物体检测的方法及装置、电子设备与流程

本公开涉及人工智能，尤其涉及一种物体检测的方法及装置、电子设备。

背景技术：

1、河道漂浮物治理是城市环境治理中至关重要的一环，河道漂浮物的堆积易造成水体富营养化，破坏水生态环境，影响居民安全用水和各种水利工作的进行。随着城市监控系统的逐步完善，如何利用城市监控系统进行河道漂浮物的精准、快速检测成为学者的研究内容。目标检测实质是在整张图像中寻找感兴趣区域，并确定感兴趣区域内的对象类别，最终利用矩形框框定对象位置。

2、早期的漂浮物检测方法主要包括背景差分法、帧间差分法和图像分割法等，利用漂浮物的底层和中层特征手工设计特征提取器后再检测，这类方法易受漂浮物形态、光照和背景环境变化影响，鲁棒性差，且需要根据不同类别目标设计特定特征，泛化能力弱。随着计算机视觉的飞速发展，基于深度学习的检测技术凭借其强大的特征表达能力和良好的鲁棒性、泛化性，被应用于解决水面漂浮物检测。

3、然而，现有技术中基于深度学习的检测技术，由于自然环境复杂，存在着漂浮物特征与背景特征相似(即目标特征不明显)的问题，导致在进行漂浮物检测时精度较低。

技术实现思路

1、本公开提供了一种物体检测的方法及装置、电子设备。其主要目的在于解决现有技术中基于深度学习的检测技术，由于自然环境复杂，存在着漂浮物特征与背景特征相似(即目标特征不明显)的问题，导致在进行漂浮物检测时精度较低的问题。

2、根据本公开的第一方面，提供了一种物体检测的方法，其中，包括：

3、将待检测图像输入至预设物体检测模型进行物体特征提取，得到预设层数的目标特征图像，所述预设层数为所述待检测图像在预设物体检测模型经过的特征层的数量；

4、通过预设锚框生成算法，生成所述目标特征图像中每个物体对应的特征锚框，所述特征锚框为用于在所述目标特征图像中框定物体位置的锚框；

5、基于所述预设物体检测模型，根据所述目标特征图像中的通道数，对所述目标特征图进行特征增强处理，得到对应的增强后的目标特征图，所述通道数为物体的种类数；

6、根据所述通道数，通过预设计算函数获取每层所述增强后的目标特征图对应的空间权重，并根据所述空间权重将所述增强后的目标特征图进行融合，得到融合后的特征图；

7、将所述融合后的特征图与所述特征锚框进行融合，得到检测结果图，并对所述检测结果图中的物体进行回归与分类，得到物体检测结果。

8、可选的，所述将待检测图像输入至预设物体检测模型进行特征提取，得到预设层数的目标特征图像包括：

9、获取所述待检测图像中的物体特征大小，并通过预设计算算法计算所述预设物体检测模型中，各特征层的感受野大小，所述感受野为所述特征层对所述待检测图像的感知范围；

10、将所述物体特征大小与所述感受野大小进行匹配，得到对应的第一预设数量的目标特征层；

11、将所述待检测图像依次通过所述第一预设数量的所述目标特征层进行特征提取，得到所述预设层数的所述目标特征图像。

12、可选的，所述基于所述预设物体检测模型，根据所述目标特征图像中的通道数，对所述目标特征图进行特征增强处理，得到对应的增强后的目标特征图包括：

13、根据所述目标特征图像中的通道数，将所述目标特征图像均等划分为第二预设数量的子特征图；

14、将所述第二预设数量的所述子特征图进行编号处理，得到编号后的子特征图；

15、将第一子特征图与第二子特征图进行卷积处理，得到第一卷积特征图，所述第一子特征图为所述编号后的子特征图中编号第一的子特征图，所述第二子特征图为按照编号顺序与所述第一子特征图相邻的子特征图；

16、将所述第一卷积特征图与第三子特征图进行卷积处理，得到第二卷积特征图，直至得到所述增强后的目标特征图，所述第三子特征图为按照编号顺序与所述第二子特征图相邻的子特征图。

17、可选的，所述根据所述通道数，通过预设计算函数获取每层所述增强后的目标特征图对应的空间权重包括：

18、将所述增强后的目标特征图卷积处理为相同的尺度，得到对应的待调整特征图；

19、将所述待调整特征图降维处理为相同所述通道数，得到对应的待计算特征图；

20、通过预设计算函数对所述待计算特征图进行计算，得到每层所述增强后的目标特征图对应的所述空间权重，其中，所有所述空间权重之和为1。

21、可选的，所述通过预设锚框生成算法，生成所述目标特征图像中每个物体对应的特征锚框包括：

22、通过第一预设聚类算法对所述待检测图像进行聚类，得到聚类后的待检测图像；

23、通过第二预设聚类算法对所述聚类后的待检测图像进行分析处理，得到对应的聚类中心待检测图像，并确定所述聚类中心待检测图像中每个物体对应的初始锚框，所述初始锚框为用于在所述聚类中心待检测图像中框定物体位置的矩形框；

24、获取所述待检测图像与所述目标特征图像之间的采样映射关系，根据所述采样映射关系以及所述聚类中心待检测图像中每个物体对应的初始锚框，生成所述目标特征图像中每个物体对应的特征锚框。

25、可选的，所述预设物体检测模型的训练方法包括：

26、通过预设构建规则构建训练用待检测图像集；

27、将所述训练用待检测图像集输入至所述预设物体检测模型进行物体特征提取，得到预设层数的训练用目标特征图像；

28、根据所述训练用目标特征图像中的物体特征，生成所述训练用目标特征图像中的每个物体对应的训练用特征锚框，所述训练用特征锚框为用于在所述目标特征图像中框定特征位置的锚框；

29、基于所述训练用目标特征图像以及所述训练用特征锚框，根据预设步长的衰减学习率对所述预设物体检测模型进行迭代学习训练；

30、基于预设损失函数以及预设优化算法，对所述预设物体检测模型进行优化，得到训练好的预设物体检测模型。

31、可选的，所述通过预设构建规则构建训练用待检测图像集包括：

32、通过预设频率对采集的图像内容进行图像提取，得到第三预设数量的帧图像；

33、通过预设筛选规则对所述帧图像进行筛选，得到筛选后的图像；

34、将所述筛选后的图像通过预设增强算法进行图像增强，并通过预设变换策略进图像扩充，得到增强图像；

35、通过预设标定方法对所述增强图像中的每个物体进行位置框定，并对所述增强图像中的物体进行分类，得到所述训练用待检测图像集。

36、可选的，在基于预设损失函数以及预设优化算法，对所述预设物体检测模型进行优化，得到训练好的预设物体检测模型之后，所述方法还包括：

37、将所述训练好的预设物体检测模型配置于预设物体检测系统中。

38、根据本公开的第二方面，提供了一种物体检测的装置，包括：

39、提取单元，用于将待检测图像输入至预设物体检测模型进行物体特征提取，得到预设层数的目标特征图像，所述预设层数为所述待检测图像在预设物体检测模型经过的特征层的数量；

40、生成单元，用于通过预设锚框生成算法，生成所述目标特征图像中每个物体对应的特征锚框，所述特征锚框为用于在所述目标特征图像中框定物体位置的锚框；

41、增强单元，用于基于所述预设物体检测模型，根据所述目标特征图像中的通道数，对所述目标特征图进行特征增强处理，得到对应的增强后的目标特征图，所述通道数为物体的种类数；

42、融合单元，用于根据所述通道数，通过预设计算函数获取每层所述增强后的目标特征图对应的空间权重，并根据所述空间权重将所述增强后的目标特征图进行融合，得到融合后的特征图。

43、分类单元，用于将所述融合后的特征图与所述特征锚框进行融合，得到检测结果图，并对所述检测结果图中的物体进行回归与分类，得到物体检测结果。

44、可选的，所述提取单元包括：

45、获取模块，用于获取所述待检测图像中的物体特征大小，并通过预设计算算法计算所述预设物体检测模型中，各特征层的感受野大小，所述感受野为所述特征层对所述待检测图像的感知范围；

46、匹配模块，用于将所述物体特征大小与所述感受野大小进行匹配，得到对应的第一预设数量的目标特征层；

47、提取模块，用于将所述待检测图像依次通过所述第一预设数量的所述目标特征层进行特征提取，得到所述预设层数的所述目标特征图像。

48、可选的，所述增强单元包括：

49、划分模块，用于根据所述目标特征图像中的通道数，将所述目标特征图像均等划分为第二预设数量的子特征图；

50、编号模块，用于将所述第二预设数量的所述子特征图进行编号处理，得到编号后的子特征图；

51、卷积模块，用于将第一子特征图与第二子特征图进行卷积处理，得到第一卷积特征图，所述第一子特征图为所述编号后的子特征图中编号第一的子特征图，所述第二子特征图为按照编号顺序与所述第一子特征图相邻的子特征图；

52、所述卷积模块还用于，将所述第一卷积特征图与第三子特征图进行卷积处理，得到第二卷积特征图，直至得到所述增强后的目标特征图，所述第三子特征图为按照编号顺序与所述第二子特征图相邻的子特征图。

53、可选的，所述融合单元包括：

54、卷积模块，用于将所述增强后的目标特征图卷积处理为相同的尺度，得到对应的待调整特征图；

55、降维模块，用于将所述待调整特征图降维处理为相同所述通道数，得到对应的待计算特征图；

56、计算模块，用于通过预设计算函数对所述待计算特征图进行计算，得到每层所述增强后的目标特征图对应的所述空间权重，其中，所有所述空间权重之和为1。

57、可选的，所述生成单元包括；

58、聚类模块，用于通过第一预设聚类算法对所述待检测图像进行聚类，得到聚类后的待检测图像；

59、分析模块，用于通过第二预设聚类算法对所述聚类后的待检测图像进行分析处理，得到对应的聚类中心待检测图像，并确定所述聚类中心待检测图像中每个物体对应的初始锚框，所述初始锚框为用于在所述聚类中心待检测图像中框定物体位置的矩形框；

60、生成模块，用于获取所述待检测图像与所述目标特征图像之间的采样映射关系，根据所述采样映射关系以及所述聚类中心待检测图像中每个物体对应的初始锚框，生成所述目标特征图像中每个物体对应的特征锚框。

61、可选的，所述装置还包括：

62、构建单元，用于通过预设构建规则构建训练用待检测图像集；

63、所述提取单元还用于，将所述训练用待检测图像集输入至所述预设物体检测模型进行物体特征提取，得到预设层数的训练用目标特征图像；

64、所述生成单元还用于，根据所述训练用目标特征图像中的物体特征，生成所述训练用目标特征图像中的每个物体对应的训练用特征锚框，所述训练用特征锚框为用于在所述目标特征图像中框定特征位置的锚框；

65、训练单元，用于基于所述训练用目标特征图像以及所述训练用特征锚框，根据预设步长的衰减学习率对所述预设物体检测模型进行迭代学习训练；

66、优化单元，用于基于预设损失函数以及预设优化算法，对所述预设物体检测模型进行优化，得到训练好的预设物体检测模型。

67、可选的，所述构建单元包括：

68、提取模块，用于通过预设频率对采集的图像内容进行图像提取，得到第三预设数量的帧图像；

69、筛选模块，用于通过预设筛选规则对所述帧图像进行筛选，得到筛选后的图像；

70、增强模块，用于将所述筛选后的图像通过预设增强算法进行图像增强，并通过预设变换策略进图像扩充，得到增强图像；

71、分类模块，用于通过预设标定方法对所述增强图像中的每个物体进行位置框定，并对所述增强图像中的物体进行分类，得到所述训练用待检测图像集。

72、可选的，所述装置还包括：

73、配置单元，用于将所述训练好的预设物体检测模型配置于预设物体检测系统中。

74、根据本公开的第三方面，提供了一种电子设备，包括：

75、至少一个处理器；以及

76、与所述至少一个处理器通信连接的存储器；其中，

77、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述第一方面所述的方法。

78、根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行前述第一方面所述的方法。

79、根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如前述第一方面所述的方法。

80、本公开提供的物体检测的方法及装置、电子设备，将待检测图像输入至预设物体检测模型进行物体特征提取，得到预设层数的目标特征图像；所述预设层数为所述待检测图像在预设物体检测模型经过的特征层的数量；通过预设锚框生成算法，生成所述目标特征图像中每个物体对应的特征锚框，所述特征锚框为用于在所述目标特征图像中框定物体位置的锚框；基于所述预设物体检测模型，根据所述目标特征图像中的通道数，对所述目标特征图进行特征增强处理，得到对应的增强后的目标特征图，所述通道数为物体的种类数；根据所述通道数，通过预设计算函数获取每层所述增强后的目标特征图对应的空间权重，并根据所述空间权重将所述增强后的目标特征图进行融合，得到融合后的特征图；将所述融合后的特征图与所述特征锚框进行融合，得到检测结果图，并对所述检测结果图中的物体进行回归与分类，得到物体检测结果。与相关技术相比，本公开实施例通过对所述目标特征图进行特征增强处理，以及对增强后的目标特征图进行自适应加权融合，可以较好的区分漂浮物特征与背景特征，提升漂浮物检测的精度。

81、应当理解，本部分所描述的内容并非旨在标识本技术的实施例的关键或重要特征，也不用于限制本技术的范围。本技术的其它特征将通过以下的说明书而变得容易理解。