一种目标检测方法、装置及计算机设备与流程

本发明涉及机器视觉技术领域，特别是涉及一种目标检测方法、装置及计算机设备。

背景技术：

随着社会的不断进步，视频监控系统的应用范围越来越广泛，智能监控作为视频监控技术的一个研究热点，近年来，在一些特定的场合，例如银行、车站、商场等公共场合逐渐普及。目标检测作为智能监控的一环节，有着非常重要的意义，目标检测可以定义为：判断输入图像或视频中是否存在指定目标，如果存在指定目标，则输出指定目标在图像或者视频中的位置信息。目前，常用的目标检测方法主要有背景差法、帧差法、光流法、模板匹配和基于机器学习的方法。前四种目标检测方法都是常规基于图像处理的目标检测方法，易受到光照变化、色彩和姿态等影响。而基于机器学习的目标检测方法，从样本集中学习指定目标的不同变化，具有较好的鲁棒性。

相关的基于机器学习的目标检测方法中，首先构建训练样本集，通过对训练样本集进行训练，得到一个卷积神经网络模型。在进行目标检测时，将待检测的图片输入训练好的卷积神经网络模型，可以得到指定目标所对应的候选框和置信度，然后进行非极大值抑制和阈值筛选，确定待检测的图片中的指定目标。

但是，在一些特殊的场景下，目标的分布较为密集，例如，在人群密集的场景下，行人目标会出现拥挤的情况，这样，使得在利用上述基于机器学习的目标检测方法中，所得到的候选框之间存在重叠的情况，对相互重叠的候选框进行非极大值抑制，可能会舍弃掉真实的指定目标对应的候选框，导致漏检部分目标，具有一定的检测误差。

技术实现要素：

本发明实施例的目的在于提供一种目标检测方法、装置及计算机设备，以提高目标检测的准确度。具体技术方案如下：

第一方面，本发明实施例提供了一种目标检测方法，所述方法包括：

获取通过图像采集器采集的待检测图像；

将所述待检测图像输入经训练得到的全卷积神经网络，生成所述待检测图像的目标上顶点置信度分布图、目标下顶点置信度分布图，以及目标上下顶点关联场图；

分别针对所述目标上顶点置信度分布图及所述目标下顶点置信度分布图，采用预设目标确定方法，确定所述待检测图像中至少一个上顶点目标及至少一个下顶点目标；

通过将各上顶点目标及各下顶点目标映射至所述目标上下顶点关联场图中，针对第一顶点目标，分别计算所述第一顶点目标与各第二顶点目标连线间的关联场值，其中，若所述第一顶点目标为任一上顶点目标，则所述第二顶点目标为任一下顶点目标，若所述第一顶点目标为任一下顶点目标，则所述第二顶点目标为任一上顶点目标；

基于所述第一顶点目标与各第二顶点目标连线间的关联场值，通过对上下顶点进行匹配，确定关联场值最大的连线为指定目标。

第二方面，本发明实施例提供了一种目标检测装置，所述装置包括：

第一获取模块，用于获取通过图像采集器采集的待检测图像；

第一生成模块，用于将所述待检测图像输入经训练得到的全卷积神经网络，生成所述待检测图像的目标上顶点置信度分布图、目标下顶点置信度分布图，以及目标上下顶点关联场图；

目标确定模块，用于分别针对所述目标上顶点置信度分布图及所述目标下顶点置信度分布图，采用预设目标确定方法，确定所述待检测图像中至少一个上顶点目标及至少一个下顶点目标；

第一计算模块，用于通过将各上顶点目标及各下顶点目标映射至所述目标上下顶点关联场图中，针对第一顶点目标，分别计算所述第一顶点目标与各第二顶点目标连线间的关联场值，其中，若所述第一顶点目标为任一上顶点目标，则所述第二顶点目标为任一下顶点目标，若所述第一顶点目标为任一下顶点目标，则所述第二顶点目标为任一上顶点目标；

匹配模块，用于基于所述第一顶点目标与各第二顶点目标连线间的关联场值，通过对上下顶点进行匹配，确定关联场值最大的连线为指定目标。

第三方面，本发明实施例提供了一种计算机设备，包括图像采集器、处理器和存储器，其中，

所述图像采集器，用于采集待检测图像；

所述存储器，用于存放计算机程序；

所述处理器，用于执行所述存储器上所存放的程序时，实现如第一方面所述的方法步骤。

本发明实施例提供的一种目标检测方法、装置及计算机设备，通过将获取的待检测图像输入经训练得到的全卷积神经网络，生成待检测图像的目标上顶点置信度分布图、目标下顶点置信度分布图和目标上下顶点关联场图，分别根据目标上顶点置信度分布图和目标下顶点置信度分布图，确定待检测图像中的上顶点目标和下顶点目标，再通过将上顶点目标和下顶点目标映射至目标上下顶点关联场图，计算得到针对第一顶点目标、与各第二顶点目标连线间的关联场值，最后，基于各关联场值，通过对上下顶点进行匹配，确定关联场值最大的连线为指定目标。采用经训练得到的全卷积神经网络，能够提取到指定目标的上顶点和下顶点，并且通过映射建立上顶点与下顶点的连接，再通过匹配，将匹配成功的上下顶点连线作为指定目标，指定目标用连线表示，排除了候选框出现重叠的情况发生，即使指定目标分布密集，由于指定目标的上下顶点可以通过全卷积神经网络准确定位，则可以用上下顶点的连线清晰区分各指定目标，提高了目标检测的准确度。

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，下面描述中的附图仅仅是本发明的一些实施例，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他的附图。

图1为本发明实施例的目标检测方法的一种流程示意图；

图2为本发明实施例的全卷积神经网络的结构示意图；

图3为本发明实施例的目标检测方法的另一种流程示意图；

图4为本发明实施例的对待检测图像进行提取得到的目标上顶点置信度真值图、目标下顶点置信度真值图及目标上下顶点关联场真值图；

图5为本发明实施例的另一种全卷积神经网络的结构示意图；

图6为本发明实施例的行人检测结果示意图；

图7为本发明实施例的目标检测装置的一种结构示意图；

图8为本发明实施例的目标检测装置的另一种结构示意图；

图9为本发明实施例的计算机设备的结构示意图。

具体实施方式

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，所描述的实施例仅仅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，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了提高目标检测的准确度，本发明实施例提供了一种目标检测方法、装置及计算机设备。

下面，首先对本发明实施例所提供的一种目标检测方法进行介绍。

本发明实施例所提供的一种目标检测方法的执行主体可以为一种搭载有核心处理芯片的计算机设备，该计算机设备可以为具有图像处理能力的摄像机、图像处理器等。实现本发明实施例所提供的一种目标检测方法的方式可以为设置于执行主体中的软件、硬件电路和逻辑电路中的至少一种。

如图1所示，本发明实施例所提供的一种目标检测方法，可以包括如下步骤：

s101，获取通过图像采集器采集的待检测图像。

其中，图像采集器可以为摄像机或者照相机，当然，图像采集器不仅限于此。如果图像采集器为摄像机，摄像机拍摄的是一段时间内的视频，待检测图像可以为该视频中的任一帧图像。

s102，将待检测图像输入经训练得到的全卷积神经网络，生成待检测图像的目标上顶点置信度分布图、目标下顶点置信度分布图，以及目标上下顶点关联场图。

由于全卷积神经网络具有自动提取指定目标的上顶点目标、下顶点目标特征的能力，且全卷积神经网络的网络参数可以是通过样本训练的过程得到的。因此，利用训练得到的全卷积神经网络可以保证对指定目标的上顶点目标和下顶点目标快速识别。如图2所示，本发明实施例中，全卷积神经网络由多个卷积层和多个降采样层相间排列构成，将获取到的待检测图像输入该全卷积神经网络，通过全卷积神经网络对待检测图像中指定目标的上顶点目标、下顶点目标进行特征提取，可得到待检测图像的目标上顶点置信度分布图、目标下顶点置信度分布图和目标上下顶点关联场图。

目标上顶点置信度分布图、目标下顶点置信度分布图可以理解为：所检测的目标为指定目标的上顶点的概率和下顶点的概率的分布图。例如，如果指定目标为行人，则目标上顶点置信度分布图为所检测的目标为人头顶点的概率分布图；目标下顶点置信度分布图为所检测的目标为行人双脚的概率分布图。目标上下顶点关联场图上每一像素点表征该位置存在指定目标的上顶点目标或者下顶点目标的关联程度值。目标上顶点置信度分布图及目标下顶点置信度分布图中的参数，可以为具体每个识别的区域内的目标为指定目标的上顶点目标和下顶点目标的具体概率值，其中，识别的区域是与目标的位置及大小相关的区域，通常情况下该区域的面积可以大于或等于目标的实际大小；也可以用像素点的像素值代表概率的大小，该区域中每个像素点的像素值越大，则该区域内的目标为指定目标的上顶点目标或者下顶点目标的概率也越大，当然，本发明实施例中目标上顶点置信度分布图和目标下顶点置信度分布图的具体参数不仅限于此。

可选的，全卷积神经网络可以包括：卷积层、降采样层及反卷积层。全卷积神经网络往往包括至少一个卷积层和至少一个降采样层，反卷积层为一个可选层，为了使得到的特征图的分辨率与输入的待检测图像的分辨率相同，以减少图像压缩比例的换算的步骤，便于进行特征提取，在最后一个卷积层之后，可以设置一反卷积层。

可选的，s102可以通过如下步骤实现。

第一步，将待检测图像输入训练得到的全卷积神经网络，经卷积层和降采样层相间排列的网络结构，提取待检测图像的特征。

第二步，通过反卷积层将特征上采样至分辨率与待检测图像的分辨率相同，得到上采样后的结果。

将待检测图像输入经训练得到的全卷积神经网络，利用一系列卷积层和降采样层依次提取由低层到高层的特征，该一系列卷积层和降采样层是相间排列的。然后连接反卷积层将特征上采样至输入的待检测图像大小。

第三步，利用1×1卷积层对第二步得到的结果进行运算，得到与待检测图像同等分辨率的目标上顶点置信度分布图、目标下顶点置信度分布图及目标上下顶点关联场图。

为了保证目标上顶点置信度分布图、目标下顶点置信度分布图和目标上下顶点关联场图与待检测图像有同等分辨率，最后可以通过一卷积层对上采样后的结果进行运算，该卷积层的卷积核尺寸可以选择1×1、3×3或5×5等尺寸的卷积核，但是，为了精确提取一个像素点的特征，可以选定该卷积层的卷积核尺寸为1×1，则通过该卷积层的运算可得到目标上顶点置信度分布图、目标下顶点置信度分布图和目标上下顶点关联场图。

s103，分别针对目标上顶点置信度分布图及目标下顶点置信度分布图，采用预设目标确定方法，确定待检测图像中至少一个上顶点目标及至少一个下顶点目标。

由于通过全卷积神经网络得到的待检测图像的目标上顶点置信度分布图中包含每个识别的区域的目标为指定目标的上顶点目标的概率、下顶点置信度分布图中包含每个识别的区域的目标为指定目标的下顶点目标的概率，所有目标中可能包含了除上顶点目标和下顶点目标以外的其他目标，因此，需要分别针对待检测图像的目标上顶点置信度分布图和目标下顶点置信度分布图，采用预设目标确定方法，从目标上顶点置信度分布图中确定出待检测图像中指定目标准确的上顶点目标、从目标下顶点置信度分布图中确定出待检测图像中指定目标准确的下顶点目标，其中，预设目标确定方法可以为设定一阈值，如果目标上顶点置信度分布图中的概率大于该阈值，则确定该概率对应的区域为上顶点目标，如果目标下顶点置信度分布图中的概率大于该阈值，则确定该概率对应的区域为下顶点目标；也可以是根据各像素点的像素值，如果区域内的各像素值均大于一预设像素值，则确定该区域为上顶点目标或者下顶点目标；还可以是如果各像素点的置信度均大于一预设置信度阈值，则确定该区域为上顶点目标或者下顶点目标；或者，如果各像素点的置信度的平均值大于一预设置信度阈值，则确定该区域为上顶点目标或者下顶点目标。当然，具体确定上顶点目标和下顶点目标的方式不仅限于此，为了便于实现可采用阈值处理的方式。

可选的，s103可以通过如下步骤实现。

第一步，分别针对目标上顶点置信度分布图及目标下顶点置信度分布图，采用非极大值抑制方法，确定至少一个检测目标的中心点的位置。

由于在待检测图像的目标上顶点置信度分布图和目标下顶点置信度分布图中，置信度极大值点表征了各个检测目标中心点的位置，置信度分布图上空间聚集的非零点表征了检测目标所处区域，分别对目标上顶点置信度分布图和目标下顶点置信度分布图采用非极大值抑制，通过抑制不是极大值的元素，搜索该区域内的极大值，因而可以获得各检测目标中心点的位置。该区域的形成与每个像素点的置信度相关，由于可能受两个目标离得太近、背景物体等因素影响，使得该区域与实际检测目标可能存在偏差，但是置信度极大值点表征了检测目标中心点，确定中心点位置后，在中心点的一定邻域内，可以确定为一个检测目标，从而通过确定中心点的位置可以提高目标检测的准确性。

第二步，获取每个检测目标的中心点的邻域内所有像素点的置信度。

由于检测目标的中心点的邻域内可以确定为一个检测目标，该邻域的大小可以根据对指定目标的上顶点大小和下顶点大小的统计分析确定，例如，针对行人目标，可以是通过实际人头半径的大小统计出的一个平均值，或者为服从一预设分布的值，确定上顶点目标的邻域大小。下顶点目标的邻域大小可以设置为与上顶点相同，当然，上、下顶点的邻域大小可以不相同，下顶点的邻域大小也可以根据实际指定目标的下顶点大小确定。由于检测目标的中心点的邻域内所有像素点的置信度越大，该检测目标为上顶点目标或者下顶点目标的概率就越大，因此，本实施例中，需要对邻域内所有像素点的置信度进行获取。

第三步，确定目标上顶点置信度分布图中每个像素点的置信度均大于预设置信度阈值的检测目标为上顶点目标、目标下顶点置信度分布图中每个像素点的置信度均大于预设置信度阈值的检测目标为下顶点目标。

由于检测目标中心点的邻域内所有像素点的置信度越大，该检测目标为指定目标的上顶点目标或者下顶点目标的概率就越大，因此，本实施例中，预先设定一预设置信度阈值，如果目标上顶点置信度分布图中检测目标中心点邻域内所有像素点的置信度均大于该预设置信度阈值，则可以确定该检测目标为待检测图像的上顶点目标，如果目标下顶点置信度分布图中检测目标中心点邻域内所有像素点的置信度均大于该预设置信度阈值，则可以确定该检测目标为待检测图像的下顶点目标。其中，预设置信度阈值可以根据实验数据或者需求设定，例如，可以将预设置信度设置为0.7，则如果目标上顶点置信度分布图中检测目标的中心点邻域内所有像素点的置信度均大于0.7，则可确定该检测目标为上顶点目标，如果目标下顶点置信度分布图中检测目标的中心点邻域内所有像素点的置信度均大于0.7，则可确定该检测目标为下顶点目标。又例如，可以将预设置信度设置为0.85、0.9，或者其它数值，在此不作限定。本实施例由于限定了检测目标中心点邻域内所有像素点的置信度均需大于预设置信度阈值，进一步保证了目标检测的准确性。

s104，通过将各上顶点目标及各下顶点目标映射至目标上下顶点关联场图中，针对第一顶点目标，分别计算第一顶点目标与各第二顶点目标连线间的关联场值。

其中，第一顶点目标与第二顶点目标为任一上顶点目标或者任一下顶点目标，并且若第一顶点目标为任一上顶点目标，则第二顶点目标为任一下顶点目标，若第一顶点目标为任一下顶点目标，则第二顶点目标为任一上顶点目标。在确定场景中指定目标的上顶点目标和下顶点目标之后，可以将得到的各上顶点目标和下顶点目标映射至s102获得的目标上下顶点关联场图中，由于目标上下顶点关联场图上每一像素点表征该位置存在指定目标的上顶点目标或者下顶点目标的关联程度值，然后通过将各上顶点目标和各下顶点目标进行连线，可以得到每两个相连的上下顶点的关联程度值之和，可以将该关联程度值之和定义为连线的关联场值，或者可以将每两个相连的上下顶点的关联程度值的均值定义为连线的关联场值。针对第一顶点目标，与各第二顶点目标的连线中，如果关联场值越大，则说明该连线的上下顶点的关联程度越高，即该连线为指定目标的概率就越大。

s105，基于第一顶点目标与各第二顶点目标连线间的关联场值，通过对上下顶点进行匹配，确定关联场值最大的连线为指定目标。

由于针对第一顶点目标，与各第二顶点目标的连线中，关联场值越大，说明该连线为指定目标的概率就越大，因此，可以将关联场值最大的连线确定为指定目标，并且，一般情况下，与第一顶点目标连接构成指定目标的只对应一个第二顶点目标，因此，可以通过对上下顶点进行匹配，针对第一顶点目标，确定关联场值最大的连线为指定目标，例如，通过s103确定出5个上顶点目标和4个下顶点目标，对于第一上顶点目标，与第一下顶点目标的连线的关联场值最大，则确定第一上顶点目标与第一下顶点目标的连线为指定目标；对于第二上顶点目标，与第三下顶点目标的连线的关联场值最大，则确定第二上顶点目标与第三下顶点目标的连线为指定目标；对于第三上顶点目标，与第二下顶点目标的连线的关联场值最大，则确定第三上顶点目标与第二下顶点目标的连线为指定目标；对于第五上顶点目标，与第四下顶点目标的连线的关联场值最大，则确定第五上顶点目标与第四下顶点目标的连线为指定目标；由于第四上顶点与各下顶点的连线的关联场值均小于其他连线的关联场值，因此，可以判断第四上顶点可能为误识别的上顶点目标，对该上顶点目标进行丢弃操作。可选的，对上下顶点进行匹配的方法，可以采用经典的二分图匹配法，即匈牙利算法，从而实现上顶点目标与下顶点目标的一对一匹配，当然，能够实现目标间一对一匹配的方法均适用于本实施例，这里不再一一举例。

由于在确定指定目标的过程中，所计算的关联场值最大的连线可能为误检目标，为了进一步提高目标检测的准确性，可以设置一预设关联场阈值，判断连线的最大关联场值是否大于该预设关联场阈值，如果大于，则说明该连线为准确的指定目标，如果不大于，则说明该连线为误检目标，将检测结果丢弃。在确定指定目标后，即可以确定待检测图像中是否存在指定目标，并且确定指定目标的准确位置信息。

应用本实施例，通过将获取的待检测图像输入经训练得到的全卷积神经网络，生成待检测图像的目标上顶点置信度分布图、目标下顶点置信度分布图和目标上下顶点关联场图，分别根据目标上顶点置信度分布图和目标下顶点置信度分布图，确定待检测图像中的上顶点目标和下顶点目标，再通过将上顶点目标和下顶点目标映射至目标上下顶点关联场图，计算得到针对第一顶点目标、与各第二顶点目标连线间的关联场值，最后，基于各关联场值，通过对上下顶点进行匹配，确定关联场值最大的连线为指定目标。采用经训练得到的全卷积神经网络，能够提取到指定目标的上顶点和下顶点，并且通过映射建立上顶点与下顶点的连接，再通过匹配，将匹配成功的上下顶点连线作为指定目标，指定目标用连线表示，排除了候选框出现重叠的情况发生，即使指定目标分布密集，由于指定目标的上下顶点可以通过全卷积神经网络准确定位，则可以用上下顶点的连线清晰区分各指定目标，提高了目标检测的准确度。并且，由于检测的指定目标为上顶点目标与下顶点目标的连线，通过该连线可以精细明了的反映指定目标的姿态信息(例如，前倾、后仰、俯身等)，有利于后续关于目标行为分析等应用。通过本实施例，通过卷积和映射逐层提取具有高区分度的特征，然后对目标上下顶点准确定位和匹配，将匹配成功的上下顶点作为指定目标检测结果，具有鲁棒性较佳、指定目标检测准确率较高的优点，同时，检测中不需要预先设定一定尺度和高宽比例的锚点框作为基准框，因而算法目标检测的性能不依赖于锚点框的选择，自适应地解决了目标的尺度和高宽比问题。

基于图1所示实施例，如图3所示，本发明实施例还提供了一种目标检测方法，该目标检测方法可以包括如下步骤：

s301，获取预设训练集样本图像，及该预设训练集样本图像中各指定目标的上边缘中心位置、下边缘中心位置，以及上下边缘中心位置的连线。

本实施例在进行全卷积神经网络的运算之前，需要先构建全卷积神经网络，由于全卷积神经网络的网络参数是训练得到的，训练的过程可以理解为对指定目标的上顶点目标和下顶点目标的学习过程。需要针对各种指定目标的特征构建预设训练集样本图像，每张图像对应了不同的指定目标的上顶点目标和下顶点目标特征，并且，可以预设上顶点目标和下顶点目标的置信度服从于圆形高斯分布，因此需要获取指定目标的上边缘中心位置(例如，行人目标的头部顶点位置)和下边缘中心位置(例如，行人目标的双脚之间中心位置)，以及上下边缘中心位置的连线，该上下边缘中心位置可以标定。

s302，根据预设分布定律、各指定目标的上边缘中心位置及下边缘中心位置，生成预设训练集样本图像的目标上顶点置信度真值图及目标下顶点置信度真值图。

其中，预设分布定律为指定目标的上顶点目标和下顶点目标的置信度所服从的概率分布，一般情况下，上、下顶点目标的置信度服从圆形高斯分布，当然，本实施例不仅限于此。假设标定图像中每个指定目标的上边缘中心位置为pup、下边缘中心位置为pdown，上顶点目标和下顶点目标的置信度服从圆形高斯分布n，则根据公式(1)、(2)，得到预设训练集样本图像的目标上顶点置信度真值图及目标下顶点置信度真值图。

其中，p表示置信度分布真值图上的任一像素位置坐标；up表示指定目标的上顶点目标；dup(p)表示目标上顶点置信度真值图上p位置坐标处的上顶点目标的置信度；nped表示训练集样本图像中指定目标的总数；pup表示标定的训练集样本图像中各指定目标上顶点目标的坐标位置；σup表示上顶点目标服从圆形高斯分布n的方差；down表示指定目标的下顶点目标；ddown(p)表示目标下顶点置信度真值图上p位置坐标处的下顶点目标的置信度；pdown表示标定的训练集样本图像中各指定目标下顶点目标的坐标位置；σdown表示下顶点目标服从圆形高斯分布n的方差；式(2)为标准的高斯分布，保证所标定的指定目标的上顶点目标和下顶点目标的位置具有最高的置信度1.0，并且置信度呈高斯分布向四周逐渐递减至0。

s303，根据各指定目标的上下边缘中心位置的连线，生成预设训练集样本图像的目标上下顶点关联场真值图。

一般情况下，对于一个指定目标，上顶点目标和下顶点目标之间连线的关联场服从于幅值单位向量该单位向量的幅值等于1，方向沿连线方向。当然，本实施例不仅限于此。根据各指定目标的上下边缘中心位置的连线，及公式(3)、(4)，可以生成预设训练集样本图像的目标上下顶点关联场真值图。

其中，p表示目标上下顶点关联场真值图上任一像素位置坐标；a(p)表示目标上下顶点关联场真值图上p位置坐标处的关联场值；nped表示训练集样本图像中指定目标的总数；式(4)表示指定目标的上顶点目标与下顶点目标的连线上的关联场为幅值等于1，沿连线方向的单位向量

预设训练集样本图像的目标上顶点置信度真值图、目标下顶点置信度真值图及目标上下顶点关联场真值图的生成如图4所示，以行人检测为例，可以从目标上顶点置信度真值图中看出，每个亮点对应了预设训练集样本图像中的每个指定目标的上顶点目标，从目标下顶点置信度真值图中看出，每个亮点对应了预设训练集样本图像中的每个指定目标的下顶点目标；从目标上下顶点关联场真值图中看出，每条连线为每个指定目标的上顶点目标和下顶点目标的连线。

s304，将预设训练集样本图像输入初始全卷积神经网络，得到预设训练集样本图像的目标上顶点置信度分布图、目标下顶点置信度分布图及目标上下顶点关联场图。

其中，初始全卷积神经网络的网络参数为预设值；通过初始全卷积神经网络可以得到预设训练集样本图像的目标上顶点置信度分布图、目标下顶点置信度分布图及目标上下顶点关联场图，目标上顶点置信度分布图用以与上述目标上顶点置信度真值图进行比较、目标下顶点置信度分布图用以与上述目标下顶点置信度真值图进行比较、目标上下顶点关联场图用以与上述目标上下顶点关联场真值图进行比较，通过不断的训练学习、更新网络参数，令全卷积神经网络输出的目标上顶点置信度分布图与目标上顶点置信度真值图相接近、目标下顶点置信度分布图与目标下顶点置信度真值图相接近、目标上下顶点关联场图与目标上下顶点关联场真值图相接近，在足够接近时再将全卷积神经网络确定为可进行目标检测的训练后的全卷积神经网络。

可选的，全卷积神经网络可以包括：卷积层、降采样层及反卷积层。

全卷积神经网络往往包括至少一个卷积层和至少一个降采样层，反卷积层为一个可选层，为了使得到的特征图的分辨率与输入的预设训练集样本图像的分辨率相同，以减少图像压缩比例的换算的步骤，便于进行置信度的运算，在最后一个卷积层之后，可以设置一反卷积层。

可选的，运算得到预设训练集样本图像的目标上顶点置信度分布图、目标下顶点置信度分布图及目标上下顶点关联场图的步骤，可以通过如下步骤实现。

第一步，将预设训练集样本图像输入初始全卷积神经网络，经卷积层和降采样层相间排列的网络结构，提取预设训练集样本图像的特征。

第二步，通过反卷积层将特征上采样至分辨率与预设训练集样本图像的分辨率相同，得到上采样后的结果。

将预设训练集样本图像输入初始全卷积神经网络，如图5所示，利用一系列卷积层和降采样层依次提取由低层到高层的特征，该一系列卷积层和降采样层是相间排列的。然后连接反卷积层将特征上采样至输入的预设训练集样本图像大小。

第三步，利用1×1卷积层对第二步得到的结果进行运算，得到与预设训练集样本图像同等分辨率的目标上顶点置信度分布图、目标下顶点置信度分布图及目标上下顶点关联场图。

为了保证目标上顶点置信度分布图、目标下顶点置信度分布图和目标上下顶点关联场图与预设训练集样本图像有同等分辨率，最后可以通过一卷积层对上采样后的结果进行运算，该卷积层的卷积核尺寸可以选择1×1、3×3或5×5等尺寸的卷积核，但是，为了精确提取一个像素点的特征，可以选定该卷积层的卷积核尺寸为1×1，则通过该卷积层的运算可得到目标上顶点置信度分布图、目标下顶点置信度分布图和目标上下顶点关联场图。

s305，计算预设训练集样本图像的目标上顶点置信度分布图与目标上顶点置信度真值图的第一平均误差、目标下顶点置信度分布图与目标下顶点置信度真值图的第二平均误差，以及目标上下顶点关联场图与目标上下顶点关联场真值图的第三平均误差。

s306，如果第一平均误差、第二平均误差或第三平均误差大于预设误差阈值，则根据第一平均误差、第二平均误差、第三平均误差及预设梯度运算策略，更新网络参数，得到更新的全卷积神经网络；计算经更新的全卷积神经网络得到的第一平均误差、第二平均误差以及第三平均误差，直至第一平均误差、第二平均误差且第三误差均小于或等于预设误差阈值，确定所对应的全卷积神经网络为训练后的全卷积神经网络。

全卷积神经网络可以采用经典的反向传播算法进行训练，预设梯度运算策略可以为普通的梯度下降法，也可以为随机梯度下降法，梯度下降法是用负梯度方向为搜索方向，越接近目标值，步长越小，前进越慢，由于随机梯度下降法每次只使用一个样本，迭代一次的速度要远高于梯度下降。因此，为了提高运算效率，本实施例可以采用随机梯度下降法，更新网络参数。训练过程中，计算预设训练集样本图像经过全卷积神经网络后输出的目标上顶点置信度分布图与目标上顶点置信度真值图的第一平均误差、目标下顶点置信度分布图与目标下顶点置信度真值图的第二平均误差，以及目标上下顶点关联场图与目标上下顶点关联场真值图的第三平均误差，如公式(5)(6)，用平均误差来更新全卷积神经网络的网络参数，迭代进行上述过程，直至满足平均误差不再下降为止，其中全卷积神经网络的网络参数包括卷积层的卷积核参数和偏移量参数。

l(θ)＝ld(θ)+λla(θ)(6)

其中，ld(θ)表示第一平均误差或第二平均误差；θ表示全卷积神经网络的网络参数；n表示预设训练集样本图像的数目；fd(xi；θ)表示全卷积神经网络输出的目标上顶点置信度分布图或目标下顶点置信度分布图；xi表示输入到网络，编号为i的输入图像；i表示图像编号；di表示通过式(1)和式(2)得到的目标上顶点置信度真值图或目标下顶点置信度真值图；la(θ)表示第三平均误差；fa(xi；θ)表示全卷积神经网络输出的目标上下顶点关联场图；ai表示通过式(3)和式(4)得到的目标上下顶点关联场真值图；λ表示两误差的平衡参数，通常取值1.0。

s307，获取通过图像采集器采集的待检测图像。

s308，将待检测图像输入经训练得到的全卷积神经网络，生成待检测图像的目标上顶点置信度分布图、目标下顶点置信度分布图，以及目标上下顶点关联场图。

s309，分别针对目标上顶点置信度分布图及目标下顶点置信度分布图，采用预设目标确定方法，确定待检测图像中至少一个上顶点目标及至少一个下顶点目标。

s310，通过将各上顶点目标及各下顶点目标映射至目标上下顶点关联场图中，针对第一顶点目标，分别计算第一顶点目标与各第二顶点目标连线间的关联场值。

s311，基于第一顶点目标与各第二顶点目标连线间的关联场值，通过对上下顶点进行匹配，确定关联场值最大的连线为指定目标。

s307至s311与图1所示实施例的步骤相同，具有相同或相似的有益效果，这里不再赘述。

应用本实施例，通过将获取的待检测图像输入经训练得到的全卷积神经网络，生成待检测图像的目标上顶点置信度分布图、目标下顶点置信度分布图和目标上下顶点关联场图，分别根据目标上顶点置信度分布图和目标下顶点置信度分布图，确定待检测图像中的上顶点目标和下顶点目标，再通过将上顶点目标和下顶点目标映射至目标上下顶点关联场图，计算得到针对第一顶点目标、与各第二顶点目标连线间的关联场值，最后，基于各关联场值，通过对上下顶点进行匹配，确定关联场值最大的连线为指定目标。采用经训练得到的全卷积神经网络，能够提取到指定目标的上顶点和下顶点，并且通过映射建立上顶点与下顶点的连接，再通过匹配，将匹配成功的上下顶点连线作为指定目标，指定目标用连线表示，排除了候选框出现重叠的情况发生，即使指定目标分布密集，由于指定目标的上下顶点可以通过全卷积神经网络准确定位，则可以用上下顶点的连线清晰区分各指定目标，提高了目标检测的准确度。并且，由于检测的指定目标为上顶点目标与下顶点目标的连线，通过该连线可以精细明了的反映指定目标的姿态信息(例如，前倾、后仰、俯身等)，有利于后续关于目标行为分析等应用。通过本实施例，通过卷积和映射逐层提取具有高区分度的特征，然后对目标上下顶点准确定位和匹配，将匹配成功的上下顶点作为指定目标检测结果，具有鲁棒性较佳、指定目标检测准确率较高的优点，同时，检测中不需要预先设定一定尺度和高宽比例的锚点框作为基准框，因而算法目标检测的性能不依赖于锚点框的选择，自适应地解决了目标的尺度和高宽比问题。在全卷积神经网络的训练过程中，针对具有不同特征的指定目标的上顶点目标和下顶点目标，设定了预设训练集样本图像，通过对预设训练集样本图像的训练、迭代，得到的全卷积神经网络具有较强的泛化能力，避免了复杂的分类器级联模式，结构更为简单。

下面结合对行人目标进行检测的具体应用实例，对本发明实施例所提供的目标检测方法进行介绍。

针对在街道的场景下，通过监控设备采集待检测图像，将待检测图像输入经训练得到的全卷积神经网络，得到该待检测图像的目标上顶点置信度分布图、目标下顶点置信度分布图和目标上下顶点关联场图；分别针对该待检测图像的目标上顶点置信度分布图和目标下顶点置信度分布图，采用非极大值抑制，确定每个检测目标的中心点的位置，并且在检测目标的中心点的邻域内的像素点的置信度大于预设置信度阈值，确定行人头部顶点目标和行人双脚之间中心位置目标。

然后将行人头部顶点目标和行人双脚之间中心位置目标映射至上述得到的目标上下顶点关联场图，得到各行人头部顶点目标和各行人双脚之间中心位置目标的关联程度值，根据关联程度值，可以得到各行人头部顶点目标与各行人双脚之间中心位置目标的关联程度值的均值，通过均值的判断及匹配，确定如图6所示的检测结果，每一个连线即为一个行人目标。

相较于相关技术，本方案通过将获取的待检测图像输入经训练得到的全卷积神经网络，生成待检测图像的目标上顶点置信度分布图、目标下顶点置信度分布图和目标上下顶点关联场图，分别根据目标上顶点置信度分布图和目标下顶点置信度分布图，确定待检测图像中的上顶点目标和下顶点目标，再通过将上顶点目标和下顶点目标映射至目标上下顶点关联场图，计算得到针对第一顶点目标、与各第二顶点目标连线间的关联场值，最后，基于各关联场值，通过对上下顶点进行匹配，确定关联场值最大的连线为指定目标。采用经训练得到的全卷积神经网络，能够提取到指定目标的上顶点和下顶点，并且通过映射建立上顶点与下顶点的连接，再通过匹配，将匹配成功的上下顶点连线作为指定目标，指定目标用连线表示，排除了候选框出现重叠的情况发生，即使指定目标分布密集，由于指定目标的上下顶点可以通过全卷积神经网络准确定位，则可以用上下顶点的连线清晰区分各指定目标，提高了目标检测的准确度。并且，由于检测的指定目标为上顶点目标与下顶点目标的连线，通过该连线可以精细明了的反映指定目标的姿态信息(例如，前倾、后仰、俯身等)，有利于后续关于目标行为分析等应用。

相应于上述方法实施例，本发明实施例提供了一种目标检测装置，如图7所示，该目标检测装置包括：

第一获取模块710，用于获取通过图像采集器采集的待检测图像；

第一生成模块720，用于将所述待检测图像输入经训练得到的全卷积神经网络，生成所述待检测图像的目标上顶点置信度分布图、目标下顶点置信度分布图，以及目标上下顶点关联场图；

目标确定模块730，用于分别针对所述目标上顶点置信度分布图及所述目标下顶点置信度分布图，采用预设目标确定方法，确定所述待检测图像中至少一个上顶点目标及至少一个下顶点目标；

第一计算模块740，用于通过将各上顶点目标及各下顶点目标映射至所述目标上下顶点关联场图中，针对第一顶点目标，分别计算所述第一顶点目标与各第二顶点目标连线间的关联场值，其中，若所述第一顶点目标为任一上顶点目标，则所述第二顶点目标为任一下顶点目标，若所述第一顶点目标为任一下顶点目标，则所述第二顶点目标为任一上顶点目标；

匹配模块750，用于基于所述第一顶点目标与各第二顶点目标连线间的关联场值，通过对上下顶点进行匹配，确定关联场值最大的连线为指定目标。

应用本实施例，通过将获取的待检测图像输入经训练得到的全卷积神经网络，生成待检测图像的目标上顶点置信度分布图、目标下顶点置信度分布图和目标上下顶点关联场图，分别根据目标上顶点置信度分布图和目标下顶点置信度分布图，确定待检测图像中的上顶点目标和下顶点目标，再通过将上顶点目标和下顶点目标映射至目标上下顶点关联场图，计算得到针对第一顶点目标、与各第二顶点目标连线间的关联场值，最后，基于各关联场值，通过对上下顶点进行匹配，确定关联场值最大的连线为指定目标。采用经训练得到的全卷积神经网络，能够提取到指定目标的上顶点和下顶点，并且通过映射建立上顶点与下顶点的连接，再通过匹配，将匹配成功的上下顶点连线作为指定目标，指定目标用连线表示，排除了候选框出现重叠的情况发生，即使指定目标分布密集，由于指定目标的上下顶点可以通过全卷积神经网络准确定位，则可以用上下顶点的连线清晰区分各指定目标，提高了目标检测的准确度。并且，由于检测的指定目标为上顶点目标与下顶点目标的连线，通过该连线可以精细明了的反映指定目标的姿态信息(例如，前倾、后仰、俯身等)，有利于后续关于目标行为分析等应用。通过本实施例，通过卷积和映射逐层提取具有高区分度的特征，然后对目标上下顶点准确定位和匹配，将匹配成功的上下顶点作为指定目标检测结果，具有鲁棒性较佳、指定目标检测准确率较高的优点，同时，检测中不需要预先设定一定尺度和高宽比例的锚点框作为基准框，因而算法目标检测的性能不依赖于锚点框的选择，自适应地解决了目标的尺度和高宽比问题。

可选的，所述目标确定模块730，具体可以用于：

分别针对所述目标上顶点置信度分布图及所述目标下顶点置信度分布图，采用非极大值抑制方法，确定至少一个检测目标的中心点的位置；

获取每个检测目标的中心点的邻域内所有像素点的置信度；

确定所述目标上顶点置信度分布图中每个像素点的置信度均大于预设置信度阈值的检测目标为上顶点目标、所述目标下顶点置信度分布图中每个像素点的置信度均大于预设置信度阈值的检测目标为下顶点目标。

可选的，所述第一计算模块740，具体可以用于：

将各上顶点目标及各下顶点目标映射至所述目标上下顶点关联场图中，得到各上顶点目标与各下顶点目标的关联程度值；

针对第一顶点目标，将所述第一顶点目标与各第二顶点目标进行连线；

根据所述第一顶点目标与各第二顶点目标的关联程度值，计算得到所述第一顶点目标与各第二顶点目标的关联程度值的均值作为所述第一顶点目标与各第二顶点目标连线间的关联场值。

可选的，所述匹配模块750，具体可以用于：

基于所述第一顶点目标与各第二顶点目标连线间的关联场值，采用预设二分图匹配法，从各关联场值中选择最大的关联场值；

将所述最大的关联场值对应的连线确定为指定目标。

可选的，所述匹配模块750，还可以用于：

获取预设关联场阈值；

判断所述最大的关联场值是否大于所述预设关联场阈值；

如果大于，则执行所述将所述最大的关联场值对应的连线确定为指定目标。

需要说明的是，本发明实施例的目标检测装置为应用图1所示目标检测方法实施例的装置，则上述目标检测方法的所有实施例均适用于该装置，且均能达到相同或相似的有益效果。

基于图7所示实施例，本发明实施例还提供了一种目标检测装置，如图8所示，该目标检测装置可以包括：

第一获取模块810，用于获取通过图像采集器采集的待检测图像；

第二获取模块820，用于获取预设训练集样本图像，及所述预设训练集样本图像中各指定目标的上边缘中心位置、下边缘中心位置，以及上下边缘中心位置的连线；

第二生成模块830，用于根据预设分布定律、各指定目标的上边缘中心位置及下边缘中心位置，生成所述预设训练集样本图像的目标上顶点置信度真值图及目标下顶点置信度真值图；

第三生成模块840，用于根据各指定目标的上下边缘中心位置的连线，生成所述预设训练集样本图像的目标上下顶点关联场真值图；

提取模块850，用于将所述预设训练集样本图像输入初始全卷积神经网络，得到所述预设训练集样本图像的目标上顶点置信度分布图、目标下顶点置信度分布图及目标上下顶点关联场图，其中，所述初始全卷积神经网络的网络参数为预设值；

第二计算模块860，用于计算所述预设训练集样本图像的目标上顶点置信度分布图与目标上顶点置信度真值图的第一平均误差、所述预设训练集样本图像的目标下顶点置信度分布图与目标下顶点置信度真值图的第二平均误差，以及所述预设训练集样本图像的目标上下顶点关联场图与目标上下顶点关联场真值图的第三平均误差；

循环模块870，用于如果所述第一平均误差、所述第二平均误差或所述第三平均误差大于预设误差阈值，则根据所述第一平均误差、所述第二平均误差、所述第三平均误差及预设梯度运算策略，更新网络参数，得到更新的全卷积神经网络；计算经所述更新的全卷积神经网络得到的第一平均误差、第二平均误差以及第三平均误差，直至所述第一平均误差、所述第二平均误差且所述第三误差均小于或等于所述预设误差阈值，确定所对应的全卷积神经网络为训练后的全卷积神经网络；

第一生成模块880，用于将所述待检测图像输入经训练得到的全卷积神经网络，生成所述待检测图像的目标上顶点置信度分布图、目标下顶点置信度分布图，以及目标上下顶点关联场图；

目标确定模块890，用于分别针对所述目标上顶点置信度分布图及所述目标下顶点置信度分布图，采用预设目标确定方法，确定所述待检测图像中至少一个上顶点目标及至少一个下顶点目标；

第一计算模块8100，用于通过将各上顶点目标及各下顶点目标映射至所述目标上下顶点关联场图中，针对第一顶点目标，分别计算所述第一顶点目标与各第二顶点目标连线间的关联场值，其中，若所述第一顶点目标为任一上顶点目标，则所述第二顶点目标为任一下顶点目标，若所述第一顶点目标为任一下顶点目标，则所述第二顶点目标为任一上顶点目标；

匹配模块8110，用于基于所述第一顶点目标与各第二顶点目标连线间的关联场值，通过对上下顶点进行匹配，确定关联场值最大的连线为指定目标。

应用本实施例，通过将获取的待检测图像输入经训练得到的全卷积神经网络，生成待检测图像的目标上顶点置信度分布图、目标下顶点置信度分布图和目标上下顶点关联场图，分别根据目标上顶点置信度分布图和目标下顶点置信度分布图，确定待检测图像中的上顶点目标和下顶点目标，再通过将上顶点目标和下顶点目标映射至目标上下顶点关联场图，计算得到针对第一顶点目标、与各第二顶点目标连线间的关联场值，最后，基于各关联场值，通过对上下顶点进行匹配，确定关联场值最大的连线为指定目标。采用经训练得到的全卷积神经网络，能够提取到指定目标的上顶点和下顶点，并且通过映射建立上顶点与下顶点的连接，再通过匹配，将匹配成功的上下顶点连线作为指定目标，指定目标用连线表示，排除了候选框出现重叠的情况发生，即使指定目标分布密集，由于指定目标的上下顶点可以通过全卷积神经网络准确定位，则可以用上下顶点的连线清晰区分各指定目标，提高了目标检测的准确度。并且，由于检测的指定目标为上顶点目标与下顶点目标的连线，通过该连线可以精细明了的反映指定目标的姿态信息(例如，前倾、后仰、俯身等)，有利于后续关于目标行为分析等应用。通过本实施例，通过卷积和映射逐层提取具有高区分度的特征，然后对目标上下顶点准确定位和匹配，将匹配成功的上下顶点作为指定目标检测结果，具有鲁棒性较佳、指定目标检测准确率较高的优点，同时，检测中不需要预先设定一定尺度和高宽比例的锚点框作为基准框，因而算法目标检测的性能不依赖于锚点框的选择，自适应地解决了目标的尺度和高宽比问题。在全卷积神经网络的训练过程中，针对具有不同特征的指定目标的上顶点目标和下顶点目标，设定了预设训练集样本图像，通过对预设训练集样本图像的训练、迭代，得到的全卷积神经网络具有较强的泛化能力，避免了复杂的分类器级联模式，结构更为简单。

可选的，所述全卷积神经网络包括：卷积层、降采样层及反卷积层；

所述提取模块850，具体可以用于：

将所述预设训练集样本图像输入初始全卷积神经网络，经卷积层和降采样层相间排列的网络结构，提取所述预设训练集样本图像的特征；

通过所述反卷积层将所述特征上采样至分辨率与所述预设训练集样本图像的分辨率相同，得到上采样后的结果；

利用1×1卷积层对所述结果进行运算，得到与所述预设训练集样本图像同等分辨率的目标上顶点置信度分布图、目标下顶点置信度分布图及目标上下顶点关联场图。

需要说明的是，本发明实施例的目标检测装置为应用图3所示目标检测方法实施例的装置，则上述目标检测方法的所有实施例均适用于该装置，且均能达到相同或相似的有益效果。

为了提高目标检测的准确度，本发明实施例还提供了一种计算机设备，如图9所示，该计算机设备900，包括图像采集器901、处理器902和存储器903，通信接口和通信总线，其中，图像采集器901、处理器902、存储器903、通信接口可以通过通信总线完成相互间的通信，处理器902被机器可执行指令促使实现如上述目标检测方法的步骤。

上述计算机设备提到的通信总线可以是pci(peripheralcomponentinterconnect，外设部件互连标准)总线或eisa(extendedindustrystandardarchitecture，扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

上述通信接口用于上述计算机设备与其他设备之间的通信。

上述存储器可以包括ram(randomaccessmemory，随机存取存储器)，也可以包括nvm(non-volatilememory，非易失性存储器)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述处理器可以是通用处理器，包括cpu(centralprocessingunit，中央处理器)、np(networkprocessor，网络处理器)等；还可以是dsp(digitalsignalprocessor，数字信号处理器)、asic(applicationspecificintegratedcircuit，专用集成电路)、fpga(field-programmablegatearray，现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

上述图像采集器可以为摄像头，用于对监控区域进行拍摄，进行视频采集或者图片采集。

本实施例中，该计算机设备的处理器通过读取存储器中存储的计算机程序，并通过运行该计算机程序，能够实现：采用经训练得到的全卷积神经网络，能够提取到指定目标的上顶点和下顶点，并且通过映射建立上顶点与下顶点的连接，再通过匹配，将匹配成功的上下顶点连线作为指定目标，指定目标用连线表示，排除了候选框出现重叠的情况发生，即使指定目标分布密集，由于指定目标的上下顶点可以通过全卷积神经网络准确定位，则可以用上下顶点的连线清晰区分各指定目标，提高了目标检测的准确度。

另外，相应于上述实施例所提供的目标检测方法，本发明实施例提供了一种存储介质，用于存储计算机程序，所述计算机程序被处理器执行时，实现如上述目标检测方法的步骤。

本实施例中，存储介质存储有在运行时执行本申请实施例所提供的目标检测方法的应用程序，因此能够实现：采用经训练得到的全卷积神经网络，能够提取到指定目标的上顶点和下顶点，并且通过映射建立上顶点与下顶点的连接，再通过匹配，将匹配成功的上下顶点连线作为指定目标，指定目标用连线表示，排除了候选框出现重叠的情况发生，即使指定目标分布密集，由于指定目标的上下顶点可以通过全卷积神经网络准确定位，则可以用上下顶点的连线清晰区分各指定目标，提高了目标检测的准确度。

对于计算机设备以及存储介质实施例而言，由于其所涉及的方法内容基本相似于前述的方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。