CN109740441A - 基于图像识别的目标检测方法、装置及终端设备 - Google Patents
基于图像识别的目标检测方法、装置及终端设备 Download PDFInfo
- Publication number
- CN109740441A CN109740441A CN201811502727.4A CN201811502727A CN109740441A CN 109740441 A CN109740441 A CN 109740441A CN 201811502727 A CN201811502727 A CN 201811502727A CN 109740441 A CN109740441 A CN 109740441A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- study
- target object
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 166
- 238000012360 testing method Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 238000013507 mapping Methods 0.000 claims description 32
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 18
- 241000208340 Araliaceae Species 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 8
- 238000000034 method Methods 0.000 description 28
- 230000006870 function Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 206010021703 Indifference Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明适用于数据处理技术领域,提供了基于图像识别的目标检测方法、装置、终端设备以及计算机可读存储介质,包括:获取与目标物体相关的先验参数,所述先验参数为所述目标物体的颜色、预期占比或预期出现区域,所述目标物体的预期占比是指所述目标物体在图像中所占的比例;在采集到至少两帧待检测图像后,基于所述先验参数对每帧所述待检测图像进行检测;若在任意一帧所述待检测图像中检测出所述目标物体,则根据与所述目标物体对应的检测结果更新所述先验参数,并根据更新后的所述先验参数对后续帧的所述待检测图像进行跟踪检测。本发明根据先验参数对待检测图像进行针对检测,减小了目标检测的工作量,提升了目标检测的效率。
Description
技术领域
本发明属于数据处理技术领域,尤其涉及基于图像识别的目标检测方法、装置、终端设备以及计算机可读存储介质。
背景技术
随着信息技术的发展,目标检测已成为当前的研究热门,广泛应用于门禁、自拍以及路况检测等多种场景,比如从自拍图像中检测出人脸,或者从路况图像中检测出正在行驶的车辆。
在现有技术中,目标检测通常是对图像进行特征点提取,并将符合特定规则的多个特征点所在的区域作为检测结果,在存在至少两帧图像时,通常是对每帧图像进行无差别的特征点提取,导致检测模式僵化和检测效率低下,特别是在利用神经网络对提取出的特征点进行处理的场景中,由于神经网络的处理过程较为复杂,导致较多的计算资源浪费在无效的检测工作上。
发明内容
有鉴于此,本发明实施例提供了基于图像识别的目标检测方法、装置、终端设备以及计算机可读存储介质,以解决现有技术中目标检测的效率低的问题。
本发明实施例的第一方面提供了一种基于图像识别的目标检测方法,包括:
获取与目标物体相关的先验参数,所述先验参数为所述目标物体的颜色、预期占比或预期出现区域,所述目标物体的预期占比是指所述目标物体在图像中所占的比例;
在采集到至少两帧待检测图像后,基于所述先验参数对每帧所述待检测图像进行检测;
若在任意一帧所述待检测图像中检测出所述目标物体,则根据与所述目标物体对应的检测结果更新所述先验参数,并根据更新后的所述先验参数对后续帧的所述待检测图像进行跟踪检测。
本发明实施例的第二方面提供了一种基于图像识别的目标检测装置,包括:
获取单元,用于获取与目标物体相关的先验参数,所述先验参数为所述目标物体的颜色、预期占比或预期出现区域,所述目标物体的预期占比是指所述目标物体在图像中所占的比例;
检测单元,用于在采集到至少两帧待检测图像后,基于所述先验参数对每帧所述待检测图像进行检测;
跟踪单元,用于若在任意一帧所述待检测图像中检测出所述目标物体,则根据与所述目标物体对应的检测结果更新所述先验参数,并根据更新后的所述先验参数对后续帧的所述待检测图像进行跟踪检测。
本发明实施例的第三方面提供了一种终端设备,所述终端设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如下步骤:
获取与目标物体相关的先验参数,所述先验参数为所述目标物体的颜色、预期占比或预期出现区域,所述目标物体的预期占比是指所述目标物体在图像中所占的比例;
在采集到至少两帧待检测图像后,基于所述先验参数对每帧所述待检测图像进行检测;
若在任意一帧所述待检测图像中检测出所述目标物体,则根据与所述目标物体对应的检测结果更新所述先验参数,并根据更新后的所述先验参数对后续帧的所述待检测图像进行跟踪检测。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如下步骤:
获取与目标物体相关的先验参数,所述先验参数为所述目标物体的颜色、预期占比或预期出现区域,所述目标物体的预期占比是指所述目标物体在图像中所占的比例;
在采集到至少两帧待检测图像后,基于所述先验参数对每帧所述待检测图像进行检测;
若在任意一帧所述待检测图像中检测出所述目标物体,则根据与所述目标物体对应的检测结果更新所述先验参数,并根据更新后的所述先验参数对后续帧的所述待检测图像进行跟踪检测。
本发明实施例与现有技术相比存在的有益效果是:
本发明实施例基于获取到的先验参数对至少两帧待检测图像进行检测,若在任意一帧待检测图像中检测出目标物体,则根据与目标物体对应的检测结果更新先验参数,并根据更新后的先验参数对后续帧的待检测图像进行跟踪检测,本发明实施例根据先验参数对图像进行针对检测,从而只对图像的部分区域或根据特定策略进行特征点提取,减小了特征点提取的工作量,提升了目标检测的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的基于图像识别的目标检测方法的实现流程图;
图2是本发明实施例二提供的基于图像识别的目标检测方法的实现流程图;
图3是本发明实施例三提供的基于图像识别的目标检测方法的实现流程图;
图4是本发明实施例四提供的基于图像识别的目标检测方法的实现流程图;
图5是本发明实施例五提供的基于图像识别的目标检测方法的实现流程图;
图6是本发明实施例六提供的基于图像识别的目标检测装置的结构框图;
图7是本发明实施例七提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
图1示出了本发明实施例提供的基于图像识别的目标检测方法的实现流程,详述如下:
在S101中,获取与目标物体相关的先验参数,所述先验参数为所述目标物体的颜色、预期占比或预期出现区域,所述目标物体的预期占比是指所述目标物体在图像中所占的比例。
对于基于图像的目标检测,相较于传统方法中对图像进行无差别检测,在本发明实施例中,首先获取与待检测的目标物体相关的先验参数,该先验参数是用于描述目标物体的参数,比如先验参数可为目标物体的颜色、预期占比或预期出现区域,其中,目标物体的预期占比是指预期的目标物体在整个图像中所占的比例。以上均为先验参数的示例,根据实际应用场景的不同,先验参数还可为更多的其他参数,如形状等,本发明实施例对此不做限定。先验参数可由用户预先进行自定义设置,例如用户根据经验设置先验参数的实际数值,也可基于多张图像分析得到,由多张图像得到先验参数的内容在后文进行具体阐述。
在S102中,在采集到至少两帧待检测图像后,基于所述先验参数对每帧所述待检测图像进行检测。
在获取到先验参数后,通过摄像头采集至少两帧待检测图像,该待检测图像是预期会出现目标物体的图像,举例来说,目标物体可为车辆,则先验参数可为车辆的预期占比,摄像头可为安装在道路上方的固定摄像头,待检测图像为路口的图像,由于路口可能会有车辆驶入,故待检测图像中可能会存在目标物体,即车辆。对于采集到的所有待检测图像,基于先验参数对每帧待检测图像进行检测,直到所有的待检测图像都检测完毕为止。在本发明实施例中对每帧待检测图像进行的检测为针对检测,即根据先验参数的具体类型,只对待检测图像中符合特定规则的部分区域进行检测或根据与先验参数相关的检测策略对待检测图像进行检测,举例来说,若先验参数为目标物体的颜色,如红色,则只对待检测图像中颜色为红色的部分区域进行检测,而不是对待检测图像的所有区域进行检测。值得一提的是,在针对检测的过程中,可基于神经网络进行检测,也可调用开源的检测接口进行检测,本发明实施例对此不做限定。值得一提的是,为了提升检测效果,可预先设置摄像头拍摄待检测图像的拍摄间隔小于预设间隔(预设间隔如1秒),便于后续对目标物体的运动情况进行分析。
可选地,按照采集时间从前到后的顺序对每帧待检测图像进行检测。由于待检测图像是由摄像头采集得到,故在本发明实施例中,可获取采集到的所有待检测图像对应的采集时间,并按照采集时间从前到后的顺序对每帧待检测图像进行检测,提升检测的有序性,也适于目标物体的运动情况。举例来说,待检测图像PictureA的采集时间为早上八点,待检测图像PictureB的采集时间为早上八点零十秒,待检测图像PictureC的采集时间为早上八点零二十秒,则按照PictureA、PictureB和PictureC的顺序对每帧待检测图像进行检测。
在S103中,若在任意一帧所述待检测图像中检测出所述目标物体,则根据与所述目标物体对应的检测结果更新所述先验参数,并根据更新后的所述先验参数对后续帧的所述待检测图像进行跟踪检测。
在检测过程中,若在任意一帧待检测图像中检测出目标物体(检测出目标物体的判定条件可根据实际应用场景进行自由设置,比如说提取出的至少两个特征点符合预设规则),则根据与目标物体对应的检测结果更新先验参数,其中,检测结果的类型与先验参数相关,如先验参数为目标物体的预期占比,则检测结果为目标物体在待检测图像中的实际占比;如先验参数为目标物体的预期出现区域,则检测结果为目标物体在待检测图像中的实际出现区域。举例来说,假如先验参数为目标物体的预期出现区域,具体为图像的左半边,而在待检测图像中检测出目标物体时,目标物体对应的检测结果为图像的右半边,则对先验参数中的预期出现区域进行更新,即更新为图像的右半边。在对先验参数更新完成后,根据更新后的先验参数对后续帧的待检测图像进行跟踪检测,如果在后续的某帧待检测图像中检测出目标物体,则根据该帧的检测结果继续对先验参数进行更新,直到所有的待检测图像都被检测完毕为止。
通过图1所示实施例可知,在本发明实施例中,通过获取与目标物体相关的先验参数,在采集到至少两帧待检测图像后,基于先验参数对每帧待检测图像进行检测,若在任意一帧待检测图像中检测出目标物体,则根据与目标物体对应的检测结果更新先验参数,并根据更新后的先验参数对后续帧的待检测图像进行跟踪检测,本发明实施例通过获取到的先验参数对待检测图像进行针对检测,降低了目标检测的资源消耗。
图2所示,是在本发明实施例一的基础上,对获取与目标物体相关的先验参数的过程进行细化后得到的一种方法。本发明实施例提供了基于图像识别的目标检测方法的实现流程图,如图2所示,该目标检测方法可以包括以下步骤:
在S201中,获取包含所述目标物体的至少两张样本图像,其中,所述样本图像与所述待检测图像位于同一个拍摄场景。
除了自定义先验参数外,在本发明实施例中,还可对以往的图像进行综合分析得到先验参数。首先,获取包含目标物体的至少两张样本图像,为了提升先验参数的准确性,限定该样本图像与待检测图像位于同一个拍摄场景。位于同一个拍摄场景是指样本图像与待检测图像的拍摄位置和拍摄视野相同,假如待检测图像是由一个固定摄像头拍摄得到,则限定样本图像同样也是由该固定摄像头拍摄得到。
在S202中,根据每张所述样本图像中所述目标物体的检测结果统计出目标参数,并对得到的所有所述目标参数进行处理得到所述先验参数。
对于每张样本图像,获取其中对目标物体的检测结果,同样地,检测结果的类型与先验参数相关,为了与先验参数形成区分,将基于该检测结果统计出的参数命名为目标参数,并对得到的所有目标参数进行处理得到先验参数。在本发明实施例中,存在两种对目标参数进行处理的方式:第一种方式为平均处理方式,即对所有的目标参数取平均值得到先验参数,举例来说,假如先验参数为目标物体的预期占比,而目标参数ParameterA为10%,目标参数ParameterB为15%,目标参数ParameterC为20%,则可统计出先验参数(预期占比)为(10%+15%+20%)/3=15%;第二种为多数处理方式,即是将重复率最高的目标参数确定为先验参数,假如先验参数为目标物体的预期占比,而目标参数ParameterD为10%,目标参数ParameterE为15%,目标参数ParameterF为20%,目标参数ParameterG为15%,由于15%的占比的重复率最高,则确定出先验参数(预期占比)为15%。在实际应用场景中,可根据实际需求应用上述两种方式中的任一种。
通过图2所示实施例可知,在本发明实施例中,通过获取包含目标物体的至少两张样本图像,根据每张样本图像中目标物体的检测结果统计出目标参数,并对得到的所有目标参数进行处理得到先验参数,本发明实施例通过对同一拍摄场景下的至少两张样本图像进行分析,提升了先验参数的准确性,避免因用户的经验错误导致的先验参数不准确。
图3所示,是在本发明实施例一的基础上,并在先验参数包括目标物体的预期占比的基础上,对基于先验参数对每帧待检测图像进行检测的过程进行细化后得到的一种方法。本发明实施例提供了基于图像识别的目标检测方法的实现流程图,如图3所示,该目标检测方法可以包括以下步骤:
在S301中,在预设的检测神经网络中构建图像金字塔,其中,所述检测神经网络用于检测图像中是否含有所述目标物体,所述图像金字塔中包括至少两个图像尺寸。
在本发明实施例中,可应用预设的检测神经网络进行目标检测,本发明实施例对检测神经网络的具体类型并不做限定,比如检测神经网络可为卷积神经网络(Convolutional Neural Networks,CNN)。在应用检测神经网络对待检测图像进行目标检测的过程中,由于拍摄到的图像的分辨率通常较高,若直接将原始的待检测图像输入检测神经网络进行处理,则会因为计算量过大导致目标检测的效率低,故在本发明实施例中,在检测神经网络中构建图像金字塔,图像金字塔中包括至少两个图像尺寸,用于对待检测图像进行缩放,其中,图像金字塔可为高斯金字塔或拉普拉斯金字塔等。
在S302中,确定所述先验参数中所述目标物体的预期占比所在的占比区间,并根据预设的映射集查找与所述占比区间对应的至少一个所述图像尺寸,其中,所述映射集中包括不同的所述占比区间与所述图像尺寸之间的映射关系。
在已有图像金字塔的基础上,在本发明实施例中,预先设置并存储不同的占比区间与图像尺寸之间的映射关系,其中,占比区间为目标物体的预期占比的数值范围,为了避免映射混乱,在设置占比区间时,限定不同的占比区间之间不存在重叠区域。由于在目标物体的预期占比越大的情况下,目标物体在图像中的显著性越高,则对于包含数值越大的预期占比的占比区间,在本发明实施例中设置其对应的图像尺寸越小。此外,在映射关系中,一个占比区间与至少一个图像尺寸对应。
将设置的所有映射关系归入至映射集中,其中映射集仅指示对映射关系进行统一存储,而并不是指某一种具体的存储格式。然后,确定先验参数中目标物体的预期占比所在的占比区间,并在映射集中查找与该占比区间对应的映射关系,进一步得到该映射关系中的至少一个图像尺寸。举例来说,搭建的图像金字塔包括320×320、160×160、80×80、40×40和20×20五个图像尺寸,故可预先建立(0,25%]的预期占比与160×160和80×80两个图像尺寸之间的映射关系,建立(25%,50%]的预期占比与80×80和40×40两个图像尺寸之间的映射关系,建立(50%,100%]的预期占比与20×20一个图像尺寸之间的映射关系,并将所有的映射关系归入至映射集中,若先验参数中的目标物体的预期占比为30%,则在映射集中查找到对应的映射关系,得到对应的80×80和40×40两个图像尺寸。
在S303中,根据查找出的所有所述图像尺寸对所述待检测图像进行缩放,并将缩放后的所有所述待检测图像作为输入参数输入至所述检测神经网络。
在查找出先验参数对应的至少一个图像尺寸后,根据查找出的所有图像尺寸对待检测图像进行分别缩放,并将缩放后的所有待检测图像依次作为输入参数输入至检测神经网络中进行目标检测。值得一提的是,虽然可不搭建图像金字塔,直接根据映射集确定与先验参数中目标物体的预期占比对应的图像尺寸,但为了保证在检测神经网络中进行目标检测的通用能力(即对于不存在先验参数的图像仍具备目标检测能力),在本发明实施例中仍要基于至少两个图像尺寸建立图像金字塔,只是在确定与先验参数对应的图像尺寸后,跳过图像金字塔中其他的图像尺寸。
通过图3所示实施例可知,在本发明实施例中,通过在预设的检测神经网络中构建图像金字塔,确定先验参数中目标物体的预期占比所在的占比区间,并根据预设的映射集查找与占比区间对应的至少一个图像尺寸,根据查找出的所有图像尺寸对待检测图像进行缩放,并将缩放后的所有待检测图像作为输入参数输入至检测神经网络,本发明实施例通过确定与先验参数对应的图像尺寸,从而只按照确定出的图像尺寸进行图像缩放及后续检测,而不需要根据图像金字塔中所有的图像尺寸进行缩放及检测,提升了目标检测的效率。
图4所示,是在本发明实施例一的基础上,并在先验参数包括目标物体的预期出现区域的基础上,对基于先验参数对每帧待检测图像进行检测的过程进行细化后得到的一种方法。本发明实施例提供了基于图像识别的目标检测方法的实现流程图,如图4所示,该目标检测方法可以包括以下步骤:
在S401中,根据所述先验参数将所述待检测图像拆分为第一区域图像和第二区域图像,其中,所述第一区域图像是所述先验参数中所述目标物体的预期出现区域在所述待检测图像中对应的部分图像,所述第二区域图像是所述待检测图像中除所述第一区域图像外的图像。
在先验参数包括目标物体的预期出现区域的情况下,根据先验参数将待检测图像拆分为第一区域图像和第二区域图像,其中,第一区域图像是按照先验参数中目标物体的预期出现区域对待检测图像进行截取得到的部分图像,第二区域图像是待检测图像中除目标物体的预期出现区域之外的图像。举例来说,先验参数中目标物体的预期出现区域为待检测图像左侧的50%,故将待检测图像左侧50%的部分图像确定为第一区域图像,将待检测图像右侧50%的部分图像确定为第二区域图像。
在S402中,通过预设的第一检测算法对所述第一区域图像进行检测,并通过预设的第二检测算法对所述第二区域图像进行检测,其中,所述第一检测算法和所述第二检测算法均用于检测所述目标物体,并且所述第一检测算法的检测精度高于所述第二检测算法。
在本发明实施例中应用两种检测算法,即应用第一检测算法和第二检测算法对待检测图像进行分别检测,第一检测算法和第二检测算法都是用于检测目标物体,其区别在于第一检测算法的检测精度高于第二检测算法,检测精度越高,则计算过程越多,检测效果越好,但同时检测速度越慢。具体地,由于第一区域图像是有较大可能出现目标物体的图像,故通过检测精度较高的第一检测算法对第一区域图像进行检测,与之相反的,由于第二区域图像出现目标物体的可能较小,故通过检测精度较低,但检测速度较快的第二检测算法对第二区域图像进行快速检测。值得一提的是,本发明实施例对第一检测算法和第二检测算法的具体类型并不做限定,只要满足第一检测算法的检测精度高于第二检测算法即可。
通过图4所示实施例可知,在本发明实施例中,根据先验参数将待检测图像拆分为第一区域图像和第二区域图像,通过预设的第一检测算法对第一区域图像进行检测,并通过预设的第二检测算法对第二区域图像进行检测,其中,第一检测算法的检测精度高于第二检测算法,本发明实施例基于先验参数对待检测图像进行拆分,并根据不同的检测算法对拆分出的图像进行检测,在不降低检测效果的同时,总体地提升了目标检测的效率。
图5所示,是在本发明实施例一的基础上,并在一帧待检测图像检测出至少两个目标物体的基础上,对根据与目标物体对应的检测结果更新先验参数,并根据更新后的先验参数对后续帧的待检测图像进行跟踪检测的过程进行细化后得到的一种方法。本发明实施例提供了基于图像识别的目标检测方法的实现流程图,如图5所示,该目标检测方法可以包括以下步骤:
在S501中,基于检测出的每个所述目标物体对应的检测结果单独更新所述先验参数,得到至少两个更新后的所述先验参数,其中每个更新后的所述先验参数与检测出的每个所述目标物体对应。
先验参数用于对待检测图像中的目标物体进行预测,但拍摄场景中的检测结果不一定会与先验参数相符,比如在检测路口车辆的拍摄场景中,先验参数指示车辆只会从该路口的上方进入,但在实际中可能会出现车辆逆行或飞跃隔离带等意外情况,导致检测结果与先验参数不符(如车辆从该路口的下方进入)。故在本发明实施例中,若在任意一帧待检测图像中检测到目标物体,则根据目标物体对应的检测结果更新先验参数,并根据更新后的先验参数对后续帧的待检测图像进行跟踪检测,以便于检测目标物体的运动过程。比如先验参数包括目标物体的预期出现区域,具体为待检测图像的左方,但是在某一帧待检测图像中检测到目标物体的出现区域为待检测图像的右方,则将先验参数中目标物体的预期出现区域更新为待检测图像的右方。
在前述基础上,由于待检测图像中包含的目标物体的数量不定,比如在拍摄人脸进行签到的拍摄场景中,如果待检测图像中包含目标物体,则目标物体的数量通常只为一个;比如在检测路口车辆的拍摄场景中,如果待检测图像中包含目标物体,则目标物体的数量通常为至少两个。针对在一帧待检测图像检测出至少两个目标物体的情况,本发明实施例基于检测出的每个目标物体进行后续的跟踪检测,具体基于检测出的每个目标物体对应的检测结果单独更新先验参数,得到至少两个更新后的先验参数,其中每个更新后的先验参数与检测出的每个目标物体对应。
在S502中,根据每个更新后的所述先验参数对后续帧的所述待检测图像单独进行跟踪检测。
完成对至少两个先验参数的更新后,根据每个更新后的先验参数对后续帧的待检测图像单独进行跟踪检测,从而对待检测图像中的每个目标物体都有较好的检测效果。
通过图5所示实施例可知,在本发明实施例中,基于检测出的每个目标物体对应的检测结果单独更新先验参数,得到至少两个更新后的先验参数,并根据每个更新后的先验参数对后续帧的待检测图像单独进行跟踪检测,提升了对至少两个目标物体的检测效果。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的基于图像识别的目标检测方法,图6示出了本发明实施例提供的基于图像识别的目标检测装置的结构框图,参照图6,该目标检测装置包括:
获取单元61,用于获取与目标物体相关的先验参数,所述先验参数为所述目标物体的颜色、预期占比或预期出现区域,所述目标物体的预期占比是指所述目标物体在图像中所占的比例;
检测单元62,用于在采集到至少两帧待检测图像后,基于所述先验参数对每帧所述待检测图像进行检测;
跟踪单元63,用于若在任意一帧所述待检测图像中检测出所述目标物体,则根据与所述目标物体对应的检测结果更新所述先验参数,并根据更新后的所述先验参数对后续帧的所述待检测图像进行跟踪检测。
因此,本发明实施例提供的基于图像识别的目标检测装置根据获取到的先验参数对待检测图像进行针对检测,提升了目标检测的效率,减少了工作量。
图7是本发明实施例提供的终端设备的示意图。如图7所示,该实施例的终端设备7包括:处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72,例如基于图像识别的目标检测程序。所述处理器70执行所述计算机程序72时实现上述各个基于图像识别的目标检测方法实施例中的步骤,例如图1所示的步骤S101至S103。或者,所述处理器70执行所述计算机程序72时实现上述各终端设备实施例中各单元的功能,例如图6所示单元61至63的功能。
示例性的,所述计算机程序72可以被分割成一个或多个单元,所述一个或者多个单元被存储在所述存储器71中,并由所述处理器70执行,以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序72在所述终端设备7中的执行过程。例如,所述计算机程序72可以被分割成获取单元、检测单元以及跟踪单元,各单元具体功能如下:
获取单元,用于获取与目标物体相关的先验参数,所述先验参数为所述目标物体的颜色、预期占比或预期出现区域,所述目标物体的预期占比是指所述目标物体在图像中所占的比例;
检测单元,用于在采集到至少两帧待检测图像后,基于所述先验参数对每帧所述待检测图像进行检测;
跟踪单元,用于若在任意一帧所述待检测图像中检测出所述目标物体,则根据与所述目标物体对应的检测结果更新所述先验参数,并根据更新后的所述先验参数对后续帧的所述待检测图像进行跟踪检测。
所述终端设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器70、存储器71。本领域技术人员可以理解,图7仅仅是终端设备7的示例,并不构成对终端设备7的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述终端设备7的内部存储单元,例如终端设备7的硬盘或内存。所述存储器71也可以是所述终端设备7的外部存储设备,例如所述终端设备7上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元完成,即将所述终端设备的内部结构划分成不同的功能单元,以完成以上描述的全部或者部分功能。实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的终端设备和方法,可以通过其它的方式实现。例如,以上所描述的终端设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于图像识别的目标检测方法,其特征在于,包括:
获取与目标物体相关的先验参数,所述先验参数为所述目标物体的颜色、预期占比或预期出现区域,所述目标物体的预期占比是指所述目标物体在图像中所占的比例;
在采集到至少两帧待检测图像后,基于所述先验参数对每帧所述待检测图像进行检测;
若在任意一帧所述待检测图像中检测出所述目标物体,则根据与所述目标物体对应的检测结果更新所述先验参数,并根据更新后的所述先验参数对后续帧的所述待检测图像进行跟踪检测。
2.如权利要求1所述的目标检测方法,其特征在于,所述获取与目标物体相关的先验参数,包括:
获取包含所述目标物体的至少两张样本图像,其中,所述样本图像与所述待检测图像位于同一个拍摄场景;
根据每张所述样本图像中所述目标物体的检测结果统计出目标参数,并对得到的所有所述目标参数进行处理得到所述先验参数。
3.如权利要求1所述的目标检测方法,其特征在于,所述先验参数包括所述目标物体的预期占比,所述基于所述先验参数对每帧所述待检测图像进行检测,包括:
在预设的检测神经网络中构建图像金字塔,其中,所述检测神经网络用于检测图像中是否含有所述目标物体,所述图像金字塔中包括至少两个图像尺寸;
确定所述先验参数中所述目标物体的预期占比所在的占比区间,并根据预设的映射集查找与所述占比区间对应的至少一个所述图像尺寸,其中,所述映射集中包括不同的所述占比区间与所述图像尺寸之间的映射关系;
根据查找出的所有所述图像尺寸对所述待检测图像进行缩放,并将缩放后的所有所述待检测图像作为输入参数输入至所述检测神经网络。
4.如权利要求1所述的目标检测方法,其特征在于,所述先验参数包括所述目标物体的预期出现区域,所述基于所述先验参数对每帧所述待检测图像进行检测,包括:
根据所述先验参数将所述待检测图像拆分为第一区域图像和第二区域图像,其中,所述第一区域图像是所述先验参数中所述目标物体的预期出现区域在所述待检测图像中对应的部分图像,所述第二区域图像是所述待检测图像中除所述目标物体的预期出现区域外的图像;
通过预设的第一检测算法对所述第一区域图像进行检测,并通过预设的第二检测算法对所述第二区域图像进行检测,其中,所述第一检测算法和所述第二检测算法均用于检测所述目标物体,并且所述第一检测算法的检测精度高于所述第二检测算法。
5.如权利要求1所述的目标检测方法,其特征在于,若在一帧所述待检测图像检测出至少两个所述目标物体,则所述根据与所述目标物体对应的检测结果更新所述先验参数,并根据更新后的所述先验参数对后续帧的所述待检测图像进行跟踪检测,包括:
基于检测出的每个所述目标物体对应的检测结果单独更新所述先验参数,得到至少两个更新后的所述先验参数,其中每个更新后的所述先验参数与检测出的每个所述目标物体对应;
根据每个更新后的所述先验参数对后续帧的所述待检测图像单独进行跟踪检测。
6.一种基于图像识别的目标检测装置,其特征在于,包括:
获取单元,用于获取与目标物体相关的先验参数,所述先验参数为所述目标物体的颜色、预期占比或预期出现区域,所述目标物体的预期占比是指所述目标物体在图像中所占的比例;
检测单元,用于在采集到至少两帧待检测图像后,基于所述先验参数对每帧所述待检测图像进行检测;
跟踪单元,用于若在任意一帧所述待检测图像中检测出所述目标物体,则根据与所述目标物体对应的检测结果更新所述先验参数,并根据更新后的所述先验参数对后续帧的所述待检测图像进行跟踪检测。
7.一种终端设备,其特征在于,所述终端设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如下步骤:
获取与目标物体相关的先验参数,所述先验参数为所述目标物体的颜色、预期占比或预期出现区域,所述目标物体的预期占比是指所述目标物体在图像中所占的比例;
在采集到至少两帧待检测图像后,基于所述先验参数对每帧所述待检测图像进行检测;
若在任意一帧所述待检测图像中检测出所述目标物体,则根据与所述目标物体对应的检测结果更新所述先验参数,并根据更新后的所述先验参数对后续帧的所述待检测图像进行跟踪检测。
8.如权利要求7所述的终端设备,其特征在于,所述先验参数包括所述目标物体的预期占比,所述基于所述先验参数对每帧所述待检测图像进行检测,包括:
在预设的检测神经网络中构建图像金字塔,其中,所述检测神经网络用于检测图像中是否含有所述目标物体,所述图像金字塔中包括至少两个图像尺寸;
确定所述先验参数中所述目标物体的预期占比所在的占比区间,并根据预设的映射集查找与所述占比区间对应的至少一个所述图像尺寸,其中,所述映射集中包括不同的所述占比区间与所述图像尺寸之间的映射关系;
根据查找出的所有所述图像尺寸对所述待检测图像进行缩放,并将缩放后的所有所述待检测图像作为输入参数输入至所述检测神经网络。
9.如权利要求7所述的终端设备,其特征在于,所述先验参数包括所述目标物体的预期出现区域,所述基于所述先验参数对每帧所述待检测图像进行检测,包括:
根据所述先验参数将所述待检测图像拆分为第一区域图像和第二区域图像,其中,所述第一区域图像是所述先验参数中所述目标物体的预期出现区域在所述待检测图像中对应的部分图像,所述第二区域图像是所述待检测图像中除所述目标物体的预期出现区域外的图像;
通过预设的第一检测算法对所述第一区域图像进行检测,并通过预设的第二检测算法对所述第二区域图像进行检测,其中,所述第一检测算法和所述第二检测算法均用于检测所述目标物体,并且所述第一检测算法的检测精度高于所述第二检测算法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述目标检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811502727.4A CN109740441A (zh) | 2018-12-10 | 2018-12-10 | 基于图像识别的目标检测方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811502727.4A CN109740441A (zh) | 2018-12-10 | 2018-12-10 | 基于图像识别的目标检测方法、装置及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109740441A true CN109740441A (zh) | 2019-05-10 |
Family
ID=66359288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811502727.4A Pending CN109740441A (zh) | 2018-12-10 | 2018-12-10 | 基于图像识别的目标检测方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740441A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390693A (zh) * | 2019-06-28 | 2019-10-29 | 深圳盈天下视觉科技有限公司 | 一种控制方法、控制装置及终端设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488534A (zh) * | 2015-12-04 | 2016-04-13 | 中国科学院深圳先进技术研究院 | 交通场景深度解析方法、装置及系统 |
CN106204549A (zh) * | 2016-06-30 | 2016-12-07 | 北京文安智能技术股份有限公司 | 一种基于视频分析的广告牌监测方法、装置及电子设备 |
CN106611165A (zh) * | 2016-12-26 | 2017-05-03 | 广东工业大学 | 一种基于相关滤波和颜色匹配的汽车车窗检测方法及装置 |
CN106909935A (zh) * | 2017-01-19 | 2017-06-30 | 博康智能信息技术有限公司上海分公司 | 一种目标跟踪方法及装置 |
CN106920248A (zh) * | 2017-01-19 | 2017-07-04 | 博康智能信息技术有限公司上海分公司 | 一种目标跟踪方法及装置 |
CN107944437A (zh) * | 2017-12-31 | 2018-04-20 | 广州二元科技有限公司 | 一种基于神经网络和积分图像的人脸定位方法 |
CN108154118A (zh) * | 2017-12-25 | 2018-06-12 | 北京航空航天大学 | 一种基于自适应组合滤波与多级检测的目标探测系统及方法 |
CN108198201A (zh) * | 2017-12-19 | 2018-06-22 | 深圳市深网视界科技有限公司 | 一种多目标跟踪方法、终端设备及存储介质 |
CN108446622A (zh) * | 2018-03-14 | 2018-08-24 | 海信集团有限公司 | 目标物体的检测跟踪方法及装置、终端 |
CN108875600A (zh) * | 2018-05-31 | 2018-11-23 | 银江股份有限公司 | 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质 |
-
2018
- 2018-12-10 CN CN201811502727.4A patent/CN109740441A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488534A (zh) * | 2015-12-04 | 2016-04-13 | 中国科学院深圳先进技术研究院 | 交通场景深度解析方法、装置及系统 |
CN106204549A (zh) * | 2016-06-30 | 2016-12-07 | 北京文安智能技术股份有限公司 | 一种基于视频分析的广告牌监测方法、装置及电子设备 |
CN106611165A (zh) * | 2016-12-26 | 2017-05-03 | 广东工业大学 | 一种基于相关滤波和颜色匹配的汽车车窗检测方法及装置 |
CN106909935A (zh) * | 2017-01-19 | 2017-06-30 | 博康智能信息技术有限公司上海分公司 | 一种目标跟踪方法及装置 |
CN106920248A (zh) * | 2017-01-19 | 2017-07-04 | 博康智能信息技术有限公司上海分公司 | 一种目标跟踪方法及装置 |
CN108198201A (zh) * | 2017-12-19 | 2018-06-22 | 深圳市深网视界科技有限公司 | 一种多目标跟踪方法、终端设备及存储介质 |
CN108154118A (zh) * | 2017-12-25 | 2018-06-12 | 北京航空航天大学 | 一种基于自适应组合滤波与多级检测的目标探测系统及方法 |
CN107944437A (zh) * | 2017-12-31 | 2018-04-20 | 广州二元科技有限公司 | 一种基于神经网络和积分图像的人脸定位方法 |
CN108446622A (zh) * | 2018-03-14 | 2018-08-24 | 海信集团有限公司 | 目标物体的检测跟踪方法及装置、终端 |
CN108875600A (zh) * | 2018-05-31 | 2018-11-23 | 银江股份有限公司 | 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390693A (zh) * | 2019-06-28 | 2019-10-29 | 深圳盈天下视觉科技有限公司 | 一种控制方法、控制装置及终端设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858461B (zh) | 一种密集人群计数的方法、装置、设备以及存储介质 | |
CN110047095A (zh) | 基于目标检测的跟踪方法、装置及终端设备 | |
CN110443212B (zh) | 用于目标检测的正样本获取方法、装置、设备及存储介质 | |
CN112347887B (zh) | 一种物体检测方法、物体检测装置及电子设备 | |
CN107506754A (zh) | 虹膜识别方法、装置及终端设备 | |
KR20170056474A (ko) | 건축물 높이 산출 방법, 장치 및 저장 매체 | |
CN108986075A (zh) | 一种优选图像的判断方法及装置 | |
CN110363076A (zh) | 人员信息关联方法、装置及终端设备 | |
CN112287912A (zh) | 基于深度学习的车道线检测方法以及装置 | |
CN110677585A (zh) | 目标检测框的输出方法、装置、终端及存储介质 | |
CN108961387A (zh) | 一种房屋虚拟三维模型的显示方法及终端设备 | |
WO2020038065A1 (zh) | 一种图像处理方法、终端及计算机存储介质 | |
CN109726756A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN110458875A (zh) | 异常点对的检测方法、图像拼接方法、相应装置及设备 | |
CN109815823A (zh) | 数据处理方法及相关产品 | |
CN114783021A (zh) | 一种口罩佩戴智能检测方法、装置、设备及介质 | |
CN109101922A (zh) | 作业人员着装分析方法、装置及电子设备 | |
CN108256520A (zh) | 一种识别硬币年份的方法、终端设备及计算机可读存储介质 | |
WO2022227548A1 (zh) | 抛洒事件检测方法、装置、电子设备、存储介质及计算机程序产品 | |
CN109740441A (zh) | 基于图像识别的目标检测方法、装置及终端设备 | |
CN114821383A (zh) | 基于轻量化网络的视频运动目标检测方法及系统 | |
CN110009664A (zh) | 一种基于响应图融合的红外目标跟踪方法及装置 | |
CN111161789B (zh) | 一种模型预测的关键区域的分析方法及装置 | |
CN111753775A (zh) | 鱼的生长评估方法、装置、设备及存储介质 | |
CN116524434A (zh) | 一种多尺度的计数方法、装置、电子设备及存储介质 |
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 |