一种目标检测方法、装置、设备及介质与流程

本技术涉及图像处理，尤其涉及一种目标检测方法、装置、设备及介质。

背景技术：

1、目前x光安检机在检测违规物品时，一般是使用x光安检机拍摄待检测物品的x光图像，并使用预先训练完成的x光图像检测模型进行检测，从而确定待检测物品中是否包括违规物品。

2、相关技术中，在训练x光图像检测模型时一般是使用大量的x光图像进行模型训练，这不但需要大量的人力财力投入成本，还受限于违规物品本身的多样性及特殊性，如违规物品一般会包括管控物品，对于管控物品本身实物难以获取，且型制多种多样，无法在采集中穷举。

3、如在需要新增x光图像检测模型可检测违规物品的品类时，或发现x光图像检测模型已支持检测的违规物品的某些型制的检测效果差时，则需要收集各型制的物品，组织人力在x光安检机下进行大量的过包采集，以获取上万级的x光图像，再对其进行人工标注，从而对x光图像检测模型重新进行训练。显然这种方式依赖x光图像样本采集标注，重新训练的时间周期长，还会遇到一些管控物品特需时无法进行实物收集的情况。

4、因此，如何在降低对x光图像样本采集标注的依赖的情况下，依然能够准确对违规物品进行检测成为亟待解决的问题。

技术实现思路

1、本技术实施例提供一种目标检测方法、装置、设备及介质，用以解决现有技术中由于过度依赖x光图像采集标注，而导致重新训练x光图像检测模型效率低的问题。

2、第一方面，本技术提供了一种目标检测方法，所述方法包括：

3、对待检测x光图像进行图像识别处理，得到目标子图像，所述目标子图像为所述待检测x光图像中包括的任一物品的图像；

4、将所述目标子图像输入到分类模型，若所述分类模型无法确定所述目标子图像对应的目标分类，则获取预先保存的自然光图像集，所述自然光图像集中包括不同物品对应的自然光图像；

5、分别确定所述目标子图像的第一特征向量与每个自然光图像的第二特征向量之间的相似度，并根据每个相似度确定所述目标子图像对应的目标物品所归属的目标分类。

6、进一步地，所述分类模型包括图像编码器和分类层，所述分类模型确定所述目标子图像对应的目标分类的过程包括：

7、将所述目标子图像输入到所述图像编码器，得到第三特征向量；

8、将所述第三特征向量输入到所述分类层，得到所述目标子图像归属于每个预设分类的预测概率；

9、若每个预测概率均不大于预设阈值，则确定所述分类模型无法确定所述目标子图像对应的目标分类；

10、若任一预测概率大于预设阈值，则确定大于预设阈值的预测概率对应的预设分类为所述目标分类。

11、进一步地，所述分类模型还包括特征迁移层；所述目标子图像的第一特征向量的确定过程包括：

12、将所述第三特征向量输入到所述特征迁移层，所述特征迁移层的n个卷积子层依次对所述第三特征向量进行映射处理，将最后一个卷积子层映射后得到的特征向量确定为所述第一特征向量。

13、进一步地，所述分类模型的训练过程包括：

14、获取样本集，所述样本集中包括样本图像，及每个样本图像所归属的标准分类；

15、针对每个样本图像，将该样本图像输入到初始分类模型的图像编码器，得到该样本图像的第四特征向量，将所述第四特征向量输入到所述初始分类模型的分类层，得到该样本图像归属于每个预设分类的分类概率；

16、根据每个预设分类的分类概率以及所述标准分类，确定第一损失值，并基于所述第一损失值对所述分类层中的参数进行调整。

17、进一步地，所述方法还包括：

18、将所述第四特征向量输入到初始分类模型的特征迁移层，所述特征迁移层的n个卷积子层依次对所述第四特征向量进行映射处理，得到最后一个卷积子层输出的映射后的第四特征向量；获取针对该样本图像所归属的标准分类记录的平均特征向量，并根据所述映射后的第四特征向量和所述记录的平均特征向量，确定当前迭代轮次的平均特征向量，并使用所述当前迭代轮次的平均特征向量对记录的平均特征向量进行更新；

19、根据更新后的平均特征向量与每个预设分类对应的平均特征向量，确定第二损失值，并基于所述第二损失值对所述特征迁移层中的参数进行调整。

20、进一步地，所述样本集中的样本图像包括样本x光图像和样本自然光图像；所述根据更新后的平均特征向量与每个预设分类对应的平均特征向量，确定第二损失值包括：

21、若该样本图像为样本自然光图像，根据更新后的平均特征向量和x光域对应的每个预设分类的平均特征向量，确定第二损失值；

22、若该样本图像为样本x光图像，根据更新后的平均特征向量和自然光域对应的每个预设分类的平均特征向量，确定第二损失值。

23、进一步地，所述样本图像的获取过程包括：

24、针对每个预设分类，在互联网图像库中检索该预设分类对应的候选图像集；

25、对所述候选图像集中的每个候选图像分别进行图像识别处理，得到候选子图像，所述候选子图像为对应的候选图像中包括的物品中归属于所述预设分类的目标物品的图像；

26、将所述候选子图像确定为所述样本图像。

27、进一步地，所述得到候选子图像之后，所述将所述候选子图像确定为所述样本图像之前，所述方法还包括：

28、获取该预设分类对应的描述文本；

29、分别确定所述描述文本的第五特征向量与每个候选子图像的第六特征向量之间的相似度；

30、所述将所述候选子图像确定为所述样本图像包括：

31、根据所述相似度以及预设相似阈值，确定所述样本图像。

32、进一步地，所述将所述候选子图像确定为所述样本图像包括：

33、将每个候选子图像输出；

34、接收被选择的优质候选子图像，将所述优质候选子图像确定为所述样本图像。

35、第二方面，本技术提供了一种目标检测装置，所述装置包括：

36、识别模块，用于对待检测x光图像进行图像识别处理，得到目标子图像，所述目标子图像为所述待检测x光图像中包括的任一物品的图像；

37、分类模块，用于将所述目标子图像输入到分类模型，若所述分类模型无法确定所述目标子图像对应的目标分类，则获取预先保存的自然光图像集，所述自然光图像集中包括不同物品对应的自然光图像；

38、检测模块，用于分别确定所述目标子图像的第一特征向量与每个自然光图像的第二特征向量之间的相似度，并根据每个相似度确定所述目标子图像对应的目标物品所归属的目标分类。

39、进一步地，所述分类模型包括图像编码器和分类层，所述分类模块，具体用于将所述目标子图像输入到所述图像编码器，得到第三特征向量；将所述第三特征向量输入到所述分类层，得到所述目标子图像归属于每个预设分类的预测概率；若每个预测概率均不大于预设阈值，则确定所述分类模型无法确定所述目标子图像对应的目标分类；若任一预测概率大于预设阈值，则确定大于预设阈值的预测概率对应的预设分类为所述目标分类。

40、进一步地，所述分类模型还包括特征迁移层；所述装置还包括：

41、确定模块，用于将所述第三特征向量输入到所述特征迁移层，所述特征迁移层的n个卷积子层依次对所述第三特征向量进行映射处理，将最后一个卷积子层映射后得到的特征向量确定为所述第一特征向量。

42、进一步地，所述装置还包括：

43、训练模块，用于获取样本集，所述样本集中包括样本图像，及每个样本图像所归属的标准分类；针对每个样本图像，将该样本图像输入到初始分类模型的图像编码器，得到该样本图像的第四特征向量，将所述第四特征向量输入到所述初始分类模型的分类层，得到该样本图像归属于每个预设分类的分类概率；根据每个预设分类的分类概率以及所述标准分类，确定第一损失值，并基于所述第一损失值对所述分类层中的参数进行调整。

44、进一步地，所述训练模块，还用于将所述第四特征向量输入到初始分类模型的特征迁移层，所述特征迁移层的n个卷积子层依次对所述第四特征向量进行映射处理，得到最后一个卷积子层输出的映射后的第四特征向量；获取针对该样本图像所归属的标准分类记录的平均特征向量，并根据所述映射后的第四特征向量和所述记录的平均特征向量，确定当前迭代轮次的平均特征向量，并使用所述当前迭代轮次的平均特征向量对记录的平均特征向量进行更新；根据更新后的平均特征向量与每个预设分类对应的平均特征向量，确定第二损失值，并基于所述第二损失值对所述特征迁移层中的参数进行调整。

45、进一步地，所述训练模块，具体用于若该样本图像为样本自然光图像，根据更新后的平均特征向量和x光域对应的每个预设分类的平均特征向量，确定第二损失值；若该样本图像为样本x光图像，根据更新后的平均特征向量和自然光域对应的每个预设分类的平均特征向量，确定第二损失值。

46、进一步地，所述训练模块，具体用于针对每个预设分类，在互联网图像库中检索该预设分类对应的候选图像集；对所述候选图像集中的每个候选图像分别进行图像识别处理，得到候选子图像，所述候选子图像为对应的候选图像中包括的物品中归属于所述预设分类的目标物品的图像；将所述候选子图像确定为所述样本图像。

47、进一步地，所述训练模块，具体用于获取该预设分类对应的描述文本；分别确定所述描述文本的第五特征向量与每个候选子图像的第六特征向量之间的相似度；根据所述相似度以及预设相似阈值，确定所述样本图像。

48、进一步地，所述训练模块，具体用于将每个候选子图像输出；接收被选择的优质候选子图像，将所述优质候选子图像确定为所述样本图像。

49、第三方面，本技术还提供了一种电子设备，所述电子设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如上述任一所述目标检测方法的步骤。

50、第四方面，本技术还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一所述目标检测方法的步骤。

51、由于在本技术实施例中，对待检测x光图像进行图像识别处理，得到目标子图像，该目标子图像为待检测x光图像中包括的任一物品的图像，将目标子图像输入到分类模型，若分类模型无法确定目标子图像对应的目标分类，则获取预先保存的自然光图像集，分别确定目标子图像的第一特征向量与自然光图像集中每个自然光图像的第二特征向量之间的相似度，并根据每个相似度确定目标子图像对应的目标物品所归属的目标分类，即在已训练完成的分类模型无法对目标子图像进行分类预测的情况下，依然能够通过目标子图像的第一特征向量与每个自然光图像的第二特征向量之间的相似度，确定目标子图像对应的目标物品所归属的目标分类，增强了目标检测的鲁棒性，即使分类模型的分类预测能力下降，也可以准确的对目标进行检测。