(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211014408.5 (22)申请日 2022.08.23 (65)同一申请的已公布的文献号 申请公布号 CN 115100441 A (43)申请公布日 2022.09.23 (73)专利权人 浙江大华 技术股份有限公司 地址 310051 浙江省杭州市滨江区滨安路 1187号 (72)发明人 蒋伟　潘华东　魏乃科　孙鹤　 (74)专利代理 机构 深圳市威世博知识产权代理 事务所(普通 合伙) 44280 专利代理师 李秀云 (51)Int.Cl. G06V 10/74(2022.01) G06V 10/75(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01)(56)对比文件 CN 112766244 A,2021.0 5.07 CN 112633369 A,2021.04.09 CN 110033473 A,2019.07.19 CN 111160477 A,2020.0 5.15 US 2002136449 A1,20 02.09.26 US 2019205694 A1,2019.07.04 CN 114359641 A,202 2.04.15 贾迪等.图像匹配方法研究综述. 《中国图象 图形学报》 .2019,(第0 5期),第67 7-699页. 张旭.基于模板匹配和深度学习的港口舰船 检测识别方法. 《信息技 术与信息化》 .2019,(第 04期),第59- 63页. TengfeiLi et al.An improved bi nocular localization method for ap ple based o n fruit detecti on using deep learn ing. 《Informati on Proces sing in Agriculture》 .2021, 审查员 崔小利 (54)发明名称 目标检测方法、 电子设备和存 储介质 (57)摘要 本发明公开了一种目标检测方法、 电子设备 和存储介质， 其中， 目标检测方法包括： 获取到包 含目标对象的待检测图以及至少一张目标对象 的标准图； 分别对待检测图以及各标准图进行特 征提取， 得到待检测图的待检测特征以及各标准 图的标准特征； 将待检测特征分别与各标准特征 进行特征匹配， 得到至少一个匹配结果； 基于各 匹配结果， 确定目标对象的检测结果。 通过上述 方式， 本发明能够提高目标检测的通用性， 扩大 目标检测的应用范围。 权利要求书3页 说明书14页 附图7页 CN 115100441 B 2022.11.18 CN 115100441 B 1.一种目标检测方法， 其特 征在于， 包括： 获取到包 含目标对象的待检测图以及至少一张所述目标对象的标准图； 分别对所述待检测图以及各所述标准图进行特征提取， 得到所述待检测图的待检测特 征以及各所述标准图的标准特征； 其中， 所述待检测特征包括多个不同深度的子特征， 各所 述标准特 征分别包括多个不同深度的子特 征； 将所述待检测特 征分别与各 所述标准特 征进行特征匹配， 得到 至少一个匹配结果； 基于各所述匹配结果， 确定所述目标对象的检测结果； 其中， 所述将所述待检测特征分别与各所述标准特征进行特征匹配， 得到至少一个匹 配结果， 包括： 将所述待检测特征中的目标子特征与预设卷积核进行卷积运算， 得到第三卷积结果； 并将所述第三卷积结果与所述预设卷积核的转置进行 卷积运算， 得到第一卷积结果； 以及 将所述标准特征中与所述目标子特征深度相同的子特征与所述预设卷积核进行卷积 运算， 得到第四卷积结果； 并将各所述第四卷积结果分别与所述预设卷积核的转置进行卷 积运算， 得到第二卷积结果； 将所述第一卷积结果与所述第二卷积结果对应进行广播点积， 计算得到深度匹配结 果； 对所述待检测特征中各子特征对应的深度匹配结果进行求和计算， 得到所述待检测特 征与所述标准特 征之间的匹配结果。 2.根据权利要求1所述的目标检测方法， 其特征在于， 所述分别对所述待检测图以及各 所述标准图进行特征提取， 得到所述待检测图的待检测特征以及各所述标准图的标准特 征， 包括： 对所述待检测图进行多阶特 征提取， 得到包括多个不同深度的子特 征的待检测特 征； 分别对各所述标准图进行多阶特征提取， 得到各所述标准图对应的包括多个不同深度 的子特征的标准特 征； 其中， 所述标准特征中各子特征的深度与所述待检测特征中各子特征的深度对应相 同。 3.根据权利要求1所述的目标检测方法， 其特征在于， 所述目标子特征的尺寸为M*M， 所 述标准特征中与所述 目标子特征深度相同的子特征的尺寸为N*N， 所述预设卷积核为尺寸 为1*N的N个卷积核； 其中， M与N 为正整数； 所述将所述待检测特征中的目标子特征与 预设卷积核进行卷积运算， 得到第 三卷积结 果； 并将所述第三卷积结果与所述预设卷积核的转置进 行卷积运算， 得到第一卷积结果， 包 括： 将尺寸为M*M的目标子特征与尺寸为1*N的N个预设卷积核进行卷积运算， 得到包括N个 尺寸为M* （M‑N+1） 的特 征的第三卷积结果； 将所述第三卷积结果与尺寸为N*1的N个预设卷积核的转置进行卷积运算， 得到包括N* N个尺寸为(M‑N+1)*(M‑N+1)的特 征的第一卷积结果； 所述将所述标准特征中与所述目标子特征深度相同的子特征与所述预设卷积核进行 卷积运算， 得到第四卷积结果； 并将各所述第四卷积结果分别与所述预设卷积核的转置进 行卷积运算， 得到第二卷积结果， 包括：权　利　要　求　书 1/3 页 2 CN 115100441 B 2将尺寸为N*N的所述特征与尺寸为1*N的N个预设卷积核进行卷积运算， 得到包括N个尺 寸为N*1的特征的第四卷积结果； 将所述第四卷积结果与尺寸为N*1的N个预设卷积核的转置进行卷积运算， 得到包括N* N个尺寸为1*1的特 征的第二卷积结果。 4.根据权利要求1 ‑3任一项所述的目标检测方法， 其特征在于， 目标检测网络包括相互 级联的特 征提取网络以及特 征匹配网络； 所述分别对所述待检测图以及各标准图进行特征提取， 得到所述待检测图的待检测特 征以及各 所述标准图的标准特 征， 包括： 通过所述目标检测网络的特征提取网络分别对所述待检测图以及各标准图进行特征 提取， 得到所述待检测图的待检测特 征以及各 所述标准图的标准特 征； 所述将所述待检测特征分别与各所述标准特征进行特征匹配， 得到至少一个匹配结 果， 包括： 通过所述目标检测网络的特征匹配网络分别将所述待检测特征与各所述标准特征进 行特征匹配， 得到 至少一个匹配结果； 所述基于各 所述匹配结果， 确定所述目标对象的检测结果， 包括： 通过所述特征匹配网络基于各 所述匹配结果， 确定所述目标对象的检测结果。 5.根据权利要求4所述的目标检测方法， 其特征在于， 所述通过所述特征匹配网络基于 各所述匹配结果， 确定所述目标对象的检测结果， 包括： 通过所述特征匹配网络分别对各所述匹配结果进行卷积处理， 确定各所述匹配结果对 应的分类得分矩阵和坐标定位矩阵； 基于所述匹配结果对应的坐标定位矩阵计算得到目标对象在所述待检测图上的目标 框的坐标值； 以及 基于所述匹配结果对应的分类得分矩阵计算得到所述待检测图上各像素点为目标对 象的概率； 基于各所述匹配结果对应的目标对象在所述待检测图上的目标框的坐标值以及所述 待检测图上 各像素点 为目标对象的概 率， 计算得到所述目标对象的检测结果。 6.根据权利要求4所述的目标检测方法， 其特征在于， 所述获取到包含目标对象的待检 测图以及至少一张所述目标对象的标准图之前， 包括： 获取到包括目标对象的训练图像， 并从所述训练图像中截取包括目标对象的模板图 像； 其中， 所述模板图像上 标注有训练标签； 通过训练中的目标检测网络的特征提取网络分别对所述训练图像以及所述模板图像 进行特征提取， 以提取 出所述训练图像的训练特 征以及所述模板图像的模板特 征； 通过训练中的目标检测网络的特征匹配网络分别将所述训练特征与模板特征进行特 征匹配， 得到所述训练图像与所述模板图像之间的匹配结果； 基于所述匹配结果对训练中的目标检测网络进行训练， 直至得到训练完成的目标检测 网络。 7.根据权利要求6所述的目标检测方法， 其特征在于， 所述通过训练中的目标检测网络 的特征提取网络分别对所述训练图像以及所述模板图像进 行特征提取， 以提取出所述训练 图像的训练特 征以及所述模板图像的模板特 征， 包括：权　利　要　求　书 2/3 页 3 CN 115100441 B 3