目标检测方法、装置、设备及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113869248A(43)申请公布日2021.12.31(21)申请号202111164524.0G06N3/04(2006.01)(22)申请日2021.09.30G06N3/08(2006.01)(71)申请人华南师范大学地址510006广东省广州市番禺区外环西路378号华南师范大学华南先进光电子研究院申请人广州华钻电子科技有限公司(72)发明人白鹏飞马浩楠覃元锋李世晓杜鹏渊罗玉浩唐亦凡周国富(74)专利代理机构广州嘉权专利商标事务所有限公司44205代理人廖慧贤(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)权利要求书2页说明书8页附图5页(54)发明名称目标检测方法、装置、设备及存储介质(57)摘要本发明公开了一种目标检测方法、装置、设备及存储介质，属于人工智能技术领域。本发明的目标检测方法包括获取参考图像，其中，参考图像包括雾天图像；对雾天图像进行标准化处理，得到标准雾天图像；根据预设的比例将标准雾天图像划分为训练集、验证集和测试集；根据训练集对改进的YOLOv5模型进行训练，得到训练后的检测模型，其中，改进后的YOLOv5模型为在原始YOLOv5模型的基础上对特征融合层进行改进后的模型；根据验证集和测试集对检测模型进行验证，确定最优检测模型；根据最优检测模型对待检测图像进行目标检测，得到车辆数据和行人数据。这种方法能够减少场景误检和漏检率，提高检测精确度。CN113869248ACN113869248A权利要求书1/2页1.目标检测方法，其特征在于，包括：获取参考图像，其中，所述参考图像包括雾天图像；对所述雾天图像进行标准化处理，得到标准雾天图像；根据预设的比例将所述标准雾天图像划分为训练集、验证集和测试集；根据所述训练集对改进的YOLOv5模型进行训练，得到训练后的检测模型，其中，所述改进后的YOLOv5模型为在原始YOLOv5模型的基础上对特征融合层进行改进后的模型；根据所述验证集和所述测试集对所述检测模型进行验证，确定最优检测模型；根据所述最优检测模型对待检测图像进行目标检测，得到车辆数据和行人数据。2.根据权利要求1所述的车辆行人检测方法，其特征在于，所述对所述雾天图像进行标准化处理，得到标准雾天图像，包括：根据预设的去雾算法，对所述雾天图像进行去雾处理，得到去雾处理之后的雾天图像；对所述去雾处理之后的雾天图像进行标注处理，得到标准雾天图像。3.根据权利要求1所述的车辆行人检测方法，其特征在于，所述在原始YOLOv5模型的基础上对特征融合层进行改进具体包括：采用FPG特征融合结构替换原始YOLOv5模型的PANet网络。4.根据权利要求3所述的车辆行人检测方法，其特征在于，所述根据所述训练集对改进的YOLOv5模型进行训练，得到训练后的检测模型，包括：将所述训练集的图像输入至所述改进的YOLOv5模型的CSPDarknet53网络中进行特征提取，生成第一特征层；将所述第一特征层输入到所述改进的YOLOv5模型的FPG特征融合结构，得到三个第二特征层；根据第二特征层，确定边界框列表中的边界框及每一边界框对应的置信度；采用非极大值抑制法对所述边界框进行筛选，得到最终的边界框。5.根据权利要求4所述的车辆行人检测方法，其特征在于，所述采用非极大值抑制法对所述边界框进行筛选，得到最终的边界框，包括：边界框排序步骤：根据所述置信度的大小，对边界框列表中的边界框进行排序；删除边界框列表中所述置信度最高的边界框，并将所述置信度最高的边界框添加至输出列表；计算所述边界框列表中所有边界框的面积及所述置信度最高的边界框与目标边界框的交并比；筛选步骤：若所述交并比大于预设的交并比阈值，则在所述边界框列表中删除所述目标边界框；重复所述边界框排序步骤至所述筛选步骤，直至所述边界框列表为空，则所述输出列表中的边界框即为最终的边界框。6.根据权利要求1所述的车辆行人检测方法，其特征在于，所述根据所述验证集和所述测试集对所述检测模型进行验证，确定最优检测模型，包括：获取所述验证集和所述测试集对所述检测模型进行验证时的MAP指标；根据所述MAP指标，确定最优检测模型。7.根据权利要求1至6任一项所述的车辆行人检测方法，其特征在于，所述根据预设的2CN113869248A权利要求书2/2页比例将所述标准雾天图像划分为训练集、验证集和测试集，还包括：对所述标准雾天图像进行数据扩增处理，其中，所述数据扩增处理包括水平翻转、颜色随机变换、亮度随机变换、对比度随机变换、色温变换、随机裁剪中的至少一种。8.目标检测装置，其特征在于，包括：图像获取模块，用于获取参考图像，其中，所述参考图像包括雾天图像；标准化处理模块，用于对所述雾天图