本公開提供了一種基于神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測方法、目標(biāo)檢測裝置和計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。所述目標(biāo)檢測方法包括：獲取包含目標(biāo)的待檢測的連續(xù)幀圖像；利用第一前饋神經(jīng)網(wǎng)絡(luò)，獲取所述連續(xù)幀圖像中的每一幀圖像的第一特征信息；利用第二雙向反饋神經(jīng)網(wǎng)絡(luò)，基于所述每一幀圖像的第一特征信息，獲取所述每一幀圖像的第二特征信息；以及利用至少一個(gè)分類器，基于所述第二特征信息，獲取所述連續(xù)幀圖像的每個(gè)像素點(diǎn)的對(duì)應(yīng)于所述至少一個(gè)分類器的屬性。

技術(shù)領(lǐng)域

本公開涉及人工智能(AI)中的圖像處理領(lǐng)域，更具體地，本公開涉及一種基于神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測方法、目標(biāo)檢測裝置和計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

背景技術(shù)

目標(biāo)檢測是計(jì)算機(jī)視覺領(lǐng)域中一個(gè)基礎(chǔ)性的研究課題，其在人臉識(shí)別、安全監(jiān)控以及動(dòng)態(tài)追蹤等很多方面都有廣泛的應(yīng)用前景。在目標(biāo)檢測中，對(duì)包括作為目標(biāo)的行人、車輛的視頻結(jié)構(gòu)化是諸多安防應(yīng)用中不可或缺的。神經(jīng)網(wǎng)絡(luò)是一種大規(guī)模、多參數(shù)優(yōu)化的工具。依靠大量的訓(xùn)練數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)出數(shù)據(jù)中難以總結(jié)的隱藏特征，從而完成多項(xiàng)復(fù)雜的任務(wù)，如人臉檢測，圖片分類，物體檢測，動(dòng)作追蹤，自然語言翻譯等。神經(jīng)網(wǎng)絡(luò)已被人工智能界廣泛應(yīng)用。當(dāng)前，諸如行人檢測的目標(biāo)檢測中最廣泛應(yīng)用的是卷積神經(jīng)網(wǎng)絡(luò)。

在現(xiàn)有的目標(biāo)檢測方法中，往往把目標(biāo)(行人和車輛)檢測、目標(biāo)追蹤以及視頻結(jié)構(gòu)化分成三個(gè)獨(dú)立的步驟來完成。在目標(biāo)檢測步驟中，對(duì)每一幀圖像，找到作為目標(biāo)的行人或車輛，通過邊框把它們的位置和大小表示出來。然后，把各幀中檢測到的目標(biāo)，根據(jù)空間位置、外觀相似程度等因素關(guān)聯(lián)在一起，從而進(jìn)行目標(biāo)追蹤步驟。最后，分析一條追蹤軌跡中各個(gè)邊框中行人或車輛的屬性信息，實(shí)現(xiàn)結(jié)構(gòu)化的目的。在以上三個(gè)步驟中，都可能分別引入額外的誤差，從而造成誤差的傳播擴(kuò)大。尤其是在檢測步驟中，在擁擠環(huán)境下，邊框并不能很好地表示目標(biāo)的位置。例如，在擁擠的人群中，大量的行人相互遮擋，因此邊框也相互遮擋。如果使用邊框來分析行人的屬性，很容易因?yàn)楸黄渌藫踝。鴣G失信息，或引入錯(cuò)誤信息。

發(fā)明內(nèi)容

鑒于上述問題，本發(fā)明提供一種基于神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測方法、目標(biāo)檢測裝置以及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

根據(jù)本公開的一個(gè)實(shí)施例，提供了一種目標(biāo)檢測方法，包括：獲取包含目標(biāo)的待檢測的連續(xù)幀圖像；利用第一前饋神經(jīng)網(wǎng)絡(luò)，獲取所述連續(xù)幀圖像中的每一幀圖像的第一特征信息；利用第二雙向反饋神經(jīng)網(wǎng)絡(luò)，基于所述每一幀圖像的第一特征信息，獲取所述每一幀圖像的第二特征信息；以及利用至少一個(gè)分類器，基于所述第二特征信息，獲取所述連續(xù)幀圖像的每個(gè)像素點(diǎn)的對(duì)應(yīng)于所述至少一個(gè)分類器的屬性。

此外，根據(jù)本公開的一個(gè)實(shí)施例的目標(biāo)檢測方法，其中，所述至少一個(gè)分類器包括第一目標(biāo)檢測分類器、第二部位劃分分類器以及第三屬性分類器。

此外，根據(jù)本公開的一個(gè)實(shí)施例的目標(biāo)檢測方法，其中，利用至少一個(gè)分類器，基于所述第二特征信息，獲取所述連續(xù)幀圖像的每個(gè)像素點(diǎn)的對(duì)應(yīng)于所述至少一個(gè)分類器的屬性包括：基于所述第二特征信息，利用所述第一目標(biāo)檢測分類器，確定每個(gè)像素點(diǎn)所屬目標(biāo)類別的類別屬性，并且聚類具有相同類別屬性的像素點(diǎn)，以確定所述連續(xù)幀圖像中的目標(biāo)；基于所述第二特征信息，利用所述第二部位劃分分類器，確定所述連續(xù)幀圖像中的目標(biāo)的各個(gè)部分；以及基于所述第二特征信息，利用所述第三屬性分類器，確定所述連續(xù)幀圖像中的目標(biāo)的各個(gè)部分的屬性。

此外，根據(jù)本公開的一個(gè)實(shí)施例的目標(biāo)檢測方法，其中，聚類具有相同類別屬性的像素點(diǎn)，以確定所述連續(xù)幀圖像中的目標(biāo)包括：確定相同類別屬性的像素點(diǎn)中的一個(gè)像素點(diǎn)到其所屬中心點(diǎn)的位移，通過對(duì)于所述中心點(diǎn)的聚類，確定屬于同一目標(biāo)的像素點(diǎn)。

此外，根據(jù)本公開的一個(gè)實(shí)施例的目標(biāo)檢測方法，還包括：確定相同類別屬性的像素點(diǎn)中的一個(gè)像素點(diǎn)到所述目標(biāo)在預(yù)定數(shù)目的之前幀和之后幀中的所述中心點(diǎn)的位移，從而對(duì)所述目標(biāo)進(jìn)行追蹤。