本發明提供了一種基于攝像機焦距變換的目標檢測方法、存儲介質及處理器，其中，方法包括建立第一、第二數據訓練集，第一訓練數據集為拍攝原圖訓練數據集，第二訓練數據集為攝像機模擬焦距變換的目標所在區域訓練數據集；設計目標檢測網絡，分別訓練第一、第二數據訓練集；調用基于第一數據訓練集的目標檢測網絡對第一數據訓練集進行檢測，得出第一數據訓練集目標置信度；判斷第一數據訓練集目標置信度是否在置信度閾值范圍內，在則判斷該區域內有目標物，否則改變攝像機焦距，獲得該目標區域附近的第三數據訓練集。通過更改攝像機焦距，使得目標在成像結果上的尺寸變大，提高被檢測目標物體的置信度，減小了誤檢率，提升了檢測性能。

【技術領域】

本發明涉及目標檢測技術領域，尤其涉及一種基于攝像機焦距變換的目標檢測方法、存儲介質及處理器。

【背景技術】

高分辨率的無人機圖像在全球范圍內越來越常見，它包含大量可與維護、土地開發、疾病控制、缺陷定位、監測等應用相關聯的信息。這些數據往往是通過網絡傳輸至地面站，由地面站工作人員對圖像數據進行分析，并確定其中是否有可用目標，從而對其目標所包含的信息進行分析。由于無人機往往拍攝的場景較大、飛行高度較高，使其成像結果中目標物體尺寸較小，這往往需要巨大的人力和時間去分析。隨著人工智能的興起，常規目標檢測的精度得到大幅提高，很多工程應用、學術研究均將基于深度學習的目標檢測算法作為研究重點。其次將目標檢測算法運用在無人機上也是迫切需要的，例如無人機的監控場景中的行人計數，目標種類判斷等。因此實現無人機俯拍場景下的自動目標檢測是一個亟需解決的問題。

現有技術中，如有一種水面異物檢測方法，解決現有技術存在水面異物檢測準確率低的技術問題，只是針對無人機拍攝的水面圖像進行處理，不能涵蓋其他的場景，具有場景的局限性，場景較小。雖然用了基于卷積神經網絡的yolo v3的目標檢測算法，但對算法的圖像輸入要求較高，處理較為麻煩，不利于滿足算法的實時要求。

還有基于深度學習的油氣管道全智能巡檢系統，采用無人機搭載高分辨率可見光相機從空中獲得影像數據，用戶可用圖傳設備在地面上實時看到處理后的影像；再利用其預置的深度神經網絡識別器自動發現危害油氣管道安全的行為；一旦發現危害管道安全的行為，則可以保存相關數據，并通過4G網絡向監管部門傳輸位置數據、時間數據和影像數據，且觸發警報。該方案主要是針對油管場景進行檢測，同時是對危害油氣管道安全的行為進行識別，并不包括對其目標進行檢測；包括的模塊較多，方法復雜。

以上技術方案都是對特定場景下的目標進行檢測，不具有廣泛適用性。

【發明內容】

本發明所要解決的技術問題是提供一種基于攝像機焦距變換的目標檢測方法、存儲介質及處理器，能夠通過更改攝像機焦距，使得目標在成像結果上的尺寸變大，提高被檢測目標物體的置信度，減小了誤檢率，提升了檢測性能。

為解決上述技術問題，本發明一實施例提供了一種基于攝像機焦距變換的目標檢測方法，包括：

建立第一數據訓練集和第二數據訓練集，所述第一訓練數據集為拍攝原圖訓練數據集，第二訓練數據集為攝像機模擬焦距變換的目標所在區域訓練數據集；

設計基于深度卷積網絡的目標檢測網絡，分別訓練第一數據訓練集和第二數據訓練集；

調用基于第一數據訓練集的目標檢測網絡對第一數據訓練集進行檢測，得出第一數據訓練集目標置信度；

判斷第一數據訓練集目標置信度是否在置信度閾值范圍內，如果在，則判斷該區域內有目標物，否則則改變攝像機的焦距，獲得該目標區域附近的第三數據訓練集；

利用基于第二數據訓練集的目標檢測網絡，訓練第三數據訓練集，獲得目標在第一數據訓練集中的位置信息和置信度。

優選地，建立第一數據訓練集和第二數據訓練集包括：攝像機拍攝目標區域視頻，對所述目標區域視頻進行解碼，獲取原圖圖片。