和识别，得到每个小目标对象的位置信息以及数量信息。本申请实现室外塔吊拍摄场景下的小目标对象检测任务，能够准确识别出室外塔吊摄像头图像中特定的小目标对象（例如人体对象），提高远距离拍摄场景下的小目标对象检测的准确性和鲁棒性。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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，下面描述中的附图仅仅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的前提下，还可以根据这些附图获得其它的附图。

图1是本申请实施例提供的小目标对象检测方法的流程示意图；

图2是本申请实施例提供的高阶退化模型的结构示意图；

图3是本申请实施例提供的小目标对象检测装置的结构示意图；

图4是本申请实施例提供的电子设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

如背景技术所述内容，小目标检测是目标检测的一个子领域，主要是对具有特定特征的目标进行检测，有体积小、易遮挡、数据难获取等较为明显的领域特征，在多种实际场景下具有很大的理论和实践意义，例如：监视、无人机场景分析、自动行人检测、交通标志检测等场景。

需要说明的是，本申请实施例中的小目标对象可以包括人体对象，本申请实施例的应用场景可以是对高空监控场景下拍摄的图像中的人体对象进行检测和识别，因此，本申请以下实施例中也可以使用人体对象来代替小目标对象。应当理解是，上述应用场景不构成对本申请技术方案的限定，其他场景下针对小目标对象的检测同样适用于本申请。

现有技术中，尽管人体检测算法已经在上述场景中取得了一些实质性的进展，但是在一些特殊场景下，仍然无法达到预期的识别效果，例如以室外塔吊拍摄场景为例，由于室外塔吊摄像头的分辨率普遍不高，且拍摄距离越远人体目标越小，导致目前人体检测技术无法识别室外塔吊摄像头所拍摄到的人体目标；另外，由于在作业面上会有各种钢筋以及作业器械对人体造成遮挡，因此给小目标人体检测添加了更多的干扰。

目前普遍缺乏一种针对高空监控场景下的小目标人体检测的通用算法，小物体的低维特征表示可归结于其有限的尺寸和通用的特征提取规范，深度网络模型通常会对特征图进行下采样以减少空间冗余并学习高维特征，这样不可避免的会消除微小物体在模型中的表达能力。另外，小目标物体很容易受到背景和其他物体的遮挡和影响，使得深度网络模型很难捕获到对后续的识别任务起到关键作用的特征信息。而且，缺少高空监控场景下的小目标人体数据集也是一个重要的影响因素，目前公开的小目标数据集主要集中于航拍和卫星地图等场景，对于室外监控下的数据基本没有涉及，因此数据缺少也是重要的影响因素。

因此，亟需提供一种能够针对远距离拍摄场景（如室外塔吊拍摄场景）下的图像进行精准的小目标人体检测的方案。

有鉴于此，本申请实施例为解决上述问题，提供了一种针对室外监控低分辨率摄像头拍摄下小目标人体检测技术。本申请实施例通过超分辨率增强模型对输入图像进行图像增强操作，以此来提高小目标物体的特征尺寸和特征表达能，在超分辨率增强模型的训练过程中，提出使用高阶退化模型模拟真实场景下的图像退化过程，使训练数据能够更贴合实际拍摄场景下的图像，在小目标人体检测模型的训练过程中，利用数据增强技术对训练数据进行扩充，以此提升小目标数据的多样性来增强模型的鲁棒性。本申请技术方案可实现远距离拍摄场景下的小目标人体检测，提升该场景下的小目标人体检测的准确性和鲁棒性。

下面结合附图以及具体实施例对本申请技术方案的内容进行详细描述。

图1是本申请实施例提供的小目标对象检测方法的流程示意图。图1的小目标对象检测方法可以由服务器执行。如图1所示，该小目标对象检测方法具体可以包括：

S101，获取原始输入图像，利用分辨率检测模型对原始输入图像进行检测，以判断原始输入图像是否满足预设分辨率要求；

S102，当原始输入图像不满足预设分辨率要求时，利用训练后的超分辨率增强模型对原始输入图像执行图像增强操作，输出符合分辨率要求的目标图像；

S103，将目标图像输入到小目标对象检测模型中，利用小目标对象检测模型对目标图像中的小目标对象进行定位和识别，得到每个小目标对象的位置信息以及数量信息。

具体地，本申请为了解决低分辨率图片的小目标对象（例如小目标人体）检测问题，提出基于超分辨率的小目标人体检测框架，本申请的模型框架主体分为三部分，第一部分为分辨率检测模型，用于检测输入图片的分辨率是否满足预先设置的分辨率要求，若满足则直接输入到第三部分的小目标对象检测模型（也称小目标人体检测模型）中进行识别；若不满足分辨率要求，则将图片输入到第二部分的超分辨率增强模块中进行图片的分辨率增强，将输入图片增强到预设要求的分辨率以上，自适应选择对应的倍数；第三部分的小目标人体检测模型，用于负责人体位置的定位和识别，输出图中每个人体的位置信息以及图片中的总人数。

在一些实施例中，利用分辨率检测模型对原始输入图像进行检测，以判断原始输入图像是否满足预设分辨率要求，包括：对原始输入图像进行分辨率检测，将原始输入图像的分辨率与预设的最低分辨率进行比较，当原始输入图像的分辨率大于或等于最低分辨率时，将原始输入图像作为目标图像；当原始输入图像的分辨率小于最低分辨率时，确定原始输入图像对应的超分辨率放大倍数。

具体地，本申请实施例的原始输入图像可以是远距离场景下摄像头所拍摄的图像，例如利用室外塔吊上安装的摄像头所拍摄到的图像，室外塔吊拍摄场景仅仅是本申请实施例提供的一种可选的应用场景，应当理解的是，本申请实施例的小目标人体检测方法不限于室外塔吊拍摄场景，任何针对小目标检测的场景均适用于本申请。

进一步地，分辨率检测模型主要用于对输入的原始输入图像进行分辨率检测，依据分辨率检测结果，判断摄像头拍摄的原始输入图像的分辨率是否满足最低分辨率要求，即利用预设的最低分辨率与检测结果中的原始输入图像的分辨率进行比较，来自适应地决定后续是否对原始输入图像进行分辨率放大，以达到模型检测的实际需求。

在一些实施例中，利用训练后的超分辨率增强模型对原始输入图像执行图像增强操作，包括：对原始输入图像进行特征提取，得到原始特征图，将原始特征图输入到连续的基本模块中进行处理，得到第一特征图，对第一特征图进行卷积处理后与原始特征图连接，得到第二特征图，将第二特征图进行上采样处理后得到第三特征图，将第三特征图输入连续卷积层后得到目标图像。

具体地，超分辨率增强模型的结构主要包括基本模块（Basic Block）、上采样模块（Upsampling）、卷积模块（conv）等结构组成。原始输入图像首先经过一层卷积层进行特征提取得到原始特征图F0，原始特征图F0之后包括两个分支，第一个分支经过连续的多个基本模块Basic Block处理得到第一特征图F1，然后经过一个卷积层处理后与第二个分支输出的原始特征图F0连接得到第二特征图F2，第二特征图F2经过上采样层后得到第三特征图F3，第三特征图F3在经过连续两层的卷积层后得到最后的输出（即目标图像）。

进一步地，基本模块包含连续的多个密集连接卷积模块，每个密集连接卷积模块包含连续的多个卷积和激活函数层，多个卷积和激活函数层之后连接一个卷积层。

具体地，基本模块Basic Block由连续的三个密集连接卷积模块（Dense Block）组成，输入的特征在经过连续的3个残差结构的Dense Block后并结合输入特征得到该模块的输出特征。每个Dense Block都由连续的4个卷积和激活函数层（Conv+LReL）组成，4层的网络结构按照密集连接的方式进行特征融合，这样能在不损失低维特征的情况下增强特征的表达能力，在连续的4层Conv+LReLU之后连接一个Conv层输出该模块的特征。

在一些实施例中，利用以下方式对超分辨率增强模型进行训练，包括：获取原始样本图像，将原始样本图像作为预定的高阶退化模型的输入，利用高阶退化模型对原始样本图像依次进行一阶段退化处理和二阶段退化处理，得到模拟退化图像，利用原始样本图像与模拟退化图像组成的样本对生成训练数据，并利用训练数据对超分辨率增强模型进行训练。

具体地，本申请实施例还提供了超分辨率增强模型的训练方法，首先利用高阶退化模型模拟图像在真实场景下的退化，生成模拟退化图像，再利用模拟退化图像和原始样本图像组成的训练数据来训练超分辨率增强模型；下面结合具体实施例对高阶退化模型的结构及原理进行详细说明，具体可以包括以下内容：

盲超分辨率的目的旨在从退化程度未知且复杂的低分辨率图像中恢复出高分辨率图像。在实际应用，通常采用经典的退化模型来合成低分辨率输入。如下式中，其中D表示图像的退化过程，真实图像y首先与模糊核k卷积，然后进行比例因子r的下采样操作，最后采用实际图像中广泛使用的JPEG压缩。

但是真实场景下的图像退化是复杂的，例如，当我们用手机拍照时，照片可能会有几种退化，如相机模糊、传感器噪声、锐化伪影和JPEG压缩。当户外监控摄像头拍摄图像时也会有传感器噪声、室外天气影响、信号传输等退化因素，所以本发明基于目前经典的图像退化场景，将模拟更复杂的真实场景下的图像退化来生成图像对。以此来训练一个鲁棒性更强的盲超分辨率的模型，提高超分辨率在室外监控场景下的性能。

图2是本申请实施例提供的高阶退化模型的结构示意图。如图2所示，该高阶退化模型具体可以包括：

本申请实施例将经典的“一阶”退化模型扩展到“高阶”退化模型，用于模拟真实世界的图像退化，即由多个重复的退化过程建模，每个过程都是经典的退化模型。本申请实施例将图像的退化过程细化为两个阶段，即采用了一个二阶段退化过程，这样是为了在简单性和有效性之间取得良好的平衡。

在模型训练过程中都使用合成的模拟退化图像和原始图像作为输入和输出的图像对作为训练数据，整体采用GAN的训练方式，生成器阶段使用上述的超分辨率增强模块来生成数据，在判别器阶段采用U-net结构的网络来不断优化生成器生成的图像质量。

在一些实施例中，利用高阶退化模型对原始样本图像依次进行一阶段退化处理和二阶段退化处理，包括：将原始样本图像输入到一阶段退化模型中，利用一阶段退化模型中的模糊核进行卷积，将卷积处理后的图像采用比例因子进行下采样操作，对下采样操作后的图像进行压缩处理；将压缩处理后的图像输入到二阶段退化模型中，利用二阶段退化模型中的模糊核进行卷积，将卷积处理后的图像采用比例因子进行下采样操作，对下采样操作后的图像进行压缩处理，得到最终的模拟退化图像。

具体地，一阶段退化和二阶段退化采用了相同的退化模型结构，在每个阶段对应的图像退化处理过程中，首先对输入的图像进行模糊处理，模糊处理的本质是对图像进行滤波，将滤波后的图像进行下采样处理，采用合适的比例因子进行下采样，之后对下采样后的图像增加噪声，最后对噪声处理后的图像进行压缩。

在一些实施例中，利用以下方式对小目标对象检测模型进行训练，包括：

将原始样本图像输入到超分辨率增强模型进行处理，得到超分辨率增强后的图像；

对超分辨率增强后的图像进行缩放，得到预设分辨率的样本图像，利用预设的数据增强方式对预设分辨率的样本图像进行数据增强，得到数据增强后的样本图像；

利用数据增强后的样本图像生成训练数据，并利用训练数据对小目标对象检测模型进行训练；

其中，数据增强方式采用马赛克增强、仿射变换、MixUP数据增强或者HSV随机增强。

具体地，本申请实施例的小目标人体检测模型中可以选择yolov5作为检测器，在检测器的训练阶段采用1280*1280的切片大小进行训练，在数据准备阶段采用马赛克增强、仿射变换、MixUP数据增强、HSV随机增强等多种数据增强方式，以此扩充小目标数据的多样性来增强模型的鲁棒性。

在高空塔吊监控场景下的小目标检测模型中，本申请实施例在训练阶段和推理阶段均使用1280*1280的图片尺寸进行训练，并使用超分辨率数据增强、马赛克增强、仿射变换、MixUP数据增强、HSV随机增强等多种数据增强方式进行数据增强以增强模型的鲁棒性和泛化性，最终得到能够在高空塔吊和低分辨率的摄像头场景下完成精准的人体目标检测，该场景下人体小目标的原始像素区间在20-35之间，经过本申请实施例提供的算法可以达到优秀的检测效果。

根据本申请实施例提供的技术方案，本申请实施例提出基于残差结构和密集连接卷积结构的超分辨率增强网络来实现低分辨率图片恢复到高分辨率图片；本申请基于GAN网络结构，独立训练生成器和判别器来实现生成器网络不断优化；本申请实现在低分辨率摄像头（720p）的高空塔吊场景下小目标人体检测；本申请读取输入图像以及我们设定的最低分辨率，实现输入图像的自动放大倍数选择。由此采样上述技术方案，本申请能解决大多数室外低分辨率监控场景下的小目标人体检测，本申请设定先对图像进行超分增强再进行小目标人体检测的框架，可采用如下替代方案：改变超分增强网路中生成器和判别器的结构来生成特定场景的数据。

下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。

图3是本申请实施例提供的小目标对象检测装置的结构示意图。如图3所示，该小目标对象检测装置包括：

分辨率检测模块301，被配置为获取原始输入图像，利用分辨率检测模型对原始输入图像进行检测，以判断原始输入图像是否满足预设分辨率要求；

超分辨率增强模块302，被配置为当原始输入图像不满足预设分辨率要求时，利用训练后的超分辨率增强模型对原始输入图像执行图像增强操作，输出符合分辨率要求的目标图像；

小目标对象检测模块303，被配置为将目标图像输入到小目标对象检测模型中，利用小目标对象检测模型对目标图像中的小目标对象进行定位和识别，得到每个小目标对象的位置信息以及数量信息。

在一些实施例中，图3的分辨率检测模块301对原始输入图像进行分辨率检测，将原始输入图像的分辨率与预设的最低分辨率进行比较，当原始输入图像的分辨率大于或等于最低分辨率时，将原始输入图像作为目标图像；当原始输入图像的分辨率小于最低分辨率时，确定原始输入图像对应的超分辨率放大倍数。

在一些实施例中，图3的超分辨率增强模块302对原始输入图像进行特征提取，得到原始特征图，将原始特征图输入到连续的基本模块中进行处理，得到第一特征图，对第一特征图进行卷积处理后与原始特征图连接，得到第二特征图，将第二特征图进行上采样处理后得到第三特征图，将第三特征图输入连续卷积层后得到目标图像。

在一些实施例中，基本模块包含连续的多个密集连接卷积模块，每个密集连接卷积模块包含连续的多个卷积和激活函数层，多个卷积和激活函数层之后连接一个卷积层。

在一些实施例中，图3的模型训练模块304获取原始样本图像，将原始样本图像作为预定的高阶退化模型的输入，利用高阶退化模型对原始样本图像依次进行一阶段退化处理和二阶段退化处理，得到模拟退化图像，利用原始样本图像与模拟退化图像组成的样本对生成训练数据，并利用训练数据对超分辨率增强模型进行训练。

在一些实施例中，图3的模型训练模块304将原始样本图像输入到一阶段退化模型中，利用一阶段退化模型中的模糊核进行卷积，将卷积处理后的图像采用比例因子进行下采样操作，对下采样操作后的图像进行噪声处理，并对噪声处理后的图像进行压缩；将压缩处理后的图像输入到二阶段退化模型中，利用二阶段退化模型中的模糊核进行卷积，将卷积处理后的图像采用比例因子进行下采样操作，对下采样操作后的图像进行噪声处理，并对噪声处理后的图像进行压缩，得到最终的模拟退化图像。

在一些实施例中，图3的模型训练模块304将原始样本图像输入到超分辨率增强模型进行处理，得到超分辨率增强后的图像；对超分辨率增强后的图像进行缩放，得到预设分辨率的样本图像，利用预设的数据增强方式对预设分辨率的样本图像进行数据增强，得到数据增强后的样本图像；利用数据增强后的样本图像生成训练数据，并利用训练数据对小目标人体检测模型进行训练；其中，数据增强方式采用马赛克增强、仿射变换、MixUP数据增强或者HSV随机增强。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

图4是本申请实施例提供的电子设备4的结构示意图。如图4所示，该实施例的电子设备4包括：处理器401、存储器402以及存储在该存储器402中并且可以在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者，处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。

示例性地，计算机程序403可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器402中，并由处理器401执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序403在电子设备4中的执行过程。

电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解，图4仅仅是电子设备4的示例，并不构成对电子设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如，电子设备还可以包括输入输出设备、网络接入设备、总线等。

处理器401可以是中央处理单元（Central Processing Unit，CPU），也可以是其它通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application SpecificIntegrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。

存储器402可以是电子设备4的内部存储单元，例如，电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备，例如，电子设备4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（Flash Card）等。进一步地，存储器402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及电子设备所需的其它程序和数据。存储器402还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上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精神和范围，均应包含在本申请的保护范围之内。

Claims (5)

1.一种小目标对象检测方法，其特征在于，包括：

获取原始输入图像，利用分辨率检测模型对所述原始输入图像进行检测，以判断所述原始输入图像是否满足预设分辨率要求；

当所述原始输入图像不满足所述预设分辨率要求时，利用训练后的超分辨率增强模型对所述原始输入图像执行图像增强操作，输出符合所述预设分辨率要求的目标图像；

将所述目标图像输入到小目标对象检测模型中，利用所述小目标对象检测模型对所述目标图像中的小目标对象进行定位和识别，得到每个所述小目标对象的位置信息以及数量信息；所述小目标对象检测模型中选择yolov5作为检测器；

所述利用分辨率检测模型对所述原始输入图像进行检测，以判断所述原始输入图像是否满足预设分辨率要求，包括：

对所述原始输入图像进行分辨率检测，将所述原始输入图像的分辨率与预设的最低分辨率进行比较，当所述原始输入图像的分辨率大于或等于所述最低分辨率时，将所述原始输入图像作为目标图像；当所述原始输入图像的分辨率小于所述最低分辨率时，确定所述原始输入图像对应的超分辨率放大倍数；

所述利用训练后的超分辨率增强模型对所述原始输入图像执行图像增强操作，包括：

对所述原始输入图像进行特征提取，得到原始特征图，将所述原始特征图输入到连续的基本模块中进行处理，得到第一特征图，对所述第一特征图进行卷积处理后与所述原始特征图连接，得到第二特征图，将所述第二特征图进行上采样处理后得到第三特征图，将所述第三特征图输入连续卷积层后得到所述目标图像；所述基本模块包含连续的多个密集连接卷积模块，每个所述密集连接卷积模块包含连续的多个卷积和激活函数层，所述多个卷积和激活函数层之后连接一个卷积层；

其中，所述超分辨率增强模型利用以下方式进行训练，包括：

获取原始样本图像，将所述原始样本图像作为预定的高阶退化模型的输入，利用所述高阶退化模型对所述原始样本图像依次进行一阶段退化处理和二阶段退化处理，得到模拟退化图像，利用所述原始样本图像与所述模拟退化图像组成的样本对生成第一训练数据，并利用所述第一训练数据对所述超分辨率增强模型进行训练；

所述小目标对象检测模型利用以下方式进行训练，包括：

将原始样本图像输入到所述超分辨率增强模型进行处理，得到超分辨率增强后的图像，对所述超分辨率增强后的图像进行缩放，得到预设分辨率的样本图像，利用预设的数据增强方式对所述预设分辨率的样本图像进行数据增强，得到数据增强后的样本图像，利用所述数据增强后的样本图像生成第二训练数据，并利用所述第二训练数据对所述小目标对象检测模型进行训练；其中，所述数据增强方式采用马赛克增强、仿射变换、MixUP数据增强或者HSV随机增强。

2.根据权利要求1所述的方法，其特征在于，所述利用所述高阶退化模型对所述原始样本图像依次进行一阶段退化处理和二阶段退化处理，包括：

将所述原始样本图像输入到一阶段退化模型中，利用所述一阶段退化模型中的模糊核进行卷积，将卷积处理后的图像采用比例因子进行下采样操作，对下采样操作后的图像进行噪声处理，并对噪声处理后的图像进行压缩；

将压缩处理后的图像输入到二阶段退化模型中，利用所述二阶段退化模型中的模糊核进行卷积，将卷积处理后的图像采用比例因子进行下采样操作，对下采样操作后的图像进行噪声处理，并对噪声处理后的图像进行压缩，得到最终的模拟退化图像。

3.一种小目标对象检测装置，其特征在于，包括：

分辨率检测模块，被配置为获取原始输入图像，利用分辨率检测模型对所述原始输入图像进行检测，以判断所述原始输入图像是否满足预设分辨率要求；所述分辨率检测模型用于对所述原始输入图像进行分辨率检测，将原始输入图像的分辨率与预设的最低分辨率进行比较，当原始输入图像的分辨率大于或等于最低分辨率时，将原始输入图像作为目标图像；当原始输入图像的分辨率小于最低分辨率时，确定原始输入图像对应的超分辨率放大倍数；

超分辨率增强模块，被配置为当所述原始输入图像不满足所述预设分辨率要求时，利用训练后的超分辨率增强模型对所述原始输入图像执行图像增强操作，输出符合所述预设分辨率要求的目标图像，具体包括：对所述原始输入图像进行特征提取，得到原始特征图，将所述原始特征图输入到连续的基本模块中进行处理，得到第一特征图，对所述第一特征图进行卷积处理后与所述原始特征图连接，得到第二特征图，将所述第二特征图进行上采样处理后得到第三特征图，将所述第三特征图输入连续卷积层后得到所述目标图像；所述基本模块包含连续的多个密集连接卷积模块，每个所述密集连接卷积模块包含连续的多个卷积和激活函数层，所述多个卷积和激活函数层之后连接一个卷积层；

小目标对象检测模块，被配置为将所述目标图像输入到小目标对象检测模型中，利用所述小目标对象检测模型对所述目标图像中的小目标对象进行定位和识别，得到每个所述小目标对象的位置信息以及数量信息；所述小目标对象检测模型中选择yolov5作为检测器；

其中，所述超分辨率增强模型利用以下方式进行训练，包括：

获取原始样本图像，将所述原始样本图像作为预定的高阶退化模型的输入，利用所述高阶退化模型对所述原始样本图像依次进行一阶段退化处理和二阶段退化处理，得到模拟退化图像，利用所述原始样本图像与所述模拟退化图像组成的样本对生成第一训练数据，并利用所述第一训练数据对所述超分辨率增强模型进行训练；

所述小目标对象检测模型利用以下方式进行训练，包括：

将原始样本图像输入到所述超分辨率增强模型进行处理，得到超分辨率增强后的图像；对所述超分辨率增强后的图像进行缩放，得到预设分辨率的样本图像，利用预设的数据增强方式对所述预设分辨率的样本图像进行数据增强，得到数据增强后的样本图像；利用所述数据增强后的样本图像生成第二训练数据，并利用所述第二训练数据对所述小目标对象检测模型进行训练；其中，所述数据增强方式采用马赛克增强、仿射变换、MixUP数据增强或者HSV随机增强。

4.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至2中任一项所述的方法。

5.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至2中任一项所述的方法。