CN109815844A - 目标检测方法及装置、电子设备和存储介质 - Google Patents

Abstract

本公开涉及一种目标检测方法及装置、电子设备和存储介质。该方法包括：对待检测视频流的目标视频帧进行场景识别处理，获得场景识别结果；根据场景识别结果，确定与场景识别结果对应的检测模式；根据与场景识别结果对应的检测模式，对待检测视频流进行目标检测处理，获得待检测视频流中的目标对象的目标信息。根据本公开的实施例，可对待检测视频流的目标视频帧进行场景识别，并根据场景识别结果来确定检测模式，可针对多种场景使用对应的检测模式，并可在各种场景下保持较高的识别准确率，满足监控各种场景中的目标对象的需要，并保持较高的处理效率，提高监控的实时性。

Description

目标检测方法及装置、电子设备和存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及一种目标检测方法及装置、电子设备和存储介质。

背景技术

在网络化信息系统支持下，综合运用天空、地面、海洋和太空等多维空间，对敌人进行打击，已经成为军事防御领域新的关注重点。随着全方位、全纵深、全天候、实时监控时代的到来，要求监控系统既具备对空目标的检测能力，又要具备对地目标的检测能力，比如监控无人机和地面行驶车辆等。

在相关技术中，由于天空和地面的场景不同，因此检测方法有很大差别，传统的检测方法无法同时满足监控无人机和地面行驶车辆的检测要求，而基于深度学习的目标检测方法，虽然能够通过对特定目标对象样本进行训练，完成特定目标的检测，但是耗时过长，基本无法满足实时性的要求。

发明内容

本公开提出了一种目标检测方法及装置、电子设备和存储介质。

根据本公开的一方面，提供了一种目标检测方法，包括：

对待检测视频流的目标视频帧进行场景识别处理，获得场景识别结果；

根据所述场景识别结果，确定与所述场景识别结果对应的检测模式；

根据与所述场景识别结果对应的检测模式，对所述待检测视频流进行目标检测处理，获得所述待检测视频流中的目标对象的目标信息。

在一种可能的实现方式中，对待处理视频流的目标视频帧进行场景识别处理，获得场景识别结果，包括：

将所述目标视频帧输入场景识别模型进行处理，获得所述场景识别结果，其中，所述场景识别模型为深度学习神经网络模型。

在一种可能的实现方式中，将所述目标视频帧输入场景识别模型进行处理，获得所述场景识别结果，包括：

将所述目标视频帧输入场景识别模型进行处理，获得所述目标视频帧属于多个场景的概率；

根据所述多个场景的概率，确定所述场景识别结果。

在一种可能的实现方式中，所述场景识别结果包括天空场景和地面场景，与所述识别结果对应的检测模式包括与天空场景对应的第一检测模式以及与地面场景对应的第二检测模式。

在一种可能的实现方式中，所述方法还包括：

在所述目标信息满足跟踪条件时，对所述目标对象进行跟踪处理。

在一种可能的实现方式中，在所述目标信息满足跟踪条件时，对所述目标对象进行跟踪处理，包括：

根据所述目标信息，生成针对拍摄设备的调整指令，其中，所述拍摄设备用于获取所述待检测视频流；

将所述调整指令发送至所述拍摄设备，使得所述拍摄设备将所述待检测视频流中的目标对象调整至显示中心位置。

在一种可能的实现方式中，所述目标信息包括目标对象的位置信息、尺寸信息、速度信息和方向信息中的至少一种。

在一种可能的实现方式中，所述目标视频帧为所述待检测视频流的第一个视频帧。

在一种可能的实现方式中，所述方法还包括：

使用包括多种场景的样本图像的数据库训练所述场景识别模型。

在一种可能的实现方式中，使用包括多种场景的样本图像的数据库训练所述场景识别模型，包括：

将具有场景标注结果的样本图像输入场景识别模型，获得样本图像的场景识别结果；

根据样本图像的场景识别结果和所述场景标注结果，获得场景识别模型的模型损失；

根据所述模型损失，对所述场景识别模型的模型参数进行调整；

在所述场景识别模型满足训练条件时，获得训练后的场景识别模型。

根据本公开的另一方面，提供了一种目标检测装置，包括：

场景识别模块，用于对待检测视频流的目标视频帧进行场景识别处理，获得场景识别结果；

模式确定模块，用于根据所述场景识别结果，确定与所述场景识别结果对应的检测模式；

检测模块，用于根据与所述场景识别结果对应的检测模式，对所述待检测视频流进行目标检测处理，获得所述待检测视频流中的目标对象的目标信息。

另一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：执行上述图像处理方法。

根据本公开的另一方面，提供了一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令被处理器执行时实现上述图像处理方法。

根据本公开的实施例的目标检测方法及装置、电子设备和存储介质，可对待检测视频流的目标视频帧进行场景识别，并根据场景识别结果来确定检测模式，可针对多种场景使用对应的检测模式，并可在各种场景下保持较高的识别准确率，满足监控各种场景中的目标对象的需要，并保持较高的处理效率，提高监控的实时性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的目标检测方法的流程图；

图2示出根据本公开实施例的目标检测方法的流程图；

图3示出根据本公开实施例的目标检测方法的流程图；

图4示出根据本公开实施例的目标检测方法的步骤S14的流程图；

图5示出根据本公开实施例的目标检测方法的流程图；

图6示出根据本公开实施例的目标检测方法的步骤S15的流程图；

图7A-图7D示出根据本公开实施例的目标检测方法的应用示意图；

图8示出根据本公开实施例的目标检测装置的框图；

图9示出根据本公开实施例的目标检测装置的框图；

图10示出根据本公开实施例的电子设备的框图；

图11示出根据本公开实施例的电子设备的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

图1示出根据本公开实施例的目标检测方法的流程图，所述方法包括：

在步骤S11中，对待检测视频流的目标视频帧进行场景识别处理，获得场景识别结果；在步骤S12中，根据所述场景识别结果，确定与所述场景识别结果对应的检测模式；在步骤S13中，根据与所述场景识别结果对应的检测模式，对所述待检测视频流进行目标检测处理，获得所述待检测视频流中的目标对象的目标信息。

根据本公开的实施例的目标检测方法，可对待检测视频流的目标视频帧进行场景识别，并根据场景识别结果来确定检测模式，可针对多种场景使用对应的检测模式，并可在各种场景下保持较高的识别准确率，满足监控各种场景中的目标对象的需要，并保持较高的处理效率，提高监控的实时性。

在一种可能的实现方式中，所述目标检测方法可以由终端设备执行，终端设备可以是用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，所述目标检测方法可以由服务器执行。

在一种可能的实现方式中，所述待处理视频流可由拍摄设备获取，所述拍摄设备可包括摄像头等用于获取视频流的设备，所述拍摄设备可用于获取某个场景的视频流。例如，所述拍摄设备是无人机上的摄像头，可从天空拍摄地面，即，获取地面场景的视频流。又例如，所述拍摄设备是地面上的摄像头，可从地面拍摄天空，即，获取天空场景的视频流。所述拍摄设备还可包括用于拍摄其他场景的设备，例如，拍摄太空场景的视频流的设备或者拍摄海洋场景的视频流的设备，本公开对拍摄设备的类型不做限制。所述拍摄设备可将待处理视频流传输至终端设备或服务器等执行所述方法的设备，所述终端设备或服务器可执行所述方法，还可通过显示设备播放所述待处理视频流。

在一种可能的实现方式中，在步骤S11中，可对待检测视频流的目标视频帧进行场景识别处理。在示例中，在接收到待检测视频流时，可确定待检测视频流中的目标视频帧。在示例中，所述目标视频帧为所述待检测视频流的第一个视频帧，可通过帧号或时间戳等参数确定待检测视频流中的第一个视频帧，即，需要进行场景识别处理的目标视频帧。在示例中，目标视频帧还可以是待处理视频流中的其他一个或多个视频帧，例如，如果第一个视频帧损坏或者图像较模糊，则可选择第一个视频帧之后的其他一个或多个视频帧作为目标视频帧，并对目标视频帧进行场景识别处理。

在一种可能的实现方式中，可使用场景识别模型对目标视频帧进行场景识别处理。

图2示出根据本公开实施例的目标检测方法的流程图，如图2所示，步骤S11可包括：

在步骤S111中，将所述目标视频帧输入场景识别模型进行处理，获得所述场景识别结果，其中，所述场景识别模型为深度学习神经网络模型。

在一种可能的实现方式中，所述场景识别模型可以是用于场景识别的神经网络模型，例如，BP神经网络模型、卷积神经网络模型或循环神经网络模型等神经网络模型。本公开对场景识别模型的类型不做限制。在示例中，所述场景识别模型为深度学习神经网络模型，例如，具有多层级结构(即，具有多个隐含层)的深度学习神经网络模型，所述场景识别模型的输入层、多个隐含层和输出层的各神经元之间可进行全连接或非全连接等树型连接。所述场景识别模型的输入层可输入目标视频帧，经过隐含层的处理后，所述场景识别模型的输出层可输出场景识别结果。在示例中，可以以数字或字符等形式输出场景识别结果，例如，可使用1表示天空场景，可使用0表示地面场景等，本公开对场景识别结果的形式不做限制。使用多层级结构的深度学习神经网络模型作为所述场景识别模型可提高对输入的目标视频帧的场景识别能力，提高输出结果的精度。

在一种可能的实现方式中，步骤S111可包括：将所述目标视频帧输入场景识别模型进行处理，获得所述目标视频帧属于多个场景的概率；根据所述多个场景的概率，确定所述场景识别结果。在示例中，所述场景识别模型可识别天空场景和地面场景，在将目标视频帧输入场景识别模型进行处理时，场景识别模型可输出所述目标视频帧属于各场景的概率，即，可输出天空场景的概率和地面场景的概率，例如，场景识别模型输出目标视频帧属于天空场景的概率为90％，属于地面场景的概率为10％，本公开对概率的输出形式不做限制。在示例中，可根据多个场景的概率，确定场景识别结果，即，可将概率最大的场景确定为场景识别结果，例如，场景识别模型输出目标视频帧属于天空场景的概率为90％，属于地面场景的概率为10％，则场景识别结果为天空场景。

在一种可能的实现方式中，在将目标视频帧输入所述场景识别模型之前，可对目标视频帧进行预处理，例如，可对目标视频帧进行灰度处理，获得灰度图像，并对灰度图像进行缩放，例如，可缩放至预定尺寸，进一步地，可对缩放后的灰度图像进行归一化处理，例如，可对目标视频帧的多个像素点的RGB值、灰度值和对比度等参数中的至少一种进行归一化处理，可获得预处理后的目标视频帧。本公开对预处理的类型不作限制。

在一种可能的实现方式中，在使用场景识别模型对目标视频帧进行场景识别处理之前，可对场景识别模型进行训练。

图3示出根据本公开实施例的目标检测方法的流程图，所述方法还包括：

在步骤S14中，使用包括多种场景的样本图像的数据库训练所述场景识别模型。

在一种可能的实现方式中，可通过拍摄设备获取多个样本图像，所述多个样本图像可包括多种场景，例如，在多个样本图像中，可包括一个或多个天空场景的样本图像以及一个或多个地面场景的样本图像等。本公开对样本图像的获取方式以及样本图像的场景不做限制。

图4示出根据本公开实施例的目标检测方法的步骤S14的流程图，如图4所示，步骤S14可包括：

在步骤S141中，将具有场景标注结果的样本图像输入场景识别模型，获得样本图像的场景识别结果；在步骤S142中，根据样本图像的场景识别结果和所述场景标注结果，获得场景识别模型的模型损失；在步骤S143中，根据所述模型损失，对所述场景识别模型的模型参数进行调整；在步骤S144中，在所述场景识别模型满足训练条件时，获得训练后的场景识别模型。

在一种可能的实现方式中，在步骤S141中，可分别对多个样本图像的场景进行标注，获得每个样本图像的场景标注结果，所述场景标注结果为样本图像的真实的场景。进一步地，可对多个样本图像进行预处理，例如，可对样本图像进行灰度处理、放缩处理和归一化处理等预处理。

在一种可能的实现方式中，可向场景识别模型中输入任一样本图像，获得该样本图像的场景识别结果，所述场景识别结果为场景识别模型的输出结果，该输出结果可能存在误差，例如，可获得以数字标识的场景识别结果。

在一种可能的实现方式中，在步骤S142中，可根据所述标注结果和所述输出结果，确定场景识别模型的模型损失。在示例中，对所述场景标注结果和输出结果(即，样本图像的场景识别结果)进行对比，将对比获得的差异确定为场景识别模型的损失函数，又例如，可根据所述场景标注结果和所述输出结果确定所述场景识别模型的交叉熵损失函数，例如，通过场景识别模型输出的多个场景的概率和场景标注结果来确定交叉熵损失函数。本公开对确定损失函数的方式不做限制。在示例中，可使用正则化的损失函数作为场景识别模型的模型损失，可避免在迭代训练过程中，场景识别模型的模型参数出现过拟合的情况。

在一种可能的实现方式中，在步骤S143中，可根据模型损失来调整场景识别模型的模型参数，在示例中，可按照使模型损失最小化的方向来调整模型参数，使调整后的场景识别模型具有较高的拟合优度，同时避免过拟合。在示例中，可使用梯度下降法进行模型损失的反向传播，以调整场景识别模型的模型参数，例如，对于各神经元之间进行树型连接的场景识别模型，可使用随机梯度下降法等方法调整模型参数，以降低调整模型参数的过程的复杂程度，提高调整模型参数的效率，并可避免调整的模型参数出现过拟合的情况。

在一种可能的实现方式中，在步骤S144中，训练条件可包括调整次数和模型损失的大小或敛散性等条件。可对场景识别模型输入预定数量的样本图像，即，将场景识别模型的模型参数调整预定次数，当调整次数达到所述预订次数时，即为满足训练条件。或者，可不限制调整的次数，而在模型损失降低到一定程度或收敛于一定阈值内时，停止调整，获得调整后的场景识别模型。并可将调整后的场景识别模型用于获得目标视频帧的场景识别结果的过程中。

在一种可能的实现方式中，在步骤S12中，可根据场景识别结果，确定与场景识别结果对应的检测模式。在示例中，所述场景识别结果包括天空场景和地面场景，与所述识别结果对应的检测模式包括与天空场景对应的第一检测模式以及与地面场景对应的第二检测模式。本公开对场景识别结果以及检测模式不做限制，例如，场景识别结果还可包括海面场景、海底场景和太空场景等，与场景识别结果对应的检测模式可包括与海面场景对应的第三检测模式，与海底场景对应的第四检测模式，与太空场景对应的第五检测模式等。

在示例中，确定与场景识别结果对应的检测模式即为选择适用于场景识别结果的检测方法，例如，如果场景识别结果为天空场景，则第一检测模式为选择适用于天空场景的检测方法，例如，canny边缘检测算法或TOP-HAT变换算法等，如果场景识别结果为地面场景，则第二检测模式为选择适用于地面场景的检测方法，例如，帧间差分法或ViBe(VisualBackground Extractor视觉背景提取)算法等。在示例中，与场景识别结果对应的检测模式还可包括选择适用于太空场景、海底场景或海面场景等场景的检测方法。进一步地，在确定场景识别结果后，可将检测标志位设置为1，以调用canny边缘检测算法、TOP-HAT算法、帧间差分法或ViBe算法等，进行目标检测处理。本公开对检测模式及采用的具体检测算法类型不做限制。

在一种可能的实现方式中，在步骤S13中，可根据与场景识别结果对应的检测模式，对待检测视频流进行目标检测处理，即，选择适用于场景识别结果的检测方法，来检测待检测视频流中的目标对象，获得目标对象的目标信息。在示例中，所述目标信息包括目标对象的位置信息、尺寸信息、速度信息和方向信息中的至少一种。本公开对目标信息的类型不作限制，例如，如果目标对象是人，则目标信息可包括目标对象的身份信息等。

在示例中，如果场景识别结果为天空场景，则通过第一检测模式对待检测视频流进行检测，即，使用适用于天空场景的检测方法对待检测视频流进行目标检测处理。例如，可使用canny边缘检测算法利用目标对象和天空场景中的背景的对比度来提取目标轮廓，进而获得目标对象的位置信息。又例如，可使用TOP-HAT变换算法，可检测到待检测视频流的视频帧中灰度变化较大的位置(即，高频分量)以及视频帧中灰度变化较小的位置(即，低频分量)，并利用黑帽变换算法(BLACKHAT)和白帽变换算法(WHITEHAT)对视频帧进行低频滤波，可滤除低频分量，即，滤除天空场景中的云层等背景，获取高频分量(即，目标对象)的位置信息。本公开对适用于天空场景的检测方法不做限制。

在示例中，如果场景识别结果为地面场景，则通过第二检测模式对待检测视频流进行检测，即，使用适用于地面场景的检测方法对待检测视频流进行目标检测处理。例如，可使用帧间差分法获取目标对象与地面场景中的背景之间的相对运动特征来获取目标对象的位置信息。又例如，可使用ViBe算法对地面场景中路面、树木和房屋等无运动特性的背景进行滤除，获取由运动特征的目标对象(例如行人、车辆等)的位置信息。本公开对适用于地面场景的检测方法不做限制。

在一种可能的实现方式中，还可根据目标对象在待检测视频流的多个视频帧中的位置信息，获得目标对象的速度信息和方向信息。进一步地，还可根据目标对象在视频帧中的像素点确定目标对象的尺寸信息，并可对目标对象进行框选，还可确定目标对象的中心位置(即，选择框的中心位置)。在示例中，目标信息还可包括对目标对象进行识别获得的信息，例如，目标对象是人，可识别目标对象的身份信息，例如，目标对象是飞行物，可识别目标对象的类别信息(例如，识别飞行物属于飞机、无人机或鸟类等类别)，又例如，目标对象是车辆，可识别目标对象的颜色、型号和品牌等信息。

在一种可能的实现方式中，可对目标对象进行跟踪处理。

图5示出根据本公开实施例的目标检测方法的流程图，所述方法还包括：

在步骤S15中，在所述目标信息满足跟踪条件时，对所述目标对象进行跟踪处理。

在一种可能的实现方式中，在步骤S15中，跟踪条件可包括多种条件。可根据目标对象的目标信息确定是否满足跟踪条件。

在示例中，拍摄设备为拍摄天空场景的摄像头，所述场景识别结果为天空场景，可监控天空中的目标对象(例如，飞行物)，所述跟踪条件可包括飞行物的速度信息，例如，飞行物的速度达到某个速度阈值，则满足跟踪条件；所述跟踪条件可包括飞行物的类别信息，例如，设置在机场的摄像头如果拍摄到鸟类或无人机等可能影响飞机安全的飞行物，则满足跟踪条件。

在示例中，拍摄设备为拍摄地面场景的摄像头，所述场景识别结果为地面场景，可监控地面的目标对象(例如，车辆、行人等)，所述跟踪条件可包括车辆的速度信息，例如，车辆的速度达到某个速度阈值，则该车辆可能超速行驶，满足跟踪条件；所述跟踪条件可包括人的身份信息，例如，监控摄像头拍摄到某个行人，可识别该行人的身份信息，如果身份信息显示该行人为犯罪嫌疑人等特殊人员，则满足跟踪条件。

在一种可能的实现方式中，如果目标信息满足跟踪条件，则对目标对象进行跟踪处理。

图6示出根据本公开实施例的目标检测方法的步骤S15的流程图，如图6所示，步骤S15包括：

在步骤S151中，根据所述目标信息，生成针对拍摄设备的调整指令，其中，所述拍摄设备用于获取所述待检测视频流；在步骤S152中，将所述调整指令发送至所述拍摄设备，使得所述拍摄设备将所述待检测视频流中的目标对象调整至显示中心位置。

在一种可能的实现方式中，在步骤S151中，可根据目标对象的目标信息，生成用于调整拍摄设备的调整指令，例如，可根据目标对象的位置信息、速度信息和方向信息等目标信息生成调整指令，以对拍摄设备进行调整(例如，可调整拍摄设备的拍摄角度等参数)，使拍摄设备对准所述目标对象，可将目标对象调整至显示中心位置。

在示例中，拍摄设备为拍摄地面场景的摄像头，所述场景识别结果为地面场景，拍摄设备可监控地面的目标对象，如果某个车辆(目标对象)的速度超过速度阈值，即，满足跟踪条件，则对该车辆进行跟踪，可生成调整指令，以控制拍摄设备对准该车辆进行拍摄，使得该车辆处于拍摄设备获取的待处理视频流的中心位置，在示例中，可使对该车辆进行框选的选择框的中心位置与待处理视频流的各视频帧的中心位置重合。例如，待处理视频流的分辨率为1280×1080，该车辆的选择框的中心位置的坐标为(300，200)，在待处理视频流中的运动方向为水平向右，在待处理视频流中的速度为每秒运动10个像素点的距离，可根据上述目标信息，生成调整指令，该调整指令可调整拍摄设备的角度，使拍摄设备在经过调整后对准该车辆，使该车辆的选择框的中心位置处于坐标为(640，540)，即，与视频帧的中心位置重合。

在一种可能的实现方式中，在步骤S152中，可将该调整指令发送至所述拍摄设备，使得拍摄设备根据调整指令调整角度，使得拍摄设备将所述待检测视频流中的目标对象调整至显示中心位置。例如，可对该车辆进行框选的选择框的中心位置与待处理视频流的各视频帧的中心位置重合。

在示例中，所述调整指令可以是将拍摄设备的跟踪标志位设置为1的指令，在跟踪标志位为1时，可调用目标跟踪算法，例如，质心跟踪算法(Centroid))、相关跟踪算法(Correlation)或边缘跟踪算法(Edge)等，对目标对象进行跟踪处理。本公开对目标跟踪算法的类型不做限制。

在一种可能的实现方式中，所述跟踪处理还可包括记录目标对象的运动轨迹、速度和通过某区域的时间等信息。本公开对跟踪处理的类型不作限制。

通过这种方式，可将目标对象调整至显示中心等方式来跟踪目标对象，可获得关于目标对象的更多目标信息，提高了监控效果。

图7A-图7D示出根据本公开实施例的目标检测方法的应用示意图。如图7A所示，第一待处理视频流为拍摄天空的摄像头获取的天空场景的视频流，可对第一待处理视频流的第一个视频帧(frame num 1)进行场景识别处理，可将第二待处理视频流的第一个视频帧输入场景识别模型，可获得天空场景的场景识别结果。

如图7B所示，第二待处理视频流为拍摄地面的摄像头获取的地面场景的视频流，可对第二待处理视频流的第一个视频帧(frame num 1)进行场景识别处理，可将第二待处理视频流的第一个视频帧输入场景识别模型，可获得地面场景的场景识别结果。

如图7C所示，可通过与天空场景对应的第一检测模式对第一待处理视频流进行目标检测处理，例如，可将检测标志位detect flag设置为1，从而可使用canny边缘检测算法或TOP-HAT变换算法对第一待处理视频流进行目标检测处理，获得目标对象的位置信息、尺寸信息、速度信息和方向信息等目标信息，例如，在第129帧(frame num 129)之前的视频帧中，检测标志位detect flag均为1，在第一待检测视频流中可检测到目标对象，并获得目标对象的目标信息。进一步地，可对目标对象进行框选。

在示例中，如果目标对象的目标信息满足跟踪条件，则对目标对象进行跟踪处理。例如，在获取到第130帧(frame num 130)时，目标对象的目标信息满足跟踪条件，则可将跟踪标志位track flag设置为1，以跟踪目标对象，例如，可将目标对象调整至显示中心位置，或记录目标对象的运动轨迹、运动速度和通过某区域的时间等信息。进一步地，还可将检测标志位detect flag设置为0，以免其他对象出现在待处理视频流中，干扰对目标对象的跟踪处理。

如图7D所示，可通过与地面场景对应的第二检测模式对第二待处理视频流进行目标检测处理，例如，可将检测标志位detect flag设置为1，从而可使用帧间差分法或ViBe算法等对第二待处理视频流进行目标检测处理，获得目标对象的位置信息、尺寸信息、速度信息和方向信息等目标信息，例如，在第66帧(frame num 66)之前的视频帧中，检测标志位detect flag均为1，在第二待检测视频流中可检测到目标对象，并获得目标对象的目标信息。进一步地，可对目标对象进行框选。

在示例中，如果目标对象的目标信息满足跟踪条件，则对目标对象进行跟踪处理。例如，在获取到第67帧(frame num 67)时，目标对象的目标信息满足跟踪条件，则可将跟踪标志位track flag设置为1，以跟踪目标对象，例如，可将目标对象调整至显示中心位置，或记录目标对象的运动轨迹、运动速度和通过某区域的时间等信息。进一步地，还可将检测标志位detect flag设置为0，以免其他对象出现在待处理视频流中，干扰对目标对象的跟踪处理。

根据本公开的实施例的目标检测方法，可对待检测视频流的目标视频帧进行场景识别，并根据场景识别结果来确定检测模式，可针对多种场景使用对应的检测模式，并可在各种场景下保持较高的识别准确率，满足监控各种场景中的目标对象的需要，并保持较高的处理效率，提高监控的实时性。进一步地，可将目标对象调整至显示中心等方式来跟踪目标对象，可获得关于目标对象的更多目标信息，提高了监控效果。

图8示出根据本公开实施例的目标检测装置的框图，如图8所示，所述装置包括：

场景识别模块11，用于对待检测视频流的目标视频帧进行场景识别处理，获得场景识别结果；模式确定模块12，用于根据所述场景识别结果，确定与所述场景识别结果对应的检测模式；检测模块13，用于根据与所述场景识别结果对应的检测模式，对所述待检测视频流进行目标检测处理，获得所述待检测视频流中的目标对象的目标信息。

在一种可能的实现方式中，所述场景识别结果包括天空场景和地面场景，与所述识别结果对应的检测模式包括与天空场景对应的第一检测模式以及与地面场景对应的第二检测模式。

在一种可能的实现方式中，所述目标信息包括目标对象的位置信息、尺寸信息、速度信息和方向信息中的至少一种。

在一种可能的实现方式中，所述目标视频帧为所述待检测视频流的第一个视频帧。

图9示出根据本公开实施例的目标检测装置的框图，如图9所示，场景识别模块11包括：

场景识别子模块111，用于将所述目标视频帧输入场景识别模型进行处理，获得所述场景识别结果，其中，所述场景识别模型为深度学习神经网络模型。

在一种可能的实现方式中，场景识别子模块111进一步用于：将所述目标视频帧输入场景识别模型进行处理，获得所述目标视频帧属于多个场景的概率；根据所述多个场景的概率，确定所述场景识别结果。

如图9所示，在一种可能的实现方式中，所述装置还包括：训练模块14，用于使用包括多种场景的样本图像的数据库训练所述场景识别模型。

如图9所示，在一种可能的实现方式中，训练模块14包括：输入子模块141，用于将具有场景标注结果的样本图像输入场景识别模型，获得样本图像的场景识别结果；模型损失获得子模块142，用于根据样本图像的场景识别结果和所述场景标注结果，获得场景识别模型的模型损失；调整子模块143，用于根据所述模型损失，对所述场景识别模型的模型参数进行调整；模型获得子模块144，用于在所述场景识别模型满足训练条件时，获得训练后的场景识别模型。

如图9所示，在一种可能的实现方式中，所述装置还包括：跟踪模块15，用于在所述目标信息满足跟踪条件时，对所述目标对象进行跟踪处理。

如图9所示，在一种可能的实现方式中，跟踪模块15包括：生成子模块151，用于根据所述目标信息，生成针对拍摄设备的调整指令，其中，所述拍摄设备用于获取所述待检测视频流；发送子模块152，用于将所述调整指令发送至所述拍摄设备，使得所述拍摄设备将所述待检测视频流中的目标对象调整至显示中心位置。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。

电子设备可以被提供为终端、服务器或其它形态的设备。

图10是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图10，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图11是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图11，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (22)

1.一种目标检测方法，其特征在于，包括：

对待检测视频流的目标视频帧进行场景识别处理，获得场景识别结果；

根据所述场景识别结果，确定与所述场景识别结果对应的检测模式；

根据与所述场景识别结果对应的检测模式，对所述待检测视频流进行目标检测处理，获得所述待检测视频流中的目标对象的目标信息。

2.根据权利要求1所述的方法，其特征在于，对待处理视频流的目标视频帧进行场景识别处理，获得场景识别结果，包括：

将所述目标视频帧输入场景识别模型进行处理，获得所述场景识别结果，其中，所述场景识别模型为深度学习神经网络模型。

3.根据权利要求2所述的方法，其特征在于，将所述目标视频帧输入场景识别模型进行处理，获得所述场景识别结果，包括：

将所述目标视频帧输入场景识别模型进行处理，获得所述目标视频帧属于多个场景的概率；

根据所述多个场景的概率，确定所述场景识别结果。

4.根据权利要求1所述的方法，其特征在于，所述场景识别结果包括天空场景和地面场景，与所述识别结果对应的检测模式包括与天空场景对应的第一检测模式以及与地面场景对应的第二检测模式。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在所述目标信息满足跟踪条件时，对所述目标对象进行跟踪处理。

6.根据权利要求5所述的方法，其特征在于，在所述目标信息满足跟踪条件时，对所述目标对象进行跟踪处理，包括：

根据所述目标信息，生成针对拍摄设备的调整指令，其中，所述拍摄设备用于获取所述待检测视频流；

将所述调整指令发送至所述拍摄设备，使得所述拍摄设备将所述待检测视频流中的目标对象调整至显示中心位置。

7.根据权利要求1所述的方法，其特征在于，所述目标信息包括目标对象的位置信息、尺寸信息、速度信息和方向信息中的至少一种。

8.根据权利要求1所述的方法，其特征在于，所述目标视频帧为所述待检测视频流的第一个视频帧。

9.根据权利要求2所述的方法，其特征在于，所述方法还包括：

使用包括多种场景的样本图像的数据库训练所述场景识别模型。

10.根据权利要求9所述的方法，其特征在于，使用包括多种场景的样本图像的数据库训练所述场景识别模型，包括：

将具有场景标注结果的样本图像输入场景识别模型，获得样本图像的场景识别结果；

根据样本图像的场景识别结果和所述场景标注结果，获得场景识别模型的模型损失；

根据所述模型损失，对所述场景识别模型的模型参数进行调整；

在所述场景识别模型满足训练条件时，获得训练后的场景识别模型。

11.一种目标检测装置，其特征在于，包括：

场景识别模块，用于对待检测视频流的目标视频帧进行场景识别处理，获得场景识别结果；

模式确定模块，用于根据所述场景识别结果，确定与所述场景识别结果对应的检测模式；

检测模块，用于根据与所述场景识别结果对应的检测模式，对所述待检测视频流进行目标检测处理，获得所述待检测视频流中的目标对象的目标信息。

12.根据权利要求11所述的装置，其特征在于，所述场景识别模块包括：

场景识别子模块，用于将所述目标视频帧输入场景识别模型进行处理，获得所述场景识别结果，其中，所述场景识别模型为深度学习神经网络模型。

13.根据权利要求12所述的装置，其特征在于，所述场景识别子模块进一步用于：

将所述目标视频帧输入场景识别模型进行处理，获得所述目标视频帧属于多个场景的概率；

根据所述多个场景的概率，确定所述场景识别结果。

14.根据权利要求11所述的装置，其特征在于，所述场景识别结果包括天空场景和地面场景，与所述识别结果对应的检测模式包括与天空场景对应的第一检测模式以及与地面场景对应的第二检测模式。

15.根据权利要求11所述的装置，其特征在于，所述装置还包括：

跟踪模块，用于在所述目标信息满足跟踪条件时，对所述目标对象进行跟踪处理。

16.根据权利要求15所述的装置，其特征在于，所述跟踪模块包括：

生成子模块，用于根据所述目标信息，生成针对拍摄设备的调整指令，其中，所述拍摄设备用于获取所述待检测视频流；

发送子模块，用于将所述调整指令发送至所述拍摄设备，使得所述拍摄设备将所述待检测视频流中的目标对象调整至显示中心位置。

17.根据权利要求11所述的装置，其特征在于，所述目标信息包括目标对象的位置信息、尺寸信息、速度信息和方向信息中的至少一种。

18.根据权利要求11所述的装置，其特征在于，所述目标视频帧为所述待检测视频流的第一个视频帧。

19.根据权利要求12所述的装置，其特征在于，所述装置还包括：

训练模块，用于使用包括多种场景的样本图像的数据库训练所述场景识别模型。

20.根据权利要求19所述的装置，其特征在于，所述训练模块包括：

输入子模块，用于将具有场景标注结果的样本图像输入场景识别模型，获得样本图像的场景识别结果；

模型损失获得子模块，用于根据样本图像的场景识别结果和所述场景标注结果，获得场景识别模型的模型损失；

调整子模块，用于根据所述模型损失，对所述场景识别模型的模型参数进行调整；

模型获得子模块，用于在所述场景识别模型满足训练条件时，获得训练后的场景识别模型。

21.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行权利要求1至10中任意一项所述的方法。

22.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至10中任意一项所述的方法。