本技术涉及识别，尤其涉及一种目标检测方法、装置、设备及存储介质。
背景技术：
1、在智能驾驶领域，精确感知驾驶环境是至关重要的，鉴于驾驶场景中目标种类繁多如车辆、行人以及红绿灯信号等，而这些目标形态各异，大小不一，因此现有方案一般通过深度学习方案实现道路目标的检测。
2、基于深度学习的目标检测模型主要可分为两大类，包括基于欧式空间的单阶段检测网络和两阶段检测网络；单阶段目标检测算法采用回归方式，通过卷积网络直接预测出目标的分类概率及其位置坐标，这种方法因无需生成候选区域，故而检测速度迅捷，但在检测精度上不足。相对而言，两阶段检测算法则首先在特征提取网络生成的特征图上提取大量锚定框，并锁定包含目标位置信息的锚定框，但由于锚定框数量众多，虽其检测精度较单阶段算法有显著提升，但检测速度相对降低。
3、因此现有技术在对道路目标进行检测时，在检测精度以及检测速度方面仍有所欠缺。
技术实现思路
1、本技术提供一种目标检测方法、装置、设备及存储介质，用以解决现有技术在对道路目标进行检测时，在检测精度以及检测速度方面仍有所欠缺的问题。
2、第一方面，本技术提供一种目标检测方法，包括：
3、获取样本图像集，所述样本图像集包括多张采集图像，所述采集图像用于指示车辆传感器预先采集的各类型道路目标，并将各所述采集图像映射至黎曼空间，以获取各类型道路目标对应的黎曼均值，将所述样本图像集和各所述黎曼均值作为训练数据；
4、构建卷积神经网络，将所述训练数据输入至所述卷积神经网络进行训练，并将训练好的卷积神经网络作为目标检测模型，所述目标检测模型包括主干网络、颈部网络和头部网络，其中，根据各所述黎曼均值，获取所述主干网络中加权特征层的各卷积核的目标权重；
5、获取实时图像，并将所述实时图像输入至所述主干网络，并通过各卷积核的所述目标权重采集所述实时图像的目标特征信息，基于所述目标特征信息，通过所述头部网络输出锚定框和置信度，所述锚定框用于指示所述实时图像中各目标的种类和位置。
6、在一种可能的设计中，所述将各所述采集图像映射至黎曼空间，包括：
7、提取各采集图像中的目标区域，相同类型目标区域放缩至同一大小，所述放缩后的大小根据各目标区域尺度的聚类中心确定；
8、获取各所述放缩后的采集图像中目标区域的协方差矩阵，所述协方差矩阵用于指示各所述采集图像中目标区域的特征信息；
9、将各所述协方差矩阵进行正则化处理，以获取对应的对称正定矩阵，并将各所述对称正定矩阵映射至所述黎曼空间，以在所述黎曼空间中，获取多个不同类型的道路目标样本点群；
10、其中，所述道路目标样本点群包括多个相同类型的道路目标黎曼映射点，根据各所述道路目标样本点群获取对应的所述黎曼均值。
11、在一种可能的设计中，所述根据各所述道路目标样本点群获取对应的所述黎曼均值，包括：
12、通过对各所述道路目标样本点群进行聚类，以获取黎曼均值，通过所述黎曼均值指示对应所述道路目标样本点群的样本中心点；
13、在训练所述卷积神经网络过程中，获取主干网络特征层的特征通道中的图像，通过计算主干网络各特征层中特征通道提取的目标区域与同类型的黎曼均值之间的黎曼距离，计算目标权重，对特征通道加权；
14、其中，各所述目标权重与各所述道路目标样本点群指示的道路目标类型对应，所述目标权重与主干网络各特征层中特征通道提取目标区域的能力正相关。
15、在一种可能的设计中，所述获取目标权重值，包括：
16、在训练所述卷积神经网络过程中，通过卷积网络的尺度不变性获取主干网络特征层的特征通道提取的特征图中目标区域，计算所述提取的目标区域与同类型的黎曼均值之间的目标黎曼距离，对特征通道加权，所述目标黎曼距离用于指示提取的目标区域与所述同类型黎曼均值的相似度；
17、根据所述目标黎曼距离，计算主干网络特征层中各特征通道的权重，将权重作用于各特征通道上，获取加权调整后的特征通道参数。
18、在一种可能的设计中，所述计算主干网络各特征层中特征通道的权重并作用于特征通道，包括：
19、将各所述目标黎曼距离进行归一化处理，以获取多个归一黎曼距离，根据各所述归一黎曼距离获取对应的权重，并作为所述主干网络特征层中各对应特征通道的权重；
20、在一种可能的设计中，所述基于所述目标特征信息，通过所述头部网络输出锚定框和置信度，包括：
21、通过所述颈部网络对各所述目标特征信息进行融合，以获取特征融合信息，根据所述特征融合信息，头部网络生成各所述道路目标的候选框集合并给出置信度，各所述候选框集合指针对图像中的某个道路目标会给出多个候选框；
22、通过软非极大值抑制算法，在各所述候选框集合中对属于同个目标的候选框筛选，获取各所述道路目标的所述锚定框。
23、在一种可能的设计中，所述通过软非极大值抑制算法，在各所述候选框集合中获取各所述道路目标的所述锚定框，包括：
24、获取所述候选框集合中各候选框的置信度，并根据各置信度获取目标候选框和待处理候选框，其中，所述目标候选框用于指示置信度最高的候选框，所述待处理候选框用于指示与所述目标候选框的交并比，大于阈值的候选框；
25、将所述目标候选框和待处理候选框映射至黎曼空间，以获取候选黎曼距离，所述候选黎曼距离用于指示所述目标候选框和所述待处理候选框，各对应映射点在黎曼空间的距离，并根据所述候选黎曼距离获取调整置信度，将所述调整置信度作为所述待处理候选框的新置信度，以实现对所述候选框集合中各候选框的置信度更新；
26、基于迭代更新后的所述候选框集合，将置信度最高对应的候选框作为所述锚定框。
27、第二方面，本技术提供一种目标检测装置，包括：
28、获取模块，用于获取样本图像集，所述样本图像集包括多张采集图像，所述采集图像用于指示车辆传感器预先采集的各类型道路目标，并将各所述采集图像映射至黎曼空间，以获取各类型道路目标对应的黎曼均值，将所述样本图像集和各所述黎曼均值作为训练数据；
29、处理模块，用于构建卷积神经网络，将所述训练数据输入至所述卷积神经网络进行训练，并将训练好的卷积神经网络作为目标检测模型，所述目标检测模型包括主干网络、颈部网络和头部网络，其中，根据各所述黎曼均值，获取所述主干网络中加权特征层的各卷积核的目标权重；
30、执行模块，用于获取实时图像，并将所述实时图像输入至所述主干网络，并通过各卷积核的所述目标权重采集所述实时图像的目标特征信息，基于所述目标特征信息，通过所述头部网络输出锚定框和置信度，所述锚定框用于指示所述实时图像中各目标的种类和位置。
31、第三方面，本技术提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；
32、所述存储器存储计算机执行指令；
33、所述处理器执行所述存储器存储的计算机执行指令，以实现目标检测方法。
34、第四方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现目标检测方法。
35、本技术提供的目标检测方法、装置、设备及存储介质，通过将样本图像集中各采集图像，映射至黎曼空间，以获取各类型道路目标对应的黎曼均值，将样本图像集和各黎曼均值作为训练数据，输入至预设的卷积神经网络进行训练，并将训练好的卷积神经网络作为目标检测模型，在实时图像处理过程中，将实时图像输入至目标检测模型的主干网络，通过加权训练后的主干网络采集实时图像的目标特征信息，基于目标特征信息，头部网络输出基于黎曼距离的软非极大值抑制处理后的用于指示实时图像中各目标的种类和位置信息。通过计算黎曼距离对主干网络中部分卷积核加权和改善软非极大值抑制提高了目标特征的特征提取能力，提升了目标检测精度，同时不增加检测时间。
1.一种目标检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将各所述采集图像中目标区域映射至黎曼空间，包括：
3.根据权利要求2所述的方法，其特征在于，所述根据各所述道路目标样本点群获取对应的所述黎曼均值，包括：
4.根据权利要求3所述的方法，其特征在于，所述获取目标权重值，包括：
5.根据权利要求4所述的方法，其特征在于，所述计算主干网络各特征层中特征通道的权重并作用于特征通道，包括：
6.根据权利要求1所述的方法，其特征在于，所述基于所述目标特征信息，通过所述头部网络输出锚定框和置信度，包括：
7.根据权利要求6所述的方法，其特征在于，所述通过软非极大值抑制算法，在各所述候选框集合中获取各所述道路目标的所述锚定框，包括：
8.一种目标检测装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至7任一项所述的方法。
