目标检测方法、系统及存储介质

1.本技术涉及车辆检测领域，特别涉及一种目标检测方法、系统及存储介质。


背景技术：

2.在自动驾驶系统中，车辆检测与追踪是最基本且核心的技术，许多辅助驾驶功能都是在识别到有效车辆目标的基础上实现的，该技术随着计算机视觉识别领域理论的发展，从最早的简单图像处理到基本的模式识别，再从传统的机器学习到计算机深度学习，车辆识别追踪技术也延伸出了许多改进的方法。
3.针对道路车辆检测及追踪任务，现有的方法大多直接使用特征提取网络输出的特征图和回归信息作为追踪的输入，由于输出的目标的回归框内可能包含一些背景信息或者其他的检测物，这些信息可能会对提取的特征造成干扰，影响特征匹配，进而影响追踪效果。


技术实现要素：

4.本技术旨在至少解决现有技术中存在的技术问题之一。为此，本技术提出了一种目标检测方法、系统及存储介质，能够提高检测物的成功匹配率，提高追踪的准确率。
5.为解决上述技术问题，本发明提出如下技术方案：
6.本技术第一方面实施例提供了一种目标检测方法，包括：
7.获取待处理目标的当前帧的原始图像数据；
8.将所述原始图像数据输入至特征提取网络结构中，通过所述特征提取网络结构对所述原始图像数据执行下采样操作，得到下采样图像数据；
9.通过所述特征提取网络结构对所述下采样图像数据执行上采样操作，得到上采样图像数据，其中，所述上采样图像数据包括第一上采样图像数据和第二上采样图像数据，且所述第二上采样图像数据由所述第一上采样图像数据经过上采样操作得到；
10.通过所述特征提取网络结构对所述第二上采样图像数据执行特征提取操作，得到所述待处理目标对应的特征分类信息；
11.将所述第二上采样图像数据输入至掩膜分支结构中，得到所述待处理目标对应的第二特征区域信息；
12.根据所述特征分类信息和所述第二特征区域信息对所述待处理目标执行框选操作，得到第二掩膜区域，并获取上一帧对应的第一掩膜区域；
13.对所述第一掩膜区域和所述第二掩膜区域执行匹配操作，得到所述待处理目标对应的目标检测数据。
14.根据本技术第一方面实施例的目标检测方法，至少具有如下有益效果：本技术的目标检测方法通过将原始图像数据输入至特征提取网络结构中，通过特征提取网络结构对其执行下采样操作，得到具有更为丰富的语义信息的下采样图像数据，使得提取的特征辨别度更高。并在得到下采样图像数据后，对其执行上采样操作，并进一步通过特征提取网络
结构对原始图像数据中的众多特征信息进行了分类，得到了特征分类信息。在执行完第二次上采样操作得到第二上采样图像数据后，将第二上采样图像数据输入到掩膜分支结构中，得到待处理目标对应的特征区域信息，对多目标检测的遮挡问题起到了区域划分作用。且本技术的目标检测方法结合了特征分类信息和特征区域信息来计算当前帧的第二掩膜区域，将计算得到的第二掩膜区域和上一帧对应的第一掩膜区域进行匹配，得到目标检测数据，增加了目标的成功匹配率，进而提高了追踪的准确率。
15.根据本技术第一方面的一些实施例，所述下采样图像数据包括第一下采样图像数据、第二下采样图像数据、第三下采样图像数据和第四下采样图像数据，所述通过所述特征提取网络结构对所述原始图像数据执行下采样操作，得到下采样图像数据，包括：
16.通过所述特征提取网络结构中的64个卷积核对所述原始图像数据执行下采样操作，得到第一下采样图像数据；
17.通过所述特征提取网络结构中的128个卷积核对所述第一下采样图像数据执行下采样操作，得到第二下采样图像数据；
18.通过所述特征提取网络结构中的256个卷积核对所述第二下采样图像数据执行下采样操作，得到第三下采样图像数据；
19.通过所述特征提取网络结构中的512个卷积核对所述第三下采样图像数据执行下采样操作，得到第四下采样图像数据。
20.根据本技术第一方面的一些实施例，所述通过所述特征提取网络结构对所述下采样图像数据执行上采样操作，得到上采样图像数据，包括：
21.通过所述特征提取网络结构中的可变形卷积层和256个卷积核对所述第四下采样图像数据执行上采样操作，并融合所述第三下采样图像数据，得到第一上采样图像数据；
22.通过所述特征提取网络结构中的可变形卷积层和128个卷积核对所述第一上采样图像数据执行上采样操作，并融合所述第二下采样图像数据，得到第二上采样图像数据。
23.根据本技术第一方面的一些实施例，所述通过所述特征提取网络结构对所述第二上采样图像数据执行特征提取操作，得到所述待处理目标对应的特征分类信息，包括：
24.通过所述特征提取网络结构根据one-hot编码对所述第二上采样图像数据执行特征提取操作，得到所述待处理目标对应的特征分类信息。
25.根据本技术第一方面的一些实施例，所述将所述第二上采样图像数据输入至掩膜分支结构中，得到所述待处理目标对应的第二特征区域信息，包括：
26.通过掩膜分支结构对所述第二上采样图像数据执行5次卷积操作，并在第5次卷积操作中执行减少通道操作，得到第三上采样图像数据；
27.通过掩膜分支结构对所述第三上采样图像数据进行掩膜处理，得到所述待处理目标对应的第二特征区域信息。
28.根据本技术第一方面的一些实施例，所述通过掩膜分支结构对所述第三上采样图像数据进行掩膜处理，得到所述待处理目标对应的第二特征区域信息，包括：
29.通过掩膜分支结构对所述第三上采样图像数据中的背景信息执行屏蔽操作，得到所述第二特征区域信息，其中所述第二特征区域信息包括预测偏移量信息和框尺寸信息。
30.根据本技术第一方面的一些实施例，所述通过掩膜分支结构对所述第三上采样图像数据中的背景信息执行屏蔽操作，得到所述第二特征区域信息，包括以下之一：
31.提取所述第一掩膜区域的第一特征区域信息和所述第二掩膜区域中的第二特征区域信息，对所述第一特征区域信息和所述第二特征区域信息执行相似度计算操作，得到相似度数据，根据所述相似度数据得到所述待处理目标对应的目标检测数据；或者，
32.计算所述第一掩膜区域的第一掩膜面积信息和所述第二掩膜区域的第二掩膜面积信息，对所述第一掩膜面积信息和所述第二掩膜面积信息执行重叠度计算操作，得到重叠度数据，根据所述重叠度数据得到所述待处理目标对应的目标检测数据。
33.根据本技术第一方面的一些实施例，重叠度数据的计算公式如下：
[0034][0035]
其中，所述iou(t,t+1)表示所述重叠度数据，所述detmask(t)表示所述第一掩膜面积信息，所述detmask(t+1)表示所述第二掩膜面积信息。
[0036]
本技术第二方面实施例提供了一种目标检测系统，包括：
[0037]
至少一个存储器；
[0038]
至少一个处理器；
[0039]
至少一个程序；
[0040]
所述程序被存储在所述存储器中，所述处理器执行至少一个所述程序以实现：
[0041]
如本技术第一方面任一项所述的目标检测方法。
[0042]
本技术第三方面实施例提供了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可执行信号，所述计算机可执行信号用于执行：
[0043]
如本技术第一方面任一项所述的目标检测方法。
[0044]
本技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
[0045]
本技术的附加方面和优点结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0046]
图1为本技术一实施例提供的目标检测方法的流程图；
[0047]
图2为本技术一实施例提供的目标检测方法中对原始图像数据执行下采样操作的流程图；
[0048]
图3为本技术一实施例提供的目标检测方法中对下采样图像数据执行上采样操作的流程图；
[0049]
图4为本技术一实施例提供的目标检测方法中对第二上采样图像数据执行特征提取操作的流程图；
[0050]
图5为本技术一实施例提供的目标检测方法中将第二上采样图像数据输入至掩膜分支结构的流程图；
[0051]
图6为本技术一实施例提供的目标检测方法中对第三上采样图像数据进行掩膜处理的流程图；
[0052]
图7为本技术一些实施例提供的目标检测系统的模块框图。
具体实施方式
[0053]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0054]
需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
[0055]
在本技术的描述中，如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
[0056]
本技术的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本技术中的具体含义。
[0057]
参照图1，第一方面，本技术实施例提供了一种目标检测方法，包括但不限于步骤s110、s120、s130、s140、s150、s160、s170。
[0058]
步骤s110，获取待处理目标的当前帧的原始图像数据；
[0059]
步骤s120，将原始图像数据输入至特征提取网络结构中，通过特征提取网络结构对原始图像数据执行下采样操作，得到下采样图像数据；
[0060]
步骤s130，通过特征提取网络结构对下采样图像数据执行上采样操作，得到上采样图像数据，其中，上采样图像数据包括第一上采样图像数据和第二上采样图像数据，且第二上采样图像数据由第一上采样图像数据经过上采样操作得到；
[0061]
步骤s140，通过特征提取网络结构对第二上采样图像数据执行特征提取操作，得到待处理目标对应的特征分类信息；
[0062]
步骤s150，将第二上采样图像数据输入至掩膜分支结构中，得到待处理目标对应的第二特征区域信息；
[0063]
步骤s160，根据特征分类信息和第二特征区域信息对待处理目标执行框选操作，得到第二掩膜区域，并获取上一帧对应的第一掩膜区域；
[0064]
步骤s170，对第一掩膜区域和第二掩膜区域执行匹配操作，得到待处理目标对应的目标检测数据。
[0065]
需要说明的是，在对车辆的检测追踪过程中，固定视角中的目标可能发生移动或形变，由于同一网络层不同位置可能对应不同尺度或不同形变的物体，传统卷积不能很好地适应目标的尺度或形状，会降低目标追踪的效率，本技术的目标检测方法是基于对连续的帧的车辆进行识别匹配，采用了多次下采样操作和上采样操作，并在对原始图像数据执行上采样的过程中融合了可变形卷积，更精确地适应了目标的尺度或形状，对移动中的车辆进行追踪，在实际应用中，本技术的目标检测方法可应用于自动驾驶汽车和实时车流计数器中。在其他实施例中，还可将本技术的目标检测方法应用于其他移动目标的追踪检测中，本技术对此不作具体限定。
[0066]
根据本技术的一个实施例，本技术的目标检测方法通过将原始图像数据输入至特征提取网络结构中，通过特征提取网络结构对原始图像数据执行下采样操作，得到具有更
为丰富的语义信息的下采样图像数据，使得提取的特征辨别度更高。并在得到下采样图像数据后，对其执行上采样操作，可以理解的是，在执行上采样操作的过程中使用了可变形卷积，使得卷积核更好地自适应调整感受野，能够灵活地适应目标的尺度或形状，还进一步通过特征提取网络结构对原始图像数据中的众多特征信息进行了分类，得到了特征分类信息。在执行完第二次上采样操作得到第二上采样图像数据后，将第二上采样图像数据输入到掩膜分支结构中，得到待处理目标对应的第二特征区域信息，第二特征区域信息对多目标检测的遮挡问题起到了区域划分作用。且本技术的目标检测方法结合了特征分类信息和第二特征区域信息来计算当前帧的第二掩膜区域，将计算得到的第二掩膜区域和上一帧对应的第一掩膜区域进行匹配，得到目标检测数据，增加了目标的成功匹配率，进而提高了追踪的准确率。
[0067]
更具体的是，本技术的特征提取网络结构是基于特征金字塔结构设计的，该网络包括6个块，每个块都包括有多个卷积层、激活函数层和bn层，且该网络还添加了可变形卷积层来适应目标的不规则变化，当目标由于时间推移在视频帧中出现形变时，可变形卷积层能够针对该视频帧中出现的目标的实际情况进行自动调整，便于更好地提取输入的当前帧的原始图像数据的特征。
[0068]
参照图2，第一方面，本技术另一实施例提供了一种对原始图像数据执行下采样的操作方法，通过特征提取网络结构对原始图像数据执行下采样操作，得到下采样图像数据，包括但不限于步骤s210、s220、s230、s240。
[0069]
步骤s210，通过特征提取网络结构中的64个卷积核对原始图像数据执行下采样操作，得到第一下采样图像数据；
[0070]
步骤s220，通过特征提取网络结构中的128个卷积核对第一下采样图像数据执行下采样操作，得到第二下采样图像数据；
[0071]
步骤s230，通过特征提取网络结构中的256个卷积核对第二下采样图像数据执行下采样操作，得到第三下采样图像数据；
[0072]
步骤s240，通过特征提取网络结构中的512个卷积核对第三下采样图像数据执行下采样操作，第四下采样图像数据。
[0073]
根据本技术的一个实施例，下采样图像数据还包括第一下采样图像数据、第二下采样图像数据、第三下采样图像数据和第四下采样图像数据。本技术的特征提取网络结构通过64个卷积核对原始图像数据执行下采样操作为原始图像数据的1/2倍，得到第一下采样图像数据，然后继续通过128个卷积核对第一下采样图像数据执行下采样操作为原始图像数据的1/4倍，得到第二下采样图像数据，再通过256个卷积核对第二下采样图像数据执行下采样操作为原始图像数据的1/8倍，得到第三下采样图像数据，再通过512个卷积核对第三下采样图像数据执行下采样操作为原始图像数据的1/16倍，得到第四下采样图像数据。本技术的目标检测方法通过对原始图像数据进行四次下采样操作，使得深层具有更为丰富的语义信息，提取出的特征辨别度更高，在后续的上采样过程中和特征提取过程中能够更好地分辨出不同待处理目标例如车辆，提高了本技术的目标检测方法的检测的准确率。
[0074]
参照图3，第一方面，本技术另一实施例提供了一种对下采样图像数据执行上采样的操作方法，通过特征提取网络结构对下采样图像数据执行上采样操作，得到上采样图像
数据，包括但不限于步骤s310，s320。
[0075]
步骤s310，通过特征提取网络结构中的可变形卷积层和256个卷积核对第四下采样图像数据执行上采样操作，并融合第三下采样图像数据，得到第一上采样图像数据；
[0076]
步骤s320，通过特征提取网络结构中的可变形卷积层和128个卷积核对第一上采样图像数据执行上采样操作，并融合第二下采样图像数据，得到第二上采样图像数据。
[0077]
根据本技术的一个实施例，本技术的特征提取网络结构使用可变形卷积层，通过256个卷积核对第四下采样图像数据执行上采样操作为原始图像数据的1/8倍，得到第一上采样图像数据，再通过128个卷积核对第一上采样图像数据执行上采样操作为原始图像数据的1/4倍，得到第二上采样图像数据。本技术的目标检测方法通过可变形卷积层对第四下采样图像数据和第一上采样图像数据进行上采样，使得卷积核更好得自适应调整感受野，也使得对特征的定位更加准确，且将上采样得到的第一上采样图像数据、第二上采样图像数据和下采样前与其相同分辨率层的信息进行融合，增强了融合后的特征图中的特征信息，从空间和通道两个方面对第一上采样图像数据、第二上采样图像数据中的特征进行增强，提高了提取特征的质量，也使得本技术的目标检测方法定位更准确。
[0078]
具体的是，本技术的特征提取网络结构中的可变形卷积层可在第一上采样图像数据、第二上采样图像数据上使用不规则卷积进行采样，然后对采样值进行加权求和。标准卷积的输出为可变形卷积是在标准卷积的基础上对每个方格采样点增加一个2d偏移{δpn|n＝1,...,n}，则对于输出特征图f中的每一个位置p0由式(1)决定，式(1)为：
[0079][0080]
其中p0为网格的中心节点，pn为网格的第n个点。通过可变形卷积，本技术的目标检测方法能够在不规则且有偏移的位置pn+δpn上进行，由于偏移量δpn通常是分数，因此式(1)的特征值需要通过双线性插值实现，偏移量δpn的计算由式(2)决定，式(2)为：
[0081]
x(p)＝∑qg(q,p)
·
x(q)，
[0082]
其中p表示任意位置(p＝p0+pn+δpn)，q枚举特征图x中的所有空间位置，g(
·
,
·
)是双线性插值核。
[0083]
可以理解的是，本技术的特征提取网络结构基于特征金字塔结构，能够在不同分辨率中提取相应的目标特征，并且将下采样和上采样过程中分辨率相同的层的特征图融合起来，使得特征提取网络结构输出的特征图，即第二上采样图像数据，具有良好的特征，能为后续的分类和回归任务提供信息丰富的特征图。
[0084]
参照图4，第一方面，本技术另一实施例提供了一种对第二上采样图像数据执行特征提取的操作方法，通过特征提取网络结构对第二上采样图像数据执行特征提取操作，得到待处理目标对应的特征分类信息，包括但不限于步骤s410。
[0085]
步骤s410，通过特征提取网络结构根据one-hot编码对第二上采样图像数据执行特征提取操作，得到待处理目标对应的特征分类信息。
[0086]
可以理解的是，本技术的特征提取网络结构输出了第二上采样图像数据以对待处理目标例如车辆进行了定位，为判断待处理目标的类别，例如判断不同的车辆的类别，以便更准确地区分待处理目标，本技术还需根据one-hot编码对特征提取网络结构中的第二上
采样图像数据执行特征提取操作，得到特征分类信息，方便了后续的匹配操作。具体的是，one-hot编码是分类变量作为二进制向量的表示。这首先要求将分类值映射到整数值。然后，每个整数值被表示为二进制向量，除了整数的索引之外，它都是零值，它被标记为1。
[0087]
可以理解的是，本技术的特征提取网络结构输出了分类分支和第二上采样图像数据，而特征提取网络结构输出的第二上采样图像数据输入到了掩膜分支结构中，输出了回归分支，其中分类分支是根据one-hot编码对第二上采样图像数据执行特征提取操作，得到特征分类信息，回归分支是对第二上采样图像数据先执行4次具有128个通道的卷积操作，在第5次执行卷积操作时结合减少通道操作，得到具有80个通道的第三上采样图像数据，对第三上采样图像数据进行掩膜处理，得到待处理目标对应的第二特征区域信息。在分类和回归两个分支中，本技术的目标检测方法的分类损失l
cls
为log损失，由式(3)决定，式(3)为：
[0088][0089]
其中m表示第二上采样图像数据的目标的行数，n表示第二上采样图像数据的目标的列数，l
cls
表示分类损失，x
ij
表示第二上采样图像数据中第i行第j列的目标，p(x
ij
)为目标的真实值，q(x
ij
)为输出的目标预测值。
[0090]
参照图5，第一方面，本技术另一实施例提供了一种将第二上采样图像数据输入至掩膜分支结构的方法，将第二上采样图像数据输入至掩膜分支结构中，得到待处理目标对应的第二特征区域信息，包括但不限于步骤s510、s520。
[0091]
步骤s510，通过掩膜分支结构对第二上采样图像数据执行5次卷积操作，并在第5次卷积操作中执行减少通道操作，得到第三上采样图像数据；
[0092]
步骤s520，通过掩膜分支结构对第三上采样图像数据进行掩膜处理，得到待处理目标对应的第二特征区域信息。
[0093]
可以理解的是，本技术的特征提取网络结构输出了第二上采样图像数据以对待处理目标例如车辆进行了定位，为对第二上采样图像数据中的各个待处理目标进行进一步精确，将第二上采样图像数据输入至掩膜分支结构中，掩膜分支结构先对第二上采样图像数据执行4次具有128个通道的卷积操作，并在第5次卷积操作中执行减少通道操作，对通道进行压缩，输出得到具有80个通道的第三上采样图像数据，本技术的目标检测方法通过对第三采样图像数据进行掩膜处理，得到了第三采样图像数据图像数据上待处理目标对应的第二特征区域信息。
[0094]
需要说明的是，本技术所述的“输出得到具有80个通道的第三上采样图像数据”并不构成对本技术的限定，可以理解的是，本技术的第三上采样图像数据的通道个数可以为80个，也可以为70个，60个等，通道个数低于128个即可。
[0095]
可以理解的是，本技术的回归损失包括掩膜损失l
mask
、框偏移量和框尺寸损失l
box
，掩膜损失l
mask
为二进制交叉熵的平均值，由式(4)决定，式(4)为：
[0096][0097]
其中pn为目标的真实值，qn为输出的预测值。n为该掩膜区域所有像素的数量。
[0098]
参照图6，第一方面，本技术另一实施例提供了一种对第三上采样图像数据进行掩
膜处理的方法，包括但不限于步骤s610。
[0099]
步骤s610，通过掩膜分支结构对第三上采样图像数据中的背景信息执行屏蔽操作，得到第二特征区域信息，其中，第二特征区域信息包括预测偏移量信息和框尺寸信息。
[0100]
可以理解的是，为进一步准确获取第三上采样图像数据中的待处理目标例如车辆的特征，需要减少具有干扰性的背景噪音，因此本技术的目标检测方法还需对第三上采样图像数据中的背景信息执行屏蔽操作，以得到第二特征区域信息。精确地计算出了预测偏移量信息和框尺寸信息，得到了第三上采样图像数据中的待处理目标例如车辆的边界框大小和位置。其中，预测偏移量和框尺寸损失l
box
由式(5)决定，式(5)为：
[0101][0102]
其中c代表类别数，pi为真实值，qi为预测值。
[0103]
可以理解的是，对第一掩膜区域和第二掩膜区域执行匹配操作，得到待处理目标对应的目标检测数据，包括以下之一：
[0104]
提取第一掩膜区域的第一特征区域信息和第二掩膜区域中的第二特征区域信息，对第一特征区域信息和第二特征区域信息执行相似度计算操作，得到相似度数据，根据相似度数据得到待处理目标对应的目标检测数据；或者，
[0105]
计算第一掩膜区域的第一掩膜面积信息和第二掩膜区域的第二掩膜面积信息，对第一掩膜面积信息和第二掩膜面积信息执行重叠度计算操作，得到重叠度数据，根据重叠度数据得到待处理目标对应的目标检测数据。
[0106]
需要说明的是，匹配操作是匹配连续帧数据中的待处理目标例如车辆，因此也可以理解为本技术的匹配操作基于至少两次的目标检测操作，即将当前帧的第二掩膜区域中的第二特征区域信息与上一帧的第一掩膜区域中的第一特征区域信息进行比较，本技术通过对掩膜分支结构提取出的待处理目标例如车辆的第二特征区域信息和第一特征区域信息进行匹配，并计算出第一特征区域信息和第二特征区域信息的相似度数据，通过对相似度数据进行进一步比较得到待处理目标对应的目标检测数据。
[0107]
具体的是，本技术的目标检测方法通过将第一特征区域信息和第二特征区域信息的相似度数据与提前设定的相似度数据阈值进行比较，当相似度数据大于相似度数据阈值，则目标检测数据为匹配成功，即追踪到目标车辆，当相似度数据小于相似度数据阈值，则目标检测数据为未匹配成功，将对第一掩膜区域和第二掩膜区域进行二次匹配，二次匹配的过程为：
[0108]
计算当前帧的第二掩膜区域的第二掩膜面积信息，并与上一帧的第一掩膜区域的第一掩膜面积信息作iou匹配，即进行二次匹配，二次匹配的过程为结合第一掩膜面积信息和第二掩膜面积信息计算两帧中同一待处理目标例如车辆之间的欧几里得距离，进而得到第一掩膜区域和第二掩膜区域的重叠度数据，以衡量第一掩膜区域和第二掩膜区域的相似性。
[0109]
具体的是，本技术的目标检测方法通过将第一掩膜区域和第二掩膜区域的重叠度数据与提前设定的重叠度数据阈值进行比较，当重叠度数据大于重叠度数据阈值，则目标检测数据为匹配成功，即追踪到目标车辆，当重叠度数据小于重叠度数据阈值，则目标检测数据为不匹配，即上一帧中并没有与当前帧的目标车辆匹配的车辆。本技术的目标检测方法在两相结合后得出相邻帧间的匹配上的目标车辆，更好地解决了拥挤场景下，相邻帧间
的车辆身份错误匹配问题，增加了匹配成功率，进而基于目标检测方法提高了追踪准确率。
[0110]
需要说明的是，重叠度数据的计算公式由式(6)决定，式(6)为：
[0111][0112]
其中，iou(t,t+1)表示重叠度数据，detmask(t)表示第一掩膜面积信息，detmask(t+1)表示第二掩膜面积信息。
[0113]
需要说明的是，如本技术的特征提取网络结构经过多次下采样和上采样后未在原始图像数据中得到任何目标车辆的特征值，则不执行匹配操作，直接对下一帧的原始图像数据进行特征提取。
[0114]
第二方面，参照图7，本技术实施例提供了一种目标检测系统，包括：
[0115]
至少一个存储器200；
[0116]
至少一个处理器100；
[0117]
至少一个程序；
[0118]
程序被存储在存储器200中，处理器100执行至少一个程序以实现：
[0119]
如本技术第一方面任一项实施例的目标检测方法。
[0120]
处理器100和存储器200可以通过总线或者其他方式连接。
[0121]
存储器200作为一种非暂态可读存储介质，可用于存储非暂态软件指令以及非暂态性可指令。此外，存储器200可以包括高速随机存取存储器200，还可以包括非暂态存储器200，例如至少一个磁盘存储器件200、闪存器件、或其他非暂态固态存储器件200。可以理解的是，存储器200可选包括相对于处理器100远程设置的存储器200，这些远程存储器200可以通过网络连接至该处理器100。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0122]
处理器100通过运行存储在存储器200中的非暂态软件指令、指令以及信号，从而各种功能应用以及数据处理，即实现上述第一方面实施例的一种目标检测方法。
[0123]
实现上述实施例的一种目标检测系统所需的非暂态软件指令以及指令存储在存储器200中，当被处理器100执行时，执行本技术第一方面实施例的一种目标检测方法，例如，执行以上描述的图1中的方法步骤s110至s170、图2中的方法步骤s210至s240、图3中的方法步骤s310至s320、图4中的方法步骤s410、图5中的方法步骤s510至s520和图6中的方法步骤s610。
[0124]
第三方面，本技术实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行信号，计算机可执行信号用于执行：
[0125]
如申请第一方面任一项实施例的一种目标检测方法。
[0126]
例如执行以上描述的图1中的方法步骤s110至s170、图2中的方法步骤s210至s240、图3中的方法步骤s310至s320、图4中的方法步骤s410、图5中的方法步骤s510至s520和图6中的方法步骤s610。
[0127]
以上所描述的装置实施例仅仅是示意性的，其中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。
[0128]
通过以上的实施方式的描述，本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在可读介质上，可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读信号、数据结构、指令模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读信号、数据结构、指令模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
[0129]
上面结合附图对本技术实施例作了详细说明，但是本技术不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本技术宗旨的前提下，做出各种变化。