(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111628161.1 (22)申请日 2021.12.28 (71)申请人 厦门市美亚柏科信息股份有限公司 地址 361000 福建省厦门市软件园二期观 日路12号102-402单 元 (72)发明人 陈德意　吴婷婷　高志鹏　赵建强　 刘彩玲　汪泰伸　涂梅林　 (74)专利代理 机构 厦门市精诚新创知识产权代 理有限公司 3 5218 专利代理师 汪万龙 (51)Int.Cl. G06T 7/13(2017.01) G06T 5/20(2006.01) G06T 5/00(2006.01) G06N 3/04(2006.01) (54)发明名称 一种目标检测的方法、 装置以及存 储介质 (57)摘要 本发明公开了一种目标检测的方法、 装置以 及存储介质。 所述方法包括： 获取待检测图像； 对 待检测图像进行边缘检测处理， 得到第一图像； 通过预设的特征提取网络对待检测图像进行处 理， 得到待检测图像的第二图像， 使用第一图像 对第二图像进行处理， 增强第二图像的边缘特 征； 预设的特征提取网络包含特征降噪模块， 使 用特征降噪模块对增强边缘特征的第二图像进 行降噪处理； 使用预设的特征提取网络对降噪处 理后的第二图像进行处理， 得到图像特征， 将图 像特征输入 预设的目标检测网络， 得到目标类别 和目标框。 本发 明提供的一种目标检测的方法和 装置， 能够提升基于深度学习神经网络的特征提 取网络的特征提取能力， 以及目标检测网络的目 标检测能力。 权利要求书1页 说明书5页 附图2页 CN 114445436 A 2022.05.06 CN 114445436 A 1.一种目标检测的方法， 其特 征在于， 包括： S1， 获取待检测图像； S2， 对所述待检测图像进行边 缘检测处 理， 得到第一图像； S3， 通过预设的特征提取网络对所述待检测图像进行处理， 得到所述待检测图像的第 二图像， 使用所述第一图像对所述第二图像进行处 理， 增强所述第二图像的边 缘特征； S4， 所述预设的特征提取网络包含特征降噪模块， 使用所述特征降噪模块对所述增强 边缘特征的第二图像进行降噪处 理； S5， 使用所述预设的特征提取网络对所述降噪处理后的第二图像进行处理， 得到图像 特征， 将所述图像特 征输入预设的目标检测网络， 得到目标类别和目标框 。 2.根据权利要求1所述的方法， 其特征在于， 所述对待检测图像进行边缘检测 处理， 得 到第一图像， 具体为： 使用索贝尔算子对待检测图像进行边 缘检测， 得到所述第一图像。 3.根据权利要求2所述的方法， 其特 征在于， 所述索贝尔算子的边 缘检测公式如下： 其中， I为所述待检测图像， Ex为所述待检测图像的纵向边缘图像， Ey为所述待检测图像 的横向边 缘图像， E为所述第一图像。 4.根据权利要求1所述的方法， 其特征在于， 所述预设的特征提取网络采用特征金字塔 网络实现。 5.根据权利要求4所述的方法， 其特征在于， 所述步骤S3具体为： 在所述特征金字塔网 络的下采样部 分输出所述第二图像， 对 所述第一图像进 行下采样和卷积， 生 成注意力图像， 使用所述注意力图像增强所述第二图像的边 缘特征。 6.根据权利要求4所述的方法， 其特征在于， 所述步骤S5 中使用所述预设的特征提取网 络对所述降噪处理后的第二图像进 行处理， 得到图像特征， 具体为： 在所述特征金字塔网络 的上采样部分输出特征图像， 使用所述降噪处理后的第二图像对所述特征图像进行拼接， 对拼接后的特 征图像进行处 理， 得到所述图像特 征。 7.根据权利要求1所述的方法， 其特征在于， 所述特征降噪模块基于非局部均值算法实 现。 8.根据权利要求1所述的方法， 其特征在于， 所述预设的目标检测网络采用以下其中一 种方式实现： RCN N、 Fast RCNN、 Faster RCNN、 Mask RCNN。 9.一种目标检测的装置， 其特征在于， 包括存储器和处理器， 所述存储器存储有至少一 段程序， 所述至少一段程序由所述处理器执行以实现如权利要求 1至8任一所述的目标检测 的方法。 10.一种计算机可读存储介质， 其特征在于， 所述存储介质中存储有至少一段程序， 所 述至少一段程序由所述处 理器执行以实现如权利要求1至8任一所述的目标检测的方法。权　利　要　求　书 1/1 页 2 CN 114445436 A 2一种目标 检测的方 法、 装置以及存 储介质 技术领域 [0001]本发明属于计算机视觉、 模式识别以及目标检测技术领域， 尤其涉及一种目标检 测的方法、 装置以及存 储介质。 背景技术 [0002]传统的目标检测方案基于手工特征提取， 具有较强的可解释性， 但是泛化能力较 差。 近年来取得较好性能的目标检测方案， 如Mask  RCNN、 YOLO等， 都是基于深度学习的方法 来实现。 基于深度学习的目标检测方案利用卷积神经网络CNN进 行特征提取， 能够达到较好 的检测性能， 但是使用CNN提取的特征通常缺少可解释性， 提取的特征可能会带有噪声， 会 对检测的性能造成负面影响。 [0003]如上所述， 现有的目标检测方案所存在的缺 点主要有： [0004]1、 传统的目标检测方案的鲁棒 性较差； [0005]2、 利用CNN设计的目标检测方案提取出的特征缺乏可解释性， 并具有噪声， 会影响 检测的精度。 发明内容 [0006]为了克服如上所述的技术问题， 本发明提出一种目标检测的方法， 所述方法的技 术方案如下： [0007]S1， 获取待检测图像； [0008]S2， 对所述待检测图像进行边 缘检测处 理， 得到第一图像； [0009]S3， 通过预设的特征提取网络对所述待检测图像进行处理， 得到所述待检测图像 的第二图像， 使用所述第一图像对所述第二图像进行处 理， 增强所述第二图像的边 缘特征； [0010]S4， 所述预设的特征提取网络包含特征降噪模块， 使用所述特征降噪模块对所述 增强边缘特征的第二图像进行降噪处 理； [0011]S5， 使用所述预设的特征提取网络对所述降噪处理后的第二图像进行处理， 得到 图像特征， 将所述图像特 征输入预设的目标检测网络， 得到目标类别和目标框 。 [0012]进一步的， 所述对待检测图像进行边缘检测处理， 得到第一图像， 具体为： 使用索 贝尔算子对待检测图像进行边 缘检测， 得到所述第一图像。 [0013]进一步的， 所述索贝尔算子的边 缘检测公式如下： [0014] [0015]其中， I为所述待检测图像， Ex为所述待检测图像的纵向边缘图像， Ey为所述待检测 图像的横向边 缘图像， E为所述第一图像。 [0016]进一步的， 所述预设的特 征提取网络采用特 征金字塔网络实现。 [0017]进一步的， 所述步骤S3具体为： 在所述特征金字塔网络的下采样部分输出所述第说　明　书 1/5 页 3 CN 114445436 A 3