一种改进的目标检测方法、系统及装置与流程

本发明涉及检测技术领域，尤其涉及一种改进的目标检测方法、系统及装置。

背景技术：

进入21世纪后，随着计算机科学的快速发展，人工智能相关技术有了质的变化，深度学习是目前人工智能的重点研究领域之一，基于深度学习的目标检测算法是当今社会研究的重要课题。对于目标检测的任务而言，研究者主要追求两个目标：一是准确率高，二是速度快，这也是衡量检测算法好坏的两个重要指标。

深度学习在理论和实践的普遍结合之中，同时也在教育行业方向漫溯。近几年深度学习在教育领域发展迅速，我国在教育方面的财政支出也大大提高，所以基于深度学习的目标检测研究和发展在教育领域显得至关重要。我国想要发展教育，就必须跟随时代的步伐，实现对于教室环境下的学生动作识别，体现深度学习在教育方面的智能化。目前基于深度学习算法的人体行为识别方法有很多，如基于回归方法的ssd、yolo算法，基于区域方法的fastrcnn、rfcn算法等等。这些检测算法大都是对输入图像不加任何预处理，直接输入卷积神经网络中进行特征提取，经过卷积、池化一系列操作之后，再利用分类器进行分类，最后利用nms算法筛选出最优的检测结果图。上述的一些目标检测算法，虽然满足了实时性的要求，但对一些小目标(比如教室环境下学生动作的小目标)的检测精度却又不足，召回率低，有时还会出现漏检错检的情况。由于基于回归的目标检测采用多尺度方法，其在不同尺度上的卷积感受野不一样，特别是高层级卷积层，其感受野也很大。因此，对于高层级特征层，其特征提取内容更抽象，而特征提取越抽象，相应的细节信息就越少，从而对小目标的检测不敏感，导致了对小目标物体检测精度较低。

技术实现要素：

为了解决上述技术问题，本发明的目的是提供一种对小目标更加灵敏的目标检测方法、系统及装置。

本发明方法所采用的技术方案是：

一种改进的目标检测方法，包括以下步骤：

获取待检测的原图片，并按照第一预设方式对原图片进行划分后，获得n张区域图片；

依次对各区域图片进行分层提取后，获得n组第一局部图片，每组第一局部图片包括m张第一局部图片；

将第一局部图片的尺寸放大至原图片的尺寸后，获得n组第二局部图片；

采用预设的检测模型对第二局部图片进行目标检测后，根据检测结果分别从各组第二局部图片中获取一张第二局部图片，以获得n张第二局部图片；

将n张第二局部图片按照第二预设方式融合成一张检测图片，并将检测图片的尺寸缩小至原图片的尺寸后，输出检测图片。

进一步，所述获取待检测的原图片，并按照第一预设方式对原图片进行划分后，获得n张区域图片这一步骤，具体为：

获取待检测的原图片，并将原图片平均地划分为左上区域、右上区域、左下区域、右下区域和中部区域后，获取五张区域图片。

进一步，所述依次对各区域图片进行分层提取后，获得n组第一局部图片，每组第一局部图片包括m张第一局部图片这一步骤，具体为：

依次对各区域图片进行五次有重复部分的分层提取后，获得五组第一局部图片，每组第一局部图片包括五张第一局部图片。

进一步，所述采用预设的检测模型对第二局部图片进行目标检测后，根据检测结果分别从各组第二局部图片中获取一张第二局部图片，以获得n张第二局部图片这一步骤，具体为：

采用到基于卷积神经网络的目标检测算法对第二局部图片进行特征提取并检测；

结合检测结果和预设的抑制筛选方法对经过检测的第二局部图片进行筛选处理后，分别从各组第二局部图片中获取一张最优的第二局部图片，以获得五张第二局部图片。

进一步，所述将n张第二局部图片按照第二预设方式融合成一张检测图片，并将检测图片的尺寸缩小至原图片的尺寸后，输出检测图片这一步骤，具体为：

将五张第二局部图片按照预设的位置进行拼接并融合成一张检测图片，并将检测图片的尺寸缩小至原图片的尺寸后，输出检测图片。

进一步，所述中部区域为一矩形，所述中部区域通过以下方式进行获取：

获取原图片的中心点作为矩形的中心点；

获取原图片的长度的一半作为矩形的长度，以及获取原图片的宽度的一半作为矩形的宽度；

结合矩形的中心点、长度和宽度建立矩形后，将矩形作为中部区域。

进一步，所述中部区域为四边形，所述中部区域通过以下方式进行获取：

分别获取原图片上四条边的中点后，依次连接四个中点以获得第一四边形；

将第一四边形的面积按比例缩小至四分之一后，获得第二四边形作为中部区域，所述第二四边形的中心点与原图片的中心点重合。

本发明系统所采用的技术方案是：

一种改进的目标检测系统，包括：

划分模块，用于获取待检测的原图片，并按照第一预设方式对原图片进行划分后，获得n张区域图片；

分层模块，用于依次对各区域图片进行分层提取后，获得n组第一局部图片，每组第一局部图片包括m张第一局部图片；

放大模块，用于将第一局部图片的尺寸放大至原图片的尺寸后，获得n组第二局部图片；

检测模块，用于采用预设的检测模型对第二局部图片进行目标检测后，根据检测结果分别从各组第二局部图片中获取一张第二局部图片，以获得n张第二局部图片；

融合模块，用于将n张第二局部图片按照第二预设方式融合成一张检测图片，并将检测图片的尺寸缩小至原图片的尺寸后，输出检测图片。

进一步，所述划分模块具体用于获取待检测的原图片，并将原图片平均地划分为左上区域、右上区域、左下区域、右下区域和中部区域后，获取五张区域图片。

本发明装置所采用的技术方案是：

一种改进的目标检测装置，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述的一种改进的目标检测方法。

本发明的有益效果是：本发明通过对原图片进行划分和分层提取，获得更多的局部图层，并对各局部图层进行检测，增加局部区域的关注度，使对局部小目标的检测精度大大提高，解决了对小目标检测不敏感的问题，有效地减少了目标检测算法对小目标漏检和错检的概率，极大地提高了检测的精确度。

附图说明

图1是本发明一种改进的目标检测方法的步骤流程图；

图2是本发明一种改进的目标检测系统的结构框图；

图3是具体实施例中中部区域的一种实施方式的结构示意图；

图4是具体实施例中中部区域的另一种实施方式的结构示意图。

具体实施方式

实施例一

如图1所示，本实施例提供了一种改进的目标检测方法，包括以下步骤：

s1、获取待检测的原图片，并按照第一预设方式对原图片进行划分后，获得n张区域图片。

s2、依次对各区域图片进行分层提取后，获得n组第一局部图片，每组第一局部图片包括m张第一局部图片。

s3、将第一局部图片的尺寸放大至原图片的尺寸后，获得n组第二局部图片。

s4、采用预设的检测模型对第二局部图片进行目标检测后，根据检测结果分别从各组第二局部图片中获取一张第二局部图片，以获得n张第二局部图片。

s5、将n张第二局部图片按照第二预设方式融合成一张检测图片，并将检测图片的尺寸缩小至原图片的尺寸后，输出检测图片。

上述方法的工作原理为：对于一张任意大小的图片，需要检测前，先对整张图片进行两个步骤的操作。第一，对图片进行等区域的划分，划分为n个相等大小的区域，分别称之为区域一、区域二，直至区域n，所述n可以根据检测目标在图中的分布而设置，若中心区域出现明显目标，则选取5，若图片中心无明显目标，可选取4。第二，对这五个区域的图片再进行分图层的提取，针对每个区域的图片都要提取出与区域图片等大小的m个重叠的分图层，所述m为大于等于2的整数，可根据图中小目标数量增加m值的大小。每组中的局部图片都有重叠的部分，也有可能不同组中的局部图片都有重叠的部分，最终得到的是n*m个有重叠区域的局部图片，再将这n*m个图片的尺寸放大到与输入原图片相同的大小，获得第二局部图片。将第二局部图片输送如预设训练好的检测模型中，进行目标检测，并根据目标检测的结果从各组第二局部图片中筛选出一张最优的第二局部图片，以获得n张第二局部图片。将筛选出的n张第二局部图片进行融合，组合成一张与原图像内容一致的完整图片。最后再将图片缩小至原图像的大小，直至输出检测的最终结果。上述方法中，对输入的图片在检测前进行预处理，将原图片进行划分和分层提取，获得更多的子图层，对局部图层进行放大后，在进行目标检测，增加局部区域的关注度，使对局部小目标的检测精度大大提高，解决了对小目标检测不敏感的问题，有效地减少了目标检测算法对小目标漏检和错检的概率，极大地提高了检测的精确度。

其中，步骤s1具体为：获取待检测的原图片，并将原图片平均地划分为左上区域、右上区域、左下区域、右下区域和中部区域后，获取五张区域图片。

对原图片进行划分时，可以划分为多份，比如对称的划分为4份，也可根据检测目标出现在中心位置而划分为5份，在本实施例中将原图片划分为5份，分别为左上区域、右上区域、左下区域、右下区域和中部区域，所述中部区域分别与左上区域、右上区域、左下区域和右下区域有重合的部分，所述左上区域、右上区域、左下区域和右下区域四个区域可以拼接成一个完成的原图片。这是由于图片的中部区域的有效信息较多，故在四个区域上加上中部区域，中部区域的中心点与输入图片的中心点重合，所述中部区域可以采用多种实现方式，在本实施例中，提供的一种实施方式如下：

参照图3，所述中部区域为一矩形，所述矩形的中心点与原图片的中心点重合，所述矩形的长为原图片的长的一半，所述矩形的宽为原图片的宽的一半，所述矩形即为中部区域。

本实施例中对中部区域提供的另一种实施方式如下：

参照图4，所述中部区域为四边形，所述四边形的四个点分别发布在原图片的对称轴上，具体地，这四个点分别为原图片的中心点与四条边的中点的连线的中点，该四边形的中心点与原图片的中心点重合。当依次连接原图片四边的中点时，得到一个大的四边形，将该大四边形按照边长1:2的比例缩小后，即得到该四边形，将该四边形作为中部区域。

上述这两种选择中部区域的方法都是为了避免检测目标被区域划分时出现截断的情况，尽量避免，较大目标被截断，提高检测效果。

其中，所述步骤s2，按参照图3为例的具体步骤为：依次对各区域图片进行五次有重复部分的分层提取后，获得五组第一局部图片，每组第一局部图片包括五张第一局部图片。

获取到区域图片后，对于以上五个划分好的区域进行5幅有重复部分的图片提取，提取比例占原图片的4/5区域，提取过程中跨度整个图片的范围，重叠度适中，需把所有包含目标的区域提取出来。这样得到与原图片大小相同、画面占原图比例为1/5的25幅局部图片，目的是将原来图片上的“小物体”变成用于目标检测的“大物体”。

其中，所述步骤s4，具体包括步骤s41～s42：

s41、采用到基于卷积神经网络的目标检测算法对第二局部图片进行特征提取并检测。

s42、结合检测结果和预设的抑制筛选方法对经过检测的第二局部图片进行筛选处理后，分别从各组第二局部图片中获取一张最优的第二局部图片，以获得五张第二局部图片。

将划分好的图层输入到基于卷积神经网络的检测模型中，进行特征提取与分类，达到目标检测的效果，所述检测模型中包含了数据库，该数据库是自制的学生行为动作数据库，通过卷积神经网络的算法对数据库进行训练并得到需要的模型。对所有的局部图片进行目标检测后，采用分图层抑制筛选算法对局部图片进行删除和筛选，有效的删除分图层(即第二局部图片)检测结果中的大多数重叠和被截断的目标框，保留尽量多的正确目标框，再通过分图层与原图层的检测框对比，重叠度最高的被保留，其余的被抑制掉，得到五个最优的分图层。

其中，步骤s5具体为：将五张第二局部图片按照预设的位置进行拼接并融合成一张检测图片，并将检测图片的尺寸缩小至原图片的尺寸后，输出检测图片。

区域划分将原图切割成五个区域，且每一块区域是原图的1/4，在检测时将区域放大到原图片的大小。通过图层抑制筛选后会得到最优的5个分图层，对其进行区域融合，使之拼接在一起，得到最终的结果图。

上述方法对输入图片进行区域划分和图层提取后，进行目标检测，再将检测后的局部图片进行融合处理，有效地增加局部区域的关注度，使对局部小目标的检测精度大大提高，解决了多数目标检测算法对小目标的检测精度不高、召回率低等缺点，有效地减少了目标检测算法对小目标漏检和错检的概率，极大地提高了检测的精确度。

另外，本方法具有结构简单，设计容易实现，与深度学习算法易结合的优势，不仅可以应用于教室环境下的小目标人物检测，还可以应用于更多的由于小目标物体检测精度不高的任意场景下。

实施例二

如图2所示，本实施例提供了一种改进的目标检测系统，包括：

划分模块，用于获取待检测的原图片，并按照第一预设方式对原图片进行划分后，获得n张区域图片；

分层模块，用于依次对各区域图片进行分层提取后，获得n组第一局部图片，每组第一局部图片包括m张第一局部图片；

放大模块，用于将第一局部图片的尺寸放大至原图片的尺寸后，获得n组第二局部图片；

检测模块，用于采用预设的检测模型对第二局部图片进行目标检测后，根据检测结果分别从各组第二局部图片中获取一张第二局部图片，以获得n张第二局部图片；

融合模块，用于将n张第二局部图片按照第二预设方式融合成一张检测图片，并将检测图片的尺寸缩小至原图片的尺寸后，输出检测图片。

进一步作为优选的实施方式，所述划分模块具体用于获取待检测的原图片，并将原图片平均地划分为左上区域、右上区域、左下区域、右下区域和中部区域后，获取五张区域图片。

上述系统通过对原图片进行划分和分层提取，获得更多的局部图层，并对各局部图层进行检测，增加局部区域的关注度，使对局部小目标的检测精度大大提高，解决了对小目标检测不敏感的问题，有效地减少了目标检测算法对小目标漏检和错检的概率，极大地提高了检测的精确度。

实施例三

本实施例提供了一种改进的目标检测装置，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现实施例一所述的一种改进的目标检测方法。

本实施例的一种改进的目标检测装置，可执行本发明方法实施例一所提供的一种改进的目标检测方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。