CN108710885A - 目标对象的检测方法和装置 - Google Patents
目标对象的检测方法和装置 Download PDFInfo
- Publication number
- CN108710885A CN108710885A CN201810270483.5A CN201810270483A CN108710885A CN 108710885 A CN108710885 A CN 108710885A CN 201810270483 A CN201810270483 A CN 201810270483A CN 108710885 A CN108710885 A CN 108710885A
- Authority
- CN
- China
- Prior art keywords
- image
- target object
- network
- detected
- detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请实施例公开了目标对象的检测方法和装置。该方法的一具体实施方式包括:利用已训练的目标检测模型中的特征提取网络对已获取的待检测图像进行特征提取,得到待检测图像的特征图;利用目标检测模型中的目标对象检测网络对待检测图像的特征图进行处理,得到待检测图像中所包含的目标对象的检测结果,目标对象检测网络用于检测图像中的目标对象;利用目标检测模型中的质量检测网络对待检测图像的特征图进行处理,得到待检测图像中所包含的目标对象的成像质量的检测结果,质量检测网络用于检测图像中的目标对象的成像质量。该实施方式提升了目标对象检测的效率。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及人工智能技术领域,尤其涉及目标对象的检测方法和装置。
背景技术
图像处理技术在航空航天、公共安全、生物医学、电子商务、多媒体等领域都具有巨大的应用价值和广泛的应用市场。其中,目标检测及跟踪技术经过长时间的研究,已经取得了长足的发展与进步,以人、车辆等对象为目标的目标检测算法研究已经成为一个研究方向众多并有着广泛应用于前景的学术和科技领域。
在目标检测及跟踪技术中,需要从拍摄的视频中检测并跟踪目标,具体需要从多帧图像中选择成像质量较好的图像来进行检测并跟踪目标的运动轨迹,其中成像质量可能受到目标的非配合状态、目标发生运动或摄像头参数的影响。现有的目标检测和跟踪算法中,需要基于目标的位置检测和跟踪、成像质量判断等任务分别构建模型,将图像分别输入这些模型得出相应的检测结果。
发明内容
本申请实施例提出了目标对象的检测方法和装置。
第一方面,本申请实施例提供了一种目标对象的检测方法,包括:利用已训练的目标检测模型中的特征提取网络对已获取的待检测图像进行特征提取,得到待检测图像的特征图;利用目标检测模型中的目标对象检测网络对待检测图像的特征图进行处理,得到待检测图像中所包含的目标对象的检测结果,目标对象检测网络用于检测图像中的目标对象;利用目标检测模型中的质量检测网络对待检测图像的特征图进行处理,得到待检测图像中所包含的目标对象的成像质量的检测结果,质量检测网络用于检测图像中的目标对象的成像质量。
在一些实施例中,上述质量检测网络包括以下至少一项:姿态检测网络、遮挡程度检测网络和模糊程度检测网络;利用目标检测模型中的质量检测网络对待检测图像的特征图进行处理,得到待检测图像中所包含的目标对象的成像质量的检测结果,包括以下至少一项:将待检测图像的特征图输入姿态检测网络,得到待检测图像中所包含的目标对象的姿态检测结果;将待检测图像的特征图输入遮挡程度检测网络,得到待检测图像中所包含的目标对象的遮挡程度检测结果;以及将待检测图像的特征图输入模糊程度检测网络,得到待检测图像中所包含的目标对象的模糊程度检测结果。
在一些实施例中,上述目标检测模型为卷积神经网络;特征提取网络包括至少一个卷积层和至少一个池化层;目标对象检测网络包括至少一个卷积层和至少一个全连接层;质量检测网络包括至少一个卷积层和至少一个全连接层。
在一些实施例中,上述方法还包括:基于训练样本集,采用反向传播算法训练得出目标检测模型,训练样本集包括样本图像和样本图像的标注信息,样本图像的标注信息包括样本图像中的目标对象的位置信息以及样本图像中的目标对象的成像质量。
在一些实施例中,上述基于训练样本集,采用反向传播算法训练得出目标检测模型,包括:将样本图像输入待训练的目标检测模型,得到样本图像中的目标对象的位置信息的预测结果以及样本图像中的目标对象的成像质量的预测结果;基于预设的损失函数,采用反向传播算法迭代调整待训练的目标检测模型的参数,使得损失函数的值满足预设的收敛条件;其中,预设的损失函数包括第一误差函数和第二误差函数,第一误差函数的值用于表征待训练的目标检测模型对样本图像中的目标对象的位置信息的预测误差,第二误差函数的值用于表征待训练的目标检测模型对样本图像中目标对象的成像质量的预测误差。
第二方面,本申请实施例提供了一种目标对象的检测装置,包括:特征提取单元,用于利用已训练的目标检测模型中的特征提取网络对已获取的待检测图像进行特征提取,得到待检测图像的特征图;目标检测单元,用于利用目标检测模型中的目标对象检测网络对待检测图像的特征图进行处理,得到待检测图像中所包含的目标对象的检测结果,目标对象检测网络用于检测图像中的目标对象;质量检测单元,用于利用目标检测模型中的质量检测网络对待检测图像的特征图进行处理,得到待检测图像中所包含的目标对象的成像质量的检测结果,质量检测网络用于检测图像中的目标对象的成像质量。
在一些实施例中,上述质量检测网络包括以下至少一项:姿态检测网络、遮挡程度检测网络和模糊程度检测网络;质量检测单元包括以下至少一项:姿态检测单元,用于将待检测图像的特征图输入姿态检测网络,得到待检测图像中所包含的目标对象的姿态检测结果;遮挡程度检测单元,用于将待检测图像的特征图输入遮挡程度检测网络,得到待检测图像中所包含的目标对象的遮挡程度检测结果;以及模糊程度检测单元,用于将待检测图像的特征图输入模糊程度检测网络,得到待检测图像中所包含的目标对象的模糊程度检测结果。
在一些实施例中,上述目标检测模型为卷积神经网络;特征提取网络包括至少一个卷积层和至少一个池化层;目标对象检测网络包括至少一个卷积层和至少一个全连接层;质量检测网络包括至少一个卷积层和至少一个全连接层。
在一些实施例中,上述装置还包括:训练单元,用于基于训练样本集,采用反向传播算法训练得出目标检测模型,训练样本集包括样本图像和样本图像的标注信息,样本图像的标注信息包括样本图像中的目标对象的位置信息以及样本图像中的目标对象的成像质量。
在一些实施例中,上述训练单元进一步用于按照如下方式训练得出目标检测模型:将样本图像输入待训练的目标检测模型,得到样本图像中的目标对象的位置信息的预测结果以及样本图像中的目标对象的成像质量的预测结果;基于预设的损失函数,采用反向传播算法迭代调整待训练的目标检测模型的参数,使得损失函数的值满足预设的收敛条件;其中,预设的损失函数包括第一误差函数和第二误差函数,第一误差函数的值用于表征待训练的目标检测模型对样本图像中的目标对象的位置信息的预测误差,第二误差函数的值用于表征待训练的目标检测模型对样本图像中目标对象的成像质量的预测误差。
第三方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面提供的目标对象的检测方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现第一方面提供的目标对象的检测方法。
本申请上述实施例的目标对象的检测方法和装置,通过利用已训练的目标检测模型中的特征提取网络对已获取的待检测图像进行特征提取,得到待检测图像的特征图,之后利用目标检测模型中的目标对象检测网络对待检测图像的特征图进行处理,得到待检测图像中所包含的目标对象的检测结果,利用目标检测模型中的质量检测网络对待检测图像的特征图进行处理,得到待检测图像中所包含的目标对象的成像质量的检测结果,其中目标对象检测网络用于检测输入图像中的目标对象,质量检测网络用于检测输入图像中的目标对象的成像质量,实现了多任务单模型的目标检测,能够提升目标检测和跟踪的效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的目标对象的检测方法的一个实施例的流程图;
图3是根据本申请的目标对象的检测方法的一个实施例的实现原理示意图;
图4是根据本申请的目标对象的检测方法的另一个实施例的流程图;
图5是根据本申请的目标对象的检测装置的一个结构示意图;
图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的目标对象的检测方法或目标对象的检测装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104、以及服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103可以通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103可以为运行目标检测模型的电子设备,终端设备上可以安装有各种交互应用。
终端设备101、102、103可以是具有图像采集装置并支持互联网访问的各种电子设备,包括但不限于监控摄像头、智能手机、平板电脑、笔记本电脑等。
服务器105可以是提供目标检测服务的目标检测服务器,服务器可以接收终端设备101、102、103发送的目标对象检测请求,并对目标对象检测请求进行处理,对待检测图像中的目标进行检测和/或目标跟踪,将检测结果和/或跟踪结果返回给终端设备101、102、103。
需要说明的是,服务器105的本地可以直接存储待检测图像,服务器105可以直接提取本地的待检测图像进行检测,此时,示例性系统架构100可以不存在终端设备101、102、103和网络104。
还需要指出的是,终端设备101、102、103中也可以安装有图像处理类应用,终端设备101、102、103也可以基于图像处理类应用对待检测图像进行目标检测,此时,目标对象的检测方法也可以由终端设备101、102、103执行,相应地,目标对象的检测装置也可以设置于终端设备101、102、103中。此时,示例性系统架构100可以不存在服务器105和网络104。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络、服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络、服务器。
继续参考图2,其示出了根据本申请的目标对象的检测方法的一个实施例的流程200。该目标对象的检测方法,包括以下步骤:
步骤201,利用已训练的目标检测模型中的特征提取网络对已获取的待检测图像进行特征提取,得到待检测图像的特征图。
在本实施例中,上述目标对象的检测方法的执行主体可以获取已训练的目标检测模型。该目标检测模型可以包括特征提取网络,该特征提取网络用于提取输入目标检测模型的图像的特征。
已训练的目标检测模型可以是用于检测输入的图像中的目标的模型,在本实施例中,已训练的目标检测模型可以基于神经网络来构建。并且,该目标检测模型可以是采用有监督的机器学习方法训练得出的。
可以将待检测图像输入已训练的目标检测模型中的特征提取网络,特征提取网络可以对待检测图像进行特征提取,生成待检测图像的特征图。在这里,特征图可以是去除待检测图像中的冗余信息、对待检测图像中的关键信息进行提取后生成的图像。
在本实施例的一些可选的实现方式中,上述目标检测模型可以是卷积神经网络,包括多个卷积层,多个池化层以及全连接层。上述特征提取网络可以包括至少一个卷积层和至少一个池化层。待检测图像经过特征提取网络中的至少一个卷积层和至少一个池化层处理后,可以得到特征图。特征提取网络的每个卷积层可以包括多个卷积核,用于提取多个维度的特征,则待检测图像经过特征提取网络之后可以得到多幅特征图。
步骤202,利用目标检测模型中的目标对象检测网络对待检测图像的特征图进行处理,得到待检测图像中所包含的目标对象的检测结果。
在这里,上述已训练的目标检测模型还可以包括目标对象检测网络,目标对象检测网络可以用于检测图像中的目标对象。具体地,目标对象检测网络可以从输入其中的图像中确定出是否存在目标对象,在确定存在目标对象时,可以确定出目标对象在图像中的位置。
目标对象可以是可作为检测目标的对象,在本实施例中,目标对象可以泛指某一类型的对象,例如人脸、车辆、行人等等。这时,目标对象检测可以为人脸检测、车辆检测、行人检测,其目的是检测出图像中的人脸、车辆或行人。目标对象也可以是具有特定特征、区别于其他同类型对象的对象,例如某一特定用户的人脸。这时,目标对象检测的目的可以为对该特定用户的人脸进行检测以确定待检测图像中是否存在该特定用户的人脸、以及当待检测图像中存在该特定用户的人脸时,确定该特定用户的人脸的位置。
在本实施例的一些可选的实现方式中,上述目标检测模型可以是卷积神经网络,上述目标对象检测网络可以是包含该卷积神经网络中的若干层的网络,可以包括至少一个卷积层和至少一个全连接层。目标对象检测网络中的卷积层可以用于对待检测图像的特征图进行卷积运算。目标对象检测网络中的全连接层可以设置于目标对象检测网络中的所有的卷积层之后,用于输出目标对象检测的结果。目标对象的检测结果可以例如为目标对象在图像中的位置信息。可选地,目标对象检测网络还可以包括至少一个池化层,池化层用于对输入该层的图像进行下采样处理。
步骤203,利用目标检测模型中的质量检测网络对待检测图像的特征图进行处理,得到待检测图像中所包含的目标对象的成像质量的检测结果。
在特征提取网络提取出待检测图像的特征图之后,可以将特征图输入待检测图像中的质量检测网络,得到待检测图像的质量检测结果。在这里,质量检测网络可以是由目标检测模型中的一部分层结构形成的网络,可以用于检测图像中的目标对象的成像质量。
在本实施例中,目标对象的成像质量可以包括目标对象的亮度、目标对象的成像尺寸、目标对象的成像畸变等。可选地,目标对象的成像质量可以由包含目标对象的待检测图像的质量来表征。质量检测网络可以对输入的待检测图像的特征图进行多层处理,得出目标对象的成像质量检测结果。
在本实施例的一些可选的实现方式中,上述目标检测模型可以是卷积神经网络,上述质量检测网络可以是包含该卷积神经网络中的若干层的网络,可以包括至少一个卷积层和至少一个全连接层。质量检测网络中的卷积层可以用于对待检测图像的特征图进行卷积运算。质量检测网络中的全连接层可以设置于质量检测网络中的所有的卷积层之后,用于输出目标对象的质量检测的结果。可选地,质量检测网络还可以包括至少一个池化层,池化层用于对输入该层的图像进行下采样处理。
进一步可选地,上述目标对象检测网络也可以包括至少一个卷积层和至少一个全连接层。目标对象检测网络中卷积层的数量可以与质量检测网络中的卷积层的数量相同或不相同。
本申请上述实施例的目标对象的检测方法,可以通过同一个模型实现目标对象的位置及其成像质量的检测,相较于采用多个模型分别执行目标对象检测和目标对象的成像质量检测的方式,本申请上述实施例的方法不需要多次拷贝待检测图像,缩短了图像处理所需要的时间。同时,特征提取网络的输入图像为待检测图像,通常尺寸较大,运算复杂度较高,通过将同一个特征提取网络提取出的特征图分别输入目标对象检测网络和质量检测网络,可以减少重复的特征提取运算,提升模型的运算速度,从而提升目标对象检测的效率。
在上述实施例的一些可选的实现方式中,上述目标对象的成像质量可以包括以下至少一项:目标对象的姿态、目标对象的遮挡程度以及目标对象的模糊程度。上述质量检测网络可以包括以下至少一项:姿态检测网络、遮挡程度检测网络和模糊程度检测网络。其中姿态检测网络用于检测目标对象的姿态。在这里,目标对象的姿态包括目标对象相对于摄像头的偏移角,例如人脸检测场景中采集到的人脸图像中的人脸相对于目标用户正视摄像头时采集到的人脸图像中的人脸的角度。遮挡程度检测网络用于检测目标对象被遮挡的程度,可以用被遮挡的面积占目标对象的总面积的比例来表征,例如人脸被口罩、墨镜等遮挡的程度。模糊程度检测网络用于检测目标对象由于运动或离焦而产生的图像模糊的模糊程度,可以用离焦参数或运动参数来表示。
进一步地,上述利用目标检测模型中的质量检测网络对待检测图像的特征图进行处理,得到待检测图像中所包含的目标对象的成像质量的检测结果的步骤203,可以包括以下至少一项:将待检测图像的特征图输入姿态检测网络,得到待检测图像中所包含的目标对象的姿态检测结果;将待检测图像的特征图输入遮挡程度检测网络,得到待检测图像中所包含的目标对象的遮挡程度检测结果;以及将待检测图像的特征图输入模糊程度检测网络,得到待检测图像中所包含的目标对象的模糊程度检测结果。也就是说,可以将特征提取网络提取出的待检测图像的特征图分别输入质量检测网络中用于检测影响成像质量的各个因素的质量的网络,得到各个因素的质量的检测结果。这样,可以更准确地评估待检测图像中所包含的目标对象的成像质量。这里的质量因素可以包括但不限于目标对象的姿态、目标对象被遮挡的程度以及目标对象的模糊程度。
请参考图3,其示出了根据本申请的目标对象的检测方法的一个实施例的实现原理示意图。
如图3所示,可以将待检测图像I输入目标检测模型中的特征提取网络Net0,其中目标检测模型可以例如为卷积神经网络,特征提取网络Net0可以包括至少一个卷积层和至少一个池化层,待检测图像I经过至少一层的卷积处理和至少一层的池化处理之后,得到特征图F。在这里,若特征提取网络Net0的卷积层中的卷积核数量大于1,则可以提取出多个维度的特征,得到多幅特征图F。
之后可以将特征提取网络提取出的特征图F分别输入目标对象检测网络Net1、姿态检测网络Net2、遮挡程度检测网络Net3以及模糊程度检测网络Net4,得到待检测图像中的目标对象的检测结果f 1、待检测图像中的目标对象的姿态检测结果f 2、待检测图像中的目标对象的遮挡程度检测结果f 3以及待检测图像中的目标对象的模糊程度检测结果f4。在这里,目标对象检测网络Net1、姿态检测网络Net2、遮挡程度检测网络Net3以及模糊程度检测网络Net4分别可以包含至少一个卷积层、至少一个池化层以及至少一个全连接层。这样,在实现目标对象检测的同时实现了目标对象的质量检测,在应用于基于视频序列的目标跟踪时能够根据目标对象的质量检测结果快速筛选出质量较好的图像帧进行目标跟踪,有利于提升目标跟踪的精度。同时,通过特征提取网络Net0对输入的较大尺寸的待检测图像I进行特征提取后,得到尺寸较小的特征图,目标对象检测网络和各质量检测网络分别对尺寸较小的特征图进行处理,即目标检测及各质量因素的质量检测共用相同的图像特征提取结果,能够有效减少重复的运算,提升目标检测模型的运算效率。
继续参考图4,其示出了根据本申请的目标对象的检测方法的另一个实施例的流程图。如图4所示,本实施例的目标对象的检测方法的流程400,包括以下步骤:
步骤401,基于训练样本集,采用反向传播算法训练得出目标检测模型。
在本实施例中,可以采用机器学习算法对构建的初始模型进行训练,得到目标检测模型。具体可以基于训练样本集,采用反向传播算法对构建的初始模型进行训练。其中,训练样本集可以包括样本图像和样本图像的标注信息,样本图像的标注信息可以包括样本图像中的目标对象的位置信息以及样本图像中的目标对象的成像质量。
可以从网络中已有的图像库选择图像来构建样本图像,并对样本图像中的目标对象的位置信息及样本图像中的目标对象的成像质量进行标注来构建样本图像集。例如在人脸检测场景中,可以将监控视频的每帧图像作为样本图像,将其中的人脸标注出来,并标注每个人脸的成像质量。标注的成像质量可以包括各质量因素的质量分数,例如清晰度分数、模糊程度分数、姿态分数等等。这样,训练得到的目标检测模型可以同时检测出待检测图像中的多个目标对象、以及每个目标对象的成像质量。
然后可以利用待训练的目标检测模型对训练样本集中的样本图像所包含的目标对象进行检测,以预测目标对象的位置和目标对象的成像质量,通过反向传播算法将待训练的目标检测模型的预测误差传回至待训练的目标检测模型中,不断优化待训练的目标检测模型,得到训练好的目标检测模型。其中,待训练的目标检测模型可以包括待训练的特征提取网络、待训练的目标对象检测网络以及待训练的质量检测网络。
在一些可选的实现方式中,可以按照如下方式训练上述目标检测模型:首先将样本图像输入待训练的目标检测模型,得到样本图像中的目标对象的位置信息的预测结果以及样本图像中的目标对象的成像质量的预测结果;然后基于预设的损失函数,采用反向传播算法迭代调整待训练的目标检测模型的参数,使得损失函数的值满足预设的收敛条件。其中,预设的损失函数包括第一误差函数和第二误差函数,第一误差函数的值用于表征待训练的目标检测模型对样本图像中的目标对象的位置信息的预测误差,第二误差函数的值用于表征待训练的目标检测模型对样本图像中目标对象的成像质量的预测误差。待训练的目标检测模型对样本图像中的目标对象的位置信息的预测误差可以由样本图像中的目标对象的位置信息的预测结果与对应的样本图像的标注信息中目标对象的位置信息之间的差异来表征,待训练的目标检测模型对样本图像中的目标对象的成像质量的预测误差可以由样本图像中的目标对象的成像质量的预测结果与对应的样本图像的标注信息中目标对象的成像质量之间的差异来表征。
在采用反向传播算法迭代调整待训练的目标检测模型的参数时,可以构建包含上述第一预测误差L1和第二预测误差L2的损失函数L,L=λ1L1+λ2L2,其中,λ1、λ2分别为预设的第一误差函数L1和第二误差函数L1的权重。可选地,λ1+λ2=1。可以计算当前迭代完成后损失函数L的值是否满足预设的收敛条件,例如判断损失函数L的值是否小于预设的阈值,或判断最近几次迭代中损失函数L的值的变化是否不大于预设的变化量。若损失函数的值不满足预设的收敛条件,则计算损失函数L关于待训练的目标检测模型中各个参数的梯度,采用梯度下降法更新待训练的目标检测模型中的参数,得到迭代更新后的待训练的目标检测模型,重新执行上述预测样本图像中的目标对象的位置信息和成像质量的操作,并判断损失函数L的值是否满足预设的收敛条件。这样,通过不断将预测误差传回至目标检测模型的参数调整中,使得模型的预测结果逼近标注信息,最终当模型的预测误差缩小至一定范围时停止迭代调整模型参数,得到训练好的目标检测模型。
上述标注信息中,目标对象的成像质量可以包括目标对象的姿态、目标对象的遮挡程度、目标对象的模糊程度中的一项或多项。对于每幅样本图像,可以标注上述成像质量中的一项或多项。上述损失函数中第二误差函数L2=λ21L21+λ22L22+λ23L23,其中L21、L22、L23分别表示对目标对象的姿态、目标对象的遮挡程度、目标对象的模糊程度的预测误差,λ21、λ22、λ23分别表示对目标对象的姿态的预测误差的权重、目标对象的遮挡程度的预测误差的权重、目标对象的模糊程度的预测误差的权重,λ21+λ22+λ23=1。
通过在训练过程中基于目标对象检测网络和成像质量检测网络的联合预测误差来调整整个目标检测模型的参数,可以利用目标对象检测网络的预测结果辅助训练质量检测网络的参数,同时利用质量检测网络的预测结果辅助训练目标对象检测网络的参数,使得训练得到的目标检测模型可以实现目标检测和质量检测效果的全局优化。
步骤402,利用目标检测模型中的目标对象检测网络对待检测图像的特征图进行处理,得到待检测图像中所包含的目标对象的检测结果。
目标对象可以是可作为检测目标的对象。目标对象检测网络可以从输入其中的图像中确定出是否存在目标对象,在确定存在目标对象时,可以确定出目标对象在图像中的位置信息。
在本实施例的一些可选的实现方式中,上述目标检测模型可以是卷积神经网络,上述目标对象检测网络可以是包含该卷积神经网络中的若干层的网络,可以包括至少一个卷积层和至少一个全连接层。
步骤203,利用目标检测模型中的质量检测网络对待检测图像的特征图进行处理,得到待检测图像中所包含的目标对象的成像质量的检测结果。
在特征提取网络提取出待检测图像的特征图之后,可以将特征图输入待检测图像中的质量检测网络,得到待检测图像的质量检测结果。在这里,质量检测网络可以是由目标检测模型中的一部分层结构形成的网络,可以用于检测图像中的目标对象的成像质量。
质量检测网络可以对输入的待检测图像的特征图进行多层处理,得出目标对象的成像质量检测结果。
在本实施例的一些可选的实现方式中,上述目标检测模型可以是卷积神经网络,上述质量检测网络可以是包含该卷积神经网络中的若干层的网络,可以包括至少一个卷积层和至少一个全连接层。
进一步可选地,上述目标对象检测网络也可以包括至少一个卷积层和至少一个全连接层。目标对象检测网络中卷积层的数量可以与质量检测网络中的卷积层的数量相同或不相同。
上述步骤402、步骤403、步骤404与前述实施例的步骤201、步骤202、步骤203相同,上文针对步骤201、步骤202、步骤203的描述也适用于步骤402、步骤403、步骤404,此处不再赘述。
本实施例的目标对象的检测方法中,通过利用基于包含样本图像及其标注信息的训练样本集训练得出的目标检测模型来检测待检测图像中目标对象及目标对象的成像质量,有效利用了目标对象的位置检测和目标对象的成像质量检测之间的关联性,能够提升模型的检测精度,缩短模型的训练时间,进而提升检测精度。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种目标对象的检测装置的一个实施例,该装置实施例与图2和图4所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的目标对象的检测装置500包括:特征提取单元501、目标检测单元502以及质量检测单元503。其中,特征提取单元501可以用于利用已训练的目标检测模型中的特征提取网络对已获取的待检测图像进行特征提取,得到待检测图像的特征图;目标检测单元502可以用于利用目标检测模型中的目标对象检测网络对待检测图像的特征图进行处理,得到待检测图像中所包含的目标对象的检测结果,其中,目标对象检测网络用于检测图像中的目标对象;质量检测单元503可以用于利用目标检测模型中的质量检测网络对待检测图像的特征图进行处理,得到待检测图像中所包含的目标对象的成像质量的检测结果,其中,质量检测网络用于检测图像中的目标对象的成像质量。
在一些实施例中,上述质量检测网络可以包括以下至少一项:姿态检测网络、遮挡程度检测网络和模糊程度检测网络。质量检测单元503可以包括以下至少一项:姿态检测单元,用于将待检测图像的特征图输入姿态检测网络,得到待检测图像中所包含的目标对象的姿态检测结果;遮挡程度检测单元,用于将待检测图像的特征图输入遮挡程度检测网络,得到待检测图像中所包含的目标对象的遮挡程度检测结果;以及模糊程度检测单元,用于将待检测图像的特征图输入模糊程度检测网络,得到待检测图像中所包含的目标对象的模糊程度检测结果。
在一些实施例中,上述目标检测模型可以为卷积神经网络;特征提取网络可以包括至少一个卷积层和至少一个池化层;目标对象检测网络可以包括至少一个卷积层和至少一个全连接层;质量检测网络可以包括至少一个卷积层和至少一个全连接层。
在一些实施例中,上述装置500还可以包括:训练单元,用于基于训练样本集,采用反向传播算法训练得出目标检测模型,训练样本集包括样本图像和样本图像的标注信息,样本图像的标注信息包括样本图像中的目标对象的位置信息以及样本图像中的目标对象的成像质量。
在一些实施例中,上述训练单元可以进一步用于按照如下方式训练得出目标检测模型:将样本图像输入待训练的目标检测模型,得到样本图像中的目标对象的位置信息的预测结果以及样本图像中的目标对象的成像质量的预测结果;基于预设的损失函数,采用反向传播算法迭代调整待训练的目标检测模型的参数,使得损失函数的值满足预设的收敛条件;其中,预设的损失函数包括第一误差函数和第二误差函数,第一误差函数的值用于表征待训练的目标检测模型对样本图像中的目标对象的位置信息的预测误差,第二误差函数的值用于表征待训练的目标检测模型对样本图像中目标对象的成像质量的预测误差。
装置500中记载的诸单元与参考图2和图4描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作和特征同样适用于装置500及其中包含的单元,在此不再赘述。
本申请上述实施例的目标对象的检测装置,首先特征提取单元利用已训练的目标检测模型中的特征提取网络对已获取的待检测图像进行特征提取,得到待检测图像的特征图,之后目标检测单元利用目标检测模型中的目标对象检测网络对待检测图像的特征图进行处理,得到待检测图像中所包含的目标对象的检测结果,质量检测单元利用目标检测模型中的质量检测网络对待检测图像的特征图进行处理,得到待检测图像中所包含的目标对象的成像质量的检测结果,其中目标对象检测网络用于检测输入图像中的目标对象,质量检测网络用于检测输入图像中的目标对象的成像质量,实现了多任务单模型的目标检测,能够同时检测目标对象的位置和成像质量,并且可以提升目标检测和跟踪的效率。
下面参考图6,其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央生成单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央生成单元(CPU)601执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括特征提取单元、目标检测单元和质量检测单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,特征提取单元还可以被描述为“利用已训练的目标检测模型中的特征提取网络对已获取的待检测图像进行特征提取,得到待检测图像的特征图”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:利用已训练的目标检测模型中的特征提取网络对已获取的待检测图像进行特征提取,得到待检测图像的特征图;
利用所述目标检测模型中的目标对象检测网络对所述待检测图像的特征图进行处理,得到所述待检测图像中所包含的目标对象的检测结果,所述目标对象检测网络用于检测图像中的目标对象;
利用所述目标检测模型中的质量检测网络对所述待检测图像的特征图进行处理,得到所述待检测图像中所包含的目标对象的成像质量的检测结果,所述质量检测网络用于检测图像中的目标对象的成像质量。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种目标对象的检测方法,包括:
利用已训练的目标检测模型中的特征提取网络对已获取的待检测图像进行特征提取,得到待检测图像的特征图;
利用所述目标检测模型中的目标对象检测网络对所述待检测图像的特征图进行处理,得到所述待检测图像中所包含的目标对象的检测结果,其中,所述目标对象检测网络用于检测图像中的目标对象;
利用所述目标检测模型中的质量检测网络对所述待检测图像的特征图进行处理,得到所述待检测图像中所包含的目标对象的成像质量的检测结果,其中,所述质量检测网络用于检测图像中的目标对象的成像质量。
2.根据权利要求1所述的方法,其中,所述质量检测网络包括以下至少一项:姿态检测网络、遮挡程度检测网络和模糊程度检测网络;
所述利用所述目标检测模型中的质量检测网络对所述待检测图像的特征图进行处理,得到所述待检测图像中所包含的目标对象的成像质量的检测结果,包括以下至少一项:
将所述待检测图像的特征图输入所述姿态检测网络,得到所述待检测图像中所包含的目标对象的姿态检测结果;
将所述待检测图像的特征图输入所述遮挡程度检测网络,得到所述待检测图像中所包含的目标对象的遮挡程度检测结果;以及
将所述待检测图像的特征图输入所述模糊程度检测网络,得到所述待检测图像中所包含的目标对象的模糊程度检测结果。
3.根据权利要求1所述的方法,其中,所述目标检测模型为卷积神经网络;
所述特征提取网络包括至少一个卷积层和至少一个池化层;
所述目标对象检测网络包括至少一个卷积层和至少一个全连接层;
所述质量检测网络包括至少一个卷积层和至少一个全连接层。
4.根据权利要求1-3任一项所述的方法,其中,所述方法还包括:
基于训练样本集,采用反向传播算法训练得出目标检测模型,所述训练样本集包括样本图像和样本图像的标注信息,所述样本图像的标注信息包括样本图像中的目标对象的位置信息以及样本图像中的目标对象的成像质量。
5.根据权利要求4所述的方法,其中,所述基于训练样本集,采用反向传播算法训练得出目标检测模型,包括:
将所述样本图像输入待训练的目标检测模型,得到所述样本图像中的目标对象的位置信息的预测结果以及样本图像中的目标对象的成像质量的预测结果;
基于预设的损失函数,采用反向传播算法迭代调整待训练的目标检测模型的参数,使得所述损失函数的值满足预设的收敛条件;
其中,所述预设的损失函数包括第一误差函数和第二误差函数,所述第一误差函数的值用于表征所述待训练的目标检测模型对样本图像中的目标对象的位置信息的预测误差,所述第二误差函数的值用于表征所述待训练的目标检测模型对样本图像中目标对象的成像质量的预测误差。
6.一种目标对象的检测装置,包括:
特征提取单元,用于利用已训练的目标检测模型中的特征提取网络对已获取的待检测图像进行特征提取,得到待检测图像的特征图;
目标检测单元,用于利用所述目标检测模型中的目标对象检测网络对所述待检测图像的特征图进行处理,得到所述待检测图像中所包含的目标对象的检测结果,其中,所述目标对象检测网络用于检测图像中的目标对象;
质量检测单元,用于利用所述目标检测模型中的质量检测网络对所述待检测图像的特征图进行处理,得到所述待检测图像中所包含的目标对象的成像质量的检测结果,其中,所述质量检测网络用于检测图像中的目标对象的成像质量。
7.根据权利要求6所述的装置,其中,所述质量检测网络包括以下至少一项:姿态检测网络、遮挡程度检测网络和模糊程度检测网络;
所述质量检测单元包括以下至少一项:
姿态检测单元,用于将所述待检测图像的特征图输入所述姿态检测网络,得到所述待检测图像中所包含的目标对象的姿态检测结果;
遮挡程度检测单元,用于将所述待检测图像的特征图输入所述遮挡程度检测网络,得到所述待检测图像中所包含的目标对象的遮挡程度检测结果;以及
模糊程度检测单元,用于将所述待检测图像的特征图输入所述模糊程度检测网络,得到所述待检测图像中所包含的目标对象的模糊程度检测结果。
8.根据权利要求6所述的装置,其中,所述目标检测模型为卷积神经网络;
所述特征提取网络包括至少一个卷积层和至少一个池化层;
所述目标对象检测网络包括至少一个卷积层和至少一个全连接层;
所述质量检测网络包括至少一个卷积层和至少一个全连接层。
9.根据权利要求6-8任一项所述的装置,其中,所述装置还包括:
训练单元,用于基于训练样本集,采用反向传播算法训练得出目标检测模型,所述训练样本集包括样本图像和样本图像的标注信息,所述样本图像的标注信息包括样本图像中的目标对象的位置信息以及样本图像中的目标对象的成像质量。
10.根据权利要求9所述的装置,其中,所述训练单元进一步用于按照如下方式训练得出目标检测模型:
将所述样本图像输入待训练的目标检测模型,得到所述样本图像中的目标对象的位置信息的预测结果以及样本图像中的目标对象的成像质量的预测结果;
基于预设的损失函数,采用反向传播算法迭代调整待训练的目标检测模型的参数,使得所述损失函数的值满足预设的收敛条件;
其中,所述预设的损失函数包括第一误差函数和第二误差函数,所述第一误差函数的值用于表征所述待训练的目标检测模型对样本图像中的目标对象的位置信息的预测误差,所述第二误差函数的值用于表征所述待训练的目标检测模型对样本图像中目标对象的成像质量的预测误差。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810270483.5A CN108710885B (zh) | 2018-03-29 | 2018-03-29 | 目标对象的检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810270483.5A CN108710885B (zh) | 2018-03-29 | 2018-03-29 | 目标对象的检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108710885A true CN108710885A (zh) | 2018-10-26 |
CN108710885B CN108710885B (zh) | 2021-07-23 |
Family
ID=63866364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810270483.5A Active CN108710885B (zh) | 2018-03-29 | 2018-03-29 | 目标对象的检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108710885B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815964A (zh) * | 2019-01-31 | 2019-05-28 | 北京字节跳动网络技术有限公司 | 提取图像的特征图的方法和装置 |
CN109840528A (zh) * | 2019-01-31 | 2019-06-04 | 北京字节跳动网络技术有限公司 | 提取图像的特征图的方法和装置 |
CN109949281A (zh) * | 2019-03-11 | 2019-06-28 | 哈尔滨工业大学(威海) | 一种胃镜图像质量检测方法及装置 |
CN109978867A (zh) * | 2019-03-29 | 2019-07-05 | 北京百度网讯科技有限公司 | 玩具外表质量检测方法及其相关设备 |
CN110009656A (zh) * | 2019-03-05 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 目标对象的确定方法、装置、存储介质及电子装置 |
CN111126421A (zh) * | 2018-10-31 | 2020-05-08 | 浙江宇视科技有限公司 | 目标检测方法、装置及可读存储介质 |
CN111428875A (zh) * | 2020-03-11 | 2020-07-17 | 北京三快在线科技有限公司 | 图像识别方法、装置及相应模型训练方法、装置 |
CN111461222A (zh) * | 2020-04-01 | 2020-07-28 | 北京爱笔科技有限公司 | 目标物轨迹相似度的获取方法、装置及电子设备 |
CN111862144A (zh) * | 2020-07-01 | 2020-10-30 | 睿视智觉(厦门)科技有限公司 | 一种确定物体移动轨迹分数的方法及装置 |
WO2020258720A1 (zh) * | 2019-06-28 | 2020-12-30 | 深圳市商汤科技有限公司 | 图像采集设备遮挡状态检测方法、装置、设备和存储介质 |
CN112446849A (zh) * | 2019-08-13 | 2021-03-05 | 杭州海康威视数字技术股份有限公司 | 一种处理图片的方法及装置 |
CN112446246A (zh) * | 2019-08-30 | 2021-03-05 | 初速度(苏州)科技有限公司 | 一种图像遮挡检测方法及车载终端 |
CN112488985A (zh) * | 2019-09-11 | 2021-03-12 | 上海高德威智能交通系统有限公司 | 图像质量确定方法、装置及设备 |
CN112633255A (zh) * | 2020-06-18 | 2021-04-09 | 上海高德威智能交通系统有限公司 | 目标检测方法、装置及设备 |
CN113158860A (zh) * | 2021-04-12 | 2021-07-23 | 烽火通信科技股份有限公司 | 基于深度学习多维度输出人脸质量评估方法与电子设备 |
CN113179371A (zh) * | 2021-04-21 | 2021-07-27 | 新疆爱华盈通信息技术有限公司 | 一种拍摄方法、装置及抓拍系统 |
CN113544701A (zh) * | 2020-12-29 | 2021-10-22 | 商汤国际私人有限公司 | 关联对象的检测方法及装置 |
US11157744B2 (en) | 2020-01-15 | 2021-10-26 | International Business Machines Corporation | Automated detection and approximation of objects in video |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915932A (zh) * | 2015-05-19 | 2015-09-16 | 中国电子科技集团公司第五十研究所 | 基于目标特征的全息雷达图像预处理与目标提取方法 |
CN105930868A (zh) * | 2016-04-20 | 2016-09-07 | 北京航空航天大学 | 一种基于层次化增强学习的低分辨率机场目标检测方法 |
CN105975925A (zh) * | 2016-05-03 | 2016-09-28 | 电子科技大学 | 基于联合检测模型的部分遮挡行人检测方法 |
US20170169313A1 (en) * | 2015-12-14 | 2017-06-15 | Samsung Electronics Co., Ltd. | Image processing apparatus and method based on deep learning and neural network learning |
-
2018
- 2018-03-29 CN CN201810270483.5A patent/CN108710885B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915932A (zh) * | 2015-05-19 | 2015-09-16 | 中国电子科技集团公司第五十研究所 | 基于目标特征的全息雷达图像预处理与目标提取方法 |
US20170169313A1 (en) * | 2015-12-14 | 2017-06-15 | Samsung Electronics Co., Ltd. | Image processing apparatus and method based on deep learning and neural network learning |
CN105930868A (zh) * | 2016-04-20 | 2016-09-07 | 北京航空航天大学 | 一种基于层次化增强学习的低分辨率机场目标检测方法 |
CN105975925A (zh) * | 2016-05-03 | 2016-09-28 | 电子科技大学 | 基于联合检测模型的部分遮挡行人检测方法 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126421A (zh) * | 2018-10-31 | 2020-05-08 | 浙江宇视科技有限公司 | 目标检测方法、装置及可读存储介质 |
CN109840528A (zh) * | 2019-01-31 | 2019-06-04 | 北京字节跳动网络技术有限公司 | 提取图像的特征图的方法和装置 |
CN109815964A (zh) * | 2019-01-31 | 2019-05-28 | 北京字节跳动网络技术有限公司 | 提取图像的特征图的方法和装置 |
CN110009656A (zh) * | 2019-03-05 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 目标对象的确定方法、装置、存储介质及电子装置 |
CN109949281A (zh) * | 2019-03-11 | 2019-06-28 | 哈尔滨工业大学(威海) | 一种胃镜图像质量检测方法及装置 |
CN109978867A (zh) * | 2019-03-29 | 2019-07-05 | 北京百度网讯科技有限公司 | 玩具外表质量检测方法及其相关设备 |
WO2020258720A1 (zh) * | 2019-06-28 | 2020-12-30 | 深圳市商汤科技有限公司 | 图像采集设备遮挡状态检测方法、装置、设备和存储介质 |
US11457126B2 (en) | 2019-06-28 | 2022-09-27 | Shenzhen Sensetime Technology Co., Ltd. | Method for detecting blocking state of image acquisition device, electronic device and storage medium |
CN112446849A (zh) * | 2019-08-13 | 2021-03-05 | 杭州海康威视数字技术股份有限公司 | 一种处理图片的方法及装置 |
CN112446246A (zh) * | 2019-08-30 | 2021-03-05 | 初速度(苏州)科技有限公司 | 一种图像遮挡检测方法及车载终端 |
CN112446246B (zh) * | 2019-08-30 | 2022-06-21 | 魔门塔(苏州)科技有限公司 | 一种图像遮挡检测方法及车载终端 |
CN112488985A (zh) * | 2019-09-11 | 2021-03-12 | 上海高德威智能交通系统有限公司 | 图像质量确定方法、装置及设备 |
US11157744B2 (en) | 2020-01-15 | 2021-10-26 | International Business Machines Corporation | Automated detection and approximation of objects in video |
CN111428875A (zh) * | 2020-03-11 | 2020-07-17 | 北京三快在线科技有限公司 | 图像识别方法、装置及相应模型训练方法、装置 |
CN111461222A (zh) * | 2020-04-01 | 2020-07-28 | 北京爱笔科技有限公司 | 目标物轨迹相似度的获取方法、装置及电子设备 |
CN111461222B (zh) * | 2020-04-01 | 2023-05-02 | 北京爱笔科技有限公司 | 目标物轨迹相似度的获取方法、装置及电子设备 |
CN112633255A (zh) * | 2020-06-18 | 2021-04-09 | 上海高德威智能交通系统有限公司 | 目标检测方法、装置及设备 |
CN112633255B (zh) * | 2020-06-18 | 2024-01-23 | 上海高德威智能交通系统有限公司 | 目标检测方法、装置及设备 |
CN111862144A (zh) * | 2020-07-01 | 2020-10-30 | 睿视智觉(厦门)科技有限公司 | 一种确定物体移动轨迹分数的方法及装置 |
CN113544701A (zh) * | 2020-12-29 | 2021-10-22 | 商汤国际私人有限公司 | 关联对象的检测方法及装置 |
CN113158860A (zh) * | 2021-04-12 | 2021-07-23 | 烽火通信科技股份有限公司 | 基于深度学习多维度输出人脸质量评估方法与电子设备 |
CN113179371A (zh) * | 2021-04-21 | 2021-07-27 | 新疆爱华盈通信息技术有限公司 | 一种拍摄方法、装置及抓拍系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108710885B (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108710885A (zh) | 目标对象的检测方法和装置 | |
Chen et al. | An edge traffic flow detection scheme based on deep learning in an intelligent transportation system | |
JP7335274B2 (ja) | ジオロケーションの予測のためのシステムおよび方法 | |
Kyrkou et al. | EmergencyNet: Efficient aerial image classification for drone-based emergency monitoring using atrous convolutional feature fusion | |
CN109214343B (zh) | 用于生成人脸关键点检测模型的方法和装置 | |
US10699195B2 (en) | Training of artificial neural networks using safe mutations based on output gradients | |
CN108985259A (zh) | 人体动作识别方法和装置 | |
CN108520220A (zh) | 模型生成方法和装置 | |
CN107590482A (zh) | 信息生成方法和装置 | |
CN108197623A (zh) | 用于检测目标的方法和装置 | |
CN109410253B (zh) | 用于生成信息的方法、装置、电子设备和计算机可读介质 | |
CN108062780A (zh) | 图像压缩方法和装置 | |
CN108038469A (zh) | 用于检测人体的方法和装置 | |
CN108416324A (zh) | 用于检测活体的方法和装置 | |
CN109255830A (zh) | 三维人脸重建方法和装置 | |
CN108171260A (zh) | 一种图片识别方法及系统 | |
CN108229341A (zh) | 分类方法和装置、电子设备、计算机存储介质、程序 | |
CN109145759A (zh) | 车辆属性识别方法、装置、服务器及存储介质 | |
CN110009614A (zh) | 用于输出信息的方法和装置 | |
CN111310518B (zh) | 图片特征提取方法、目标重识别方法、装置及电子设备 | |
CN107622252A (zh) | 信息生成方法和装置 | |
CN107392189A (zh) | 用于确定无人车的驾驶行为的方法和装置 | |
CN109308490A (zh) | 用于生成信息的方法和装置 | |
CN108509892A (zh) | 用于生成近红外图像的方法和装置 | |
CN109472264A (zh) | 用于生成物体检测模型的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |