CN109871730A - 一种目标识别方法、装置及监控设备 - Google Patents
一种目标识别方法、装置及监控设备 Download PDFInfo
- Publication number
- CN109871730A CN109871730A CN201711266795.0A CN201711266795A CN109871730A CN 109871730 A CN109871730 A CN 109871730A CN 201711266795 A CN201711266795 A CN 201711266795A CN 109871730 A CN109871730 A CN 109871730A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- detected
- confidence level
- convolutional neural
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种目标识别方法、装置及监控设备，其中，目标识别方法包括：获取待检测图像；采用预设目标检测方法，通过预先训练得到的检测模型，对待检测图像进行检测，得到待检测图像中多个目标区域的置信度；针对置信度低于预设阈值的第一目标区域，通过预先训练得到的多个卷积神经网络分类模型，对第一目标区域中的目标进行识别，确定各目标的类别，其中，多个卷积神经网络分类模型为：对多个类别的目标分别对应的样本集进行训练得到的模型。通过本方案可以提高目标识别的精度。
Description
技术领域
本发明涉及图像处理技术领域，特别是涉及一种目标识别方法、装置及监控设备。
背景技术
在图像处理技术领域中，目标检测是指对于一幅图像，检测和识别该图像中是否存在指定目标，并确定该指定目标的位置，在交通安全、民生治安以及公共财产安全等很多方面有着广泛的应用。
RCNN(Regions with Convolutional Neural Network，区域卷积神经网络)目标检测技术是目前效果较好、使用较广泛的目标检测技术，尤其是更快速区域卷积神经网络Faster RCNN，是RCNN目标检测技术中运行效率最高的技术，是CNN(Convolutional NeuralNetwork，卷积神经网络)实现端到端目标检测的框架。Faster RCNN中，首先，通过将待检测的图像输入卷积神经网络中，得到特征图Feature Map，然后，通过RPN(Region ProposalNetwork)技术从Feature Map中提取多个候选区域，再根据多个候选区域，对Feature Map进行池化操作Roi-pooling，最后，对池化结果进行目标识别和目标位置回归，确定待检测的图像中是否存在指定目标，并确定指定目标的位置。
在例如电网、桥梁等复杂的场景下，由于路面的承载能力有限，以及受光缆、电线、河堤宽度等影响，场景内的车辆、建筑等指定目标受高度、宽度、重量等因素的限制，因此，在这些场景下，不允许挖掘车、推土车、泵车、吊车等作业车辆驶入、不允许搭建违章建筑，需要对这些指定目标进行识别，并及时响应(例如放下闸机、鸣笛报警等)。但是，由于场景中的干扰源非常多，具有很多与指定目标的特征相类似的干扰源，通过上述方法，会将干扰源识别为指定目标，使得对目标的识别具有较高的误检率，目标识别精度较低。
发明内容
本发明实施例的目的在于提供一种目标识别方法、装置及监控设备，以提高目标识别的精度。具体技术方案如下：
第一方面，本发明实施例提供了一种目标识别方法，所述方法包括：
获取待检测图像；
采用预设目标检测方法，通过预先训练得到的检测模型，对所述待检测图像进行检测，得到所述待检测图像中多个目标区域的置信度；
针对置信度低于预设阈值的第一目标区域，通过预先训练得到的多个卷积神经网络分类模型，对所述第一目标区域中的目标进行识别，确定各目标的类别，其中，所述多个卷积神经网络分类模型为：对多个类别的目标分别对应的样本集进行训练得到的模型。
可选的，所述获取待检测图像，包括：
获取指定场景下的源图像；
对所述源图像进行归一化处理，得到满足预设尺寸的待检测图像。
可选的，所述获取待检测图像，包括：
获取指定场景下的源图像；
提取所述源图像中感兴趣区域ROI内的图像，作为待检测图像。
可选的，在所述采用预设目标检测方法，通过预先训练得到的检测模型，对所述待检测图像进行检测，得到所述待检测图像中多个目标区域的置信度之前，所述方法还包括：
获取多个包含有指定目标的图像样本；
根据标定的各图像样本中指定目标的坐标信息，提取各图像样本中指定目标所处区域的图像，作为目标图像；
对各目标图像进行训练，得到检测模型。
可选的，在所述通过预先训练得到的多个卷积神经网络分类模型，对所述第一目标区域中的目标进行识别，确定各目标的类别之前，所述方法还包括：
提取各目标图像；
按目标的类别，将各目标图像进行划分，得到多个类别分别对应的样本集；
分别对所述多个类别分别对应的样本集进行训练，得到多个卷积神经网络分类模型。
可选的，在所述采用预设目标检测方法，通过预先训练得到的检测模型，对所述待检测图像进行检测，得到所述待检测图像中多个目标区域的置信度之后，所述方法还包括：
针对置信度不低于预设阈值的第二目标区域，确定所述第二目标区域中的目标的位置信息。
可选的，所述针对置信度低于预设阈值的第一目标区域，通过预先训练得到的多个卷积神经网络分类模型，对所述第一目标区域中的目标进行识别，确定各目标的类别，包括：
针对置信度低于预设阈值的第一目标区域，通过预先训练得到的多个卷积神经网络分类模型，对所述第一目标区域中的作业车辆进行识别，确定各作业车辆的类别，其中，所述多个卷积神经网络分类模型为：对多个类别的作业车辆分别对应的样本集进行训练得到的模型。
第二方面，本发明实施例提供了一种目标识别装置，所述装置包括：
获取模块，用于获取待检测图像；
检测模块，用于采用预设目标检测方法，通过预先训练得到的检测模型，对所述待检测图像进行检测，得到所述待检测图像中多个目标区域的置信度；
识别模块，用于针对置信度低于预设阈值的第一目标区域，通过预先训练得到的多个卷积神经网络分类模型，对所述第一目标区域中的目标进行识别，确定各目标的类别，其中，所述多个卷积神经网络分类模型为：对多个类别的目标分别对应的样本集进行训练得到的模型。
可选的，所述获取模块，具体用于：
获取指定场景下的源图像；
对所述源图像进行归一化处理，得到满足预设尺寸的待检测图像。
可选的，所述获取模块，具体用于：
获取指定场景下的源图像；
提取所述源图像中感兴趣区域ROI内的图像，作为待检测图像。
可选的，所述获取模块，还用于：
获取多个包含有指定目标的图像样本；
所述装置还包括：
提取模块，用于根据标定的各图像样本中指定目标的坐标信息，提取各图像样本中指定目标所处区域的图像，作为目标图像；
训练模块，用于对各目标图像进行训练，得到检测模型。
可选的，所述提取模块，还用于：
提取各目标图像；
所述装置还包括：
划分模块，用于按目标的类别，将各目标图像进行划分，得到多个类别分别对应的样本集；
所述训练模块，还用于：
分别对所述多个类别分别对应的样本集进行训练，得到多个卷积神经网络分类模型。
可选的，所述装置还包括：
确定模块，用于针对置信度不低于预设阈值的第二目标区域，确定所述第二目标区域中的目标的位置信息。
可选的，所述识别模块，具体用于：
针对置信度低于预设阈值的第一目标区域，通过预先训练得到的多个卷积神经网络分类模型，对所述第一目标区域中的作业车辆进行识别，确定各作业车辆的类别，其中，所述多个卷积神经网络分类模型为：对多个类别的作业车辆分别对应的样本集进行训练得到的模型。
第三方面，本发明实施例提供了一种监控设备，包括图像采集器、处理器和存储器，其中，
所述图像采集器，用于采集指定场景下的源图像；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现如第一方面任一所述的方法步骤。
第四方面，本发明实施例提供了一种存储介质，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一所述的方法步骤。
本发明实施例提供的一种目标识别方法、装置及监控设备，采用预设目标检测方法，通过预先训练得到的检测模型，对获取得到的待检测图像进行检测，得到待检测图像中多个目标区域的置信度，针对置信度低于预设阈值的第一目标区域，通过预先训练得到的多个卷积神经网络分类模型，对第一目标区域中的目标进行识别，确定各目标的类别。在使用预设目标检测方法，检测出目标区域后，针对该方法存在误检的情况，对误检的目标进一步采用卷积神经网络分类模型的识别，更为准确的识别出误检结果中的目标的类别，将预设目标检测方法与卷积神经网络分类模型相结合，综合提高了目标识别的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的目标识别方法的流程示意图；
图2为现有技术的Faster RCNN的方法流程图；
图3a为本发明实施例的高压电线下作业的泵车场景示例图；
图3b为本发明实施例的高压电线下作业的挖掘机、渣土车场景示例图；
图4为本发明实施例的施工车辆识别方法的流程图；
图5a为本发明实施例的挖掘机样本示意图；
图5b为本发明实施例的渣土车样本示意图；
图5c为本发明实施例的推土车样本示意图；
图5d为本发明实施例的泵车样本示意图；
图5e为本发明实施例的吊车样本示意图；
图5f为本发明实施例的非施工车辆样本示意图；
图6为本发明实施例的目标识别装置的一种结构示意图；
图7为本发明实施例的目标识别装置的另一种结构示意图；
图8为本发明实施例的目标识别装置的再一种结构示意图；
图9为本发明实施例的监控设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了提高目标识别的精度，本发明实施例提供了一种目标识别方法、装置及监控设备。
下面首先对本发明实施例所提供的一种目标识别方法进行介绍。
本发明实施例所提供的一种目标识别方法的执行主体可以为执行智能算法的计算机设备，还可以为执行智能算法的监控设备(例如，用于对公共财产进行安全监控的网络摄像机)，为了能够实现目标识别的功能，执行主体中应该至少包括搭载有核心处理芯片的处理器。实现本发明实施例所提供的一种目标识别方法的方式可以为设置于执行主体中的软件、硬件电路和逻辑电路中的至少一种方式。
如图1所示，本发明实施例所提供的一种目标识别方法，可以包括如下步骤：
S101，获取待检测图像。
待检测图像为需要进行目标检测的图像，判断该图像中是否存在指定目标，并且确定指定目标在该图像中的位置。待检测图像与需要监控的场景相关，例如，为了保证电网的正常运行，防止施工车辆对电网造成意外损坏，需要对电网区域进行监控，则待检测图像就是对获取的满足预设场景条件(例如，电网区域、桥梁区域等)的源图像进行进一步提取的图像。
可选的，获取待检测图像的步骤可以包括：
获取指定场景下的源图像；
对该源图像进行归一化处理，得到满足预设尺寸的待检测图像；或者，提取该源图像中感兴趣区域ROI内的图像，作为待检测图像。
由于在例如电网、桥梁等指定场景下，获取的源图像一般较大，为了能够减少图像数据量，加快目标识别的处理速度，确保对同样大小的图像进行处理，需要将源图像进行归一化处理，将源图像的宽度、高度进行等比例缩放，所得到的待检测图像满足预设尺寸，例如，将源图像的尺寸均归一化为1980*1080，将归一化后的图像作为待检测图像。当然，不对所采集的源图像进行处理，而直接将源图像作为待检测图像进行目标识别，也属于本发明实施例的保护范围。
如果需要对源图像的全图进行目标识别，则可以将源图像的全图作为待检测图像，即检测区域设置为源图像的全图。但是，由于在一般情况下，所采集的源图像为视野较为宽广的图像，其中可能存在不会出现指定目标的区域，为了提高目标识别的处理效率，可以从源图像中提取需要关注的区域，即感兴趣区域ROI设置为检测区域，也就是将ROI区域内的图像作为待检测图像。检测区域的设置可以是用户或者技术人员预先设定的，也可以是根据ROI算法设置的，这里不再赘述。
为了进一步提高目标识别的处理速度，针对采集的源图像，可以先进行归一化处理，将源图像的尺寸归一化至预设尺寸，然后，再对归一化后的图像设定检测区域，提取归一化后的图像中ROI内的图像，作为待检测图像。
S102，采用预设目标检测方法，通过预先训练得到的检测模型，对待检测图像进行检测，得到待检测图像中多个目标区域的置信度。
为了达到较好的检测效果，预设目标检测方法可以选择基于深度学习的目标检测方法，例如，YOLO、SSD、Fast RCNN、Faster RCNN等，以Faster RCNN为例，流程如图2所示，基于深度学习，对待检测图像进行一系列的卷积、池化操作，得到该图像的特征信息，然后将该图像的特征信息输入RPN，提取多个候选区域，最后对提取的候选区域进行池化操作Roi-pooling，对池化结果进行目标识别和目标位置回归，确定待检测的图像中是否存在指定目标，并确定指定目标的位置。
预设目标检测方法流程中，卷积、池化操作的参数以及RPN的网络结构是预先训练得到的，共同组成了检测模型。检测模型的训练过程，可以是获取多个包含有指定目标的图像样本，例如，如果以施工车辆作为指定目标，则获取包含施工车辆的图像样本，样本数目越多越好，但实际获取包含指定目标的样本是有限的，因此，满足一定数量即可；由于在训练检测模型的过程中，需要将图像样本中指定目标作为正样本，因此，需要进行指定目标标定，可以通过用户或者技术人员或者计算机程序对获取到的图像样本进行标定，标定出指定目标的区域，每个图像样本的标定结果都是一个矩形区域的坐标信息，根据该坐标信息，则可以提取各样本图像中指定目标所处区域的图像，将该图像作为目标图像；得到各目标图像后，可以对各目标图像进行训练，即可得到检测模型，即上述预设目标检测方法流程中卷积、池化操作的参数以及RPN的网络结构等。
通过预设目标检测方法对待检测图像的检测，不仅仅可以判断待检测图像中是否存在指定目标以及确定指定目标的位置信息，而且对于确定的目标，会相应生成各目标的置信度，即该目标为指定目标的可能性，置信度越大，则说明该目标为指定目标的可能性也就越大，一般情况下，会设置一个阈值，如果置信度大于该阈值，则认为对应的目标为指定目标。但是，由于待检测图像中存在干扰源，如果阈值设置的太大，会有很多本来是指定目标的目标被误检为干扰源，如果阈值设置的太小，又会将干扰源识别为指定目标，这样就导致了目标识别的误检率较高。
可以设置一个相对大一点的预设阈值(例如，检测置信度取值为0～1000，可以将预设阈值设置为990)，相较于确定的指定目标，误检出的目标，往往置信度较低。对于置信度不低于预设阈值的目标，可以直接确定该目标为指定目标，直接输出通过检测得到的该目标的类别信息，也可以输出通过检测得到的该目标的位置信息。
S103，针对置信度低于预设阈值的第一目标区域，通过预先训练得到的多个卷积神经网络分类模型，对第一目标区域中的目标进行识别，确定各目标的类别。
其中，多个卷积神经网络分类模型为：对多个类别的目标分别对应的样本集进行训练得到的模型。基于上述步骤，针对采用预设目标检测方法对待检测图像进行检测得到置信度低于预设阈值的目标，这些目标为误检的目标，可能为指定目标，也可能为干扰源，因此，可以对这些目标进行进一步的分类识别，即可以通过预先训练的卷积神经网络分类模型，对目标进行识别。
卷积神经网络分类模型的训练过程，可以是采用截图工具或者其他图像提取方式，将待检测图像中的各目标图像提取出来；然后，按照目标的类别，将各目标图像进行划分，得到多个类别分别对应的样本集，例如，针对施工车辆，可以分为挖掘机、渣土车、推土车、泵车、吊车和非施工车辆6类，前5类作为正样本集，非施工车辆作为负样本集；分别对各类别分别对应的样本集进行训练，则可以得到多个卷积神经网络分类模型，也就是卷积神经网络中卷积核和池化的参数结构，通过卷积神经网络的运算，即可以准确判断每个目标的准确类别，进而更为准确的确定各目标是否为指定目标。
本实施例可以应用于对例如电网、桥梁等指定场景下的作业车辆的识别，由于电网、桥梁等指定场景下，路面的承载能力有限，受光缆、电线、河堤宽度等影响，场景内的作业车辆受高度、宽度、重量等因素的限制。因此，在这些场景下，不允许作业车辆驶入，作业车辆除了包括上述挖掘机、渣土车、推土车、泵车、吊车等施工车辆以外，还可以包括洒水车、空气炮等市政作业车。则对第一目标区域中的目标进行识别，实际就是对第一目标区域中的作业车辆进行识别，则确定各目标的类别的步骤可以包括：
针对置信度低于预设阈值的第一目标区域，通过预先训练得到的多个卷积神经网络分类模型，对第一目标区域中的作业车辆进行识别，确定各作业车辆的类别，其中，多个卷积神经网络分类模型为：对多个类别的作业车辆分别对应的样本集进行训练得到的模型。
本实施例中，将例如Faster RCNN的目标检测方法与CNN分类算法相结合，先利用目标检测方法对待检测图像进行检测，针对置信度低于预设阈值的第一目标区域，再使用CNN分类算法进行分类识别，这样就可以准确得到置信度较低的目标的类别，保证了目标识别的准确性。
应用本实施例，采用预设目标检测方法，通过预先训练得到的检测模型，对获取得到的待检测图像进行检测，得到待检测图像中多个目标区域的置信度，针对置信度低于预设阈值的第一目标区域，通过预先训练得到的多个卷积神经网络分类模型，对第一目标区域中的目标进行识别，确定各目标的类别。在使用预设目标检测方法，检测出目标区域后，针对该方法存在误检的情况，对误检的目标进一步采用卷积神经网络分类模型的识别，更为准确的识别出误检结果中的目标的类别，将预设目标检测方法与卷积神经网络分类模型相结合，综合提高了目标识别的精度。
为了便于理解，下面结合具体实例，对本发明实施例所提供的目标识别方法进行介绍。
以公共财产安全领域中，对施工车辆目标的识别为例，施工车辆是指专用于工程建设、运载、挖掘、抢修等，具备特殊工程用途的车辆，主要包括吊车、泵车、挖掘机、推土车、渣土车等。在如图3a、图3b所示的桥梁、电线等场景中，方框中的施工车辆的施工作业，很容易对公共设施造成以外的损坏，例如，损坏电网高架、损坏电线、损坏桥梁桥墩等等，从而损害公共财产安全。因此，对这些公共场景的施工车辆进行监控、检测，可以确保公共设施不受到外界有意或者无意的破坏。
在施工车辆监控中，往往通过人工筛选的方式，从大量视频监控图像数据中人工筛选出上述几类施工车辆，这将消耗大量的时间和精力，使得公共设施安全管理的相关部门难以对施工车辆进行有效的管理。
基于上述问题，本实例提出了一种目标识别方法，用于判断监控的区域中是否有施工车辆，并且识别出施工车辆的类别。如图4所示，为本发明实施例的施工车辆识别方法的流程图。
S401，获取通过图像采集设备采集的指定场景下的源图像。
为了保证施工车辆能够清晰可辨识，可以采用清晰度较高的图像采集设备，例如高清摄像机，并且保证图像采集设备可以采集到重点监控区域，即指定场景。
S402，将源图像进行归一化处理。
通常情况下，为了更大范围的检测上述场景，采集到的源图像往往是尺寸较大的图像，为了确保目标识别的方法能够对同样大小的图像进行处理，将获取的源图像进行归一化处理，得到尺寸统一的图像，本实例中，将源图像归一化后，尺寸为1980*1080，经过归一化后，能够减少图像数据量，加快处理时间。归一化后的图像的尺寸一般小于或等于源图像的尺寸，且宽度、高度需要等比例缩放。
S403，提取归一化后的图像中感兴趣区域ROI内的图像，作为待检测图像。
在对待检测图像进行归一化处理后，可以设定归一化后的图像中的检测区域，也就是归一化后的图像中的感兴趣区域ROI。如果需要对源图像的全图进行施工车辆识别，则将ROI设置为全图；如果只需要关注特定的某个区域是否有施工车辆闯入，则将ROI设定为所关注的区域，提取ROI内的图像，作为待检测图像。
S404，获取多个包含有施工车辆的图像样本。
本实例中，所获取的包含施工车辆的图像样本皆来自电网、桥梁、楼宇等场景的监控图像，尽可能多的获取图像样本，例如大于50个监控图像作为图像样本。
S405，对获取的多个图像样本进行整理和标定。
可以采用人工标定的方式，标定出施工车辆目标的区域，每个图像样本的标定结果都是一个矩形区域的坐标。
S406，根据标定的坐标信息，提取各图像样本中施工车辆目标所处区域的图像，作为目标图像，并对各目标图像进行训练，得到Faster RCNN检测模型。
将待检测图像中施工车辆目标作为正样本，Faster RCNN检测模型只需要标注好正样本即可。
S407，按目标的类别，将各目标图像进行划分，得到多个类别分别对应的样本集，并分别对各类别对应的样本集进行训练，得到多个卷积神经网络分类模型。
可以采用截图工具，截取上述Faster RCNN标定的施工车辆目标矩形区域的目标图像，然后将这些目标图像分为挖掘机、渣土车、推土车、泵车、吊车共5类施工车辆，这5类施工车辆样本作为正样本；此外，将非施工车辆样本作为负样本，如图5a、图5b、图5c、图5d、图5e为各类施工车辆对应的样本示意图，图5f为非施工车辆样本示意图。
S408，采用Faster RCNN目标检测方法，通过Faster RCNN检测模型，对待检测图像进行检测，得到待检测图像中多个目标区域的置信度。
采用Faster RCNN目标检测方法，不仅可以判断待检测图像中是否有施工车辆目标，还可以得到多个目标的置信度，置信度高的目标为确定的施工车辆目标，置信度低的目标可能为误检目标，则需要进一步对这种目标进行识别。
S409，判断目标区域的置信度是否不低于990，若是则执行S410，否则执行S411。
S410，确定施工车辆的位置信息。
S411，通过多个CNN分类模型，对目标进行识别，确定目标的类别以及位置信息。
本方案中，采用Faster RCNN目标检测方法，通过预先训练得到的Faster RCNN检测模型，对获取得到的待检测图像进行检测，得到待检测图像中多个目标区域的置信度，针对置信度低于预设阈值的目标，通过预先训练得到的多个CNN分类模型，对这些目标进行识别，确定各目标的类别。在使用Faster RCNN目标检测方法，检测出目标区域后，针对该方法存在误检的情况，对误检的目标进一步采用CNN分类模型的识别，更为准确的识别出误检结果中目标的类别，将Faster RCNN目标检测方法与CNN分类模型相结合，综合提高了目标识别的精度。并且，通过对源图像的归一化处理以及对归一化后的图像的感兴趣区域进行提取，可以减少图像数据量，加快目标识别的处理速度。将上述目标识别方法应用于公共财产安全监控系统中，自动检测监控场景中是否有施工车辆闯入，对减少人工成本、提升工作效率、促进公共财产安全管理等方面起了很大的推进作用。
相应于上述方法实施例，本发明实施例提供了一种目标识别装置，如图6所示，该目标识别装置可以包括：
获取模块610，用于获取待检测图像；
检测模块620，用于采用预设目标检测方法，通过预先训练得到的检测模型，对所述待检测图像进行检测，得到所述待检测图像中多个目标区域的置信度；
识别模块630，用于针对置信度低于预设阈值的第一目标区域，通过预先训练得到的多个卷积神经网络分类模型，对所述第一目标区域中的目标进行识别，确定各目标的类别，其中，所述多个卷积神经网络分类模型为：对多个类别的目标分别对应的样本集进行训练得到的模型。
可选的，所述获取模块610，具体可以用于：
获取指定场景下的源图像；
对所述源图像进行归一化处理，得到满足预设尺寸的待检测图像。
可选的，所述获取模块610，具体还可以用于：
获取指定场景下的源图像；
提取所述源图像中感兴趣区域ROI内的图像，作为待检测图像。
可选的，所述识别模块630，具体可以用于：
针对置信度低于预设阈值的第一目标区域，通过预先训练得到的多个卷积神经网络分类模型，对所述第一目标区域中的作业车辆进行识别，确定各作业车辆的类别，其中，所述多个卷积神经网络分类模型为：对多个类别的作业车辆分别对应的样本集进行训练得到的模型。
应用本实施例，采用预设目标检测方法，通过预先训练得到的检测模型，对获取得到的待检测图像进行检测，得到待检测图像中多个目标区域的置信度，针对置信度低于预设阈值的第一目标区域，通过预先训练得到的多个卷积神经网络分类模型，对第一目标区域中的目标进行识别，确定各目标的类别。在使用预设目标检测方法，检测出目标区域后，针对该方法存在误检的情况，对误检的目标进一步采用卷积神经网络分类模型的识别，更为准确的识别出误检结果中的目标的类别，将预设目标检测方法与卷积神经网络分类模型相结合，综合提高了目标识别的精度。并且，通过对源图像的归一化处理或者对源图像的感兴趣区域进行提取，可以减少图像数据量，加快目标识别的处理速度。
基于图6所示实施例，本发明实施例还提供了另一种目标识别装置，如图7所示，该目标识别装置包括：
获取模块710，用于获取待检测图像；获取多个包含有指定目标的图像样本；
提取模块720，用于根据标定的各图像样本中指定目标的坐标信息，提取各图像样本中指定目标所处区域的图像，作为目标图像；提取各目标图像；
划分模块730，用于按目标的类别，将各目标图像进行划分，得到多个类别分别对应的样本集；
训练模块740，用于对各目标图像进行训练，得到检测模型；分别对所述多个类别分别对应的样本集进行训练，得到多个卷积神经网络分类模型；
检测模块750，用于采用预设目标检测方法，通过预先训练得到的检测模型，对所述待检测图像进行检测，得到所述待检测图像中多个目标区域的置信度；
识别模块760，用于针对置信度低于预设阈值的第一目标区域，通过预先训练得到的多个卷积神经网络分类模型，对所述第一目标区域中的目标进行识别，确定各目标的类别，其中，所述多个卷积神经网络分类模型为：对多个类别的目标分别对应的样本集进行训练得到的模型。
应用本实施例，采用预设目标检测方法，通过预先训练得到的检测模型，对获取得到的待检测图像进行检测，得到待检测图像中多个目标区域的置信度，针对置信度低于预设阈值的第一目标区域，通过预先训练得到的多个卷积神经网络分类模型，对第一目标区域中的目标进行识别，确定各目标的类别。在使用预设目标检测方法，检测出目标区域后，针对该方法存在误检的情况，对误检的目标进一步采用卷积神经网络分类模型的识别，更为准确的识别出误检结果中的目标的类别，将预设目标检测方法与卷积神经网络分类模型相结合，综合提高了目标识别的精度。
基于图6所示实施例，本发明实施例还提供了再一种目标识别装置，如图8所示，该目标识别装置包括：
获取模块810，用于获取待检测图像；
检测模块820，用于采用预设目标检测方法，通过预先训练得到的检测模型，对所述待检测图像进行检测，得到所述待检测图像中多个目标区域的置信度；
识别模块830，用于针对置信度低于预设阈值的第一目标区域，通过预先训练得到的多个卷积神经网络分类模型，对所述第一目标区域中的目标进行识别，确定各目标的类别，其中，所述多个卷积神经网络分类模型为：对多个类别的目标分别对应的样本集进行训练得到的模型；
确定模块840，用于针对置信度不低于预设阈值的第二目标区域，确定所述第二目标区域中的目标的位置信息。
应用本实施例，采用预设目标检测方法，通过预先训练得到的检测模型，对获取得到的待检测图像进行检测，得到待检测图像中多个目标区域的置信度，针对置信度低于预设阈值的第一目标区域，通过预先训练得到的多个卷积神经网络分类模型，对第一目标区域中的目标进行识别，确定各目标的类别；针对置信度不低于预设阈值的第二目标区域，直接输出检测结果，即指定目标的位置信息。在使用预设目标检测方法，检测出目标区域后，针对该方法存在误检的情况，对误检的目标进一步采用卷积神经网络分类模型的识别，更为准确的识别出误检结果中的目标的类别，将预设目标检测方法与卷积神经网络分类模型相结合，综合提高了目标识别的精度。
为了解决上述目标识别精度较低的问题，本发明实施例还提供了一种监控设备，如图9所示，包括图像采集器901、处理器902和存储器903，其中，
所述图像采集器901，用于采集指定场景下的源图像；
所述存储器903，用于存放计算机程序；
所述处理器902被所述机器可执行指令促使实现如下步骤：
获取待检测图像；
采用预设目标检测方法，通过预先训练得到的检测模型，对所述待检测图像进行检测，得到所述待检测图像中多个目标区域的置信度；
针对置信度低于预设阈值的第一目标区域，通过预先训练得到的多个卷积神经网络分类模型，对所述第一目标区域中的目标进行识别，确定各目标的类别，其中，所述多个卷积神经网络分类模型为：对多个类别的目标分别对应的样本集进行训练得到的模型。
可选的，所述处理器902在实现所述获取待检测图像的步骤中，具体可以实现：
获取指定场景下的源图像；
对所述源图像进行归一化处理，得到满足预设尺寸的待检测图像。
可选的，所述处理器902在实现所述获取待检测图像的步骤中，具体还可以实现：
获取指定场景下的源图像；
提取所述源图像中感兴趣区域ROI内的图像，作为待检测图像。
可选的，所述处理器902还可以实现：
获取多个包含有指定目标的图像样本；
根据标定的各图像样本中指定目标的坐标信息，提取各图像样本中指定目标所处区域的图像，作为目标图像；
对各目标图像进行训练，得到检测模型。
可选的，所述处理器902还可以实现：
提取各目标图像；
按目标的类别，将各目标图像进行划分，得到多个类别分别对应的样本集；
分别对所述多个类别分别对应的样本集进行训练，得到多个卷积神经网络分类模型。
可选的，所述处理器902还可以实现：
针对置信度不低于预设阈值的第二目标区域，确定所述第二目标区域中的目标的位置信息。
可选的，所述处理器902在实现所述针对置信度低于预设阈值的第一目标区域，通过预先训练得到的多个卷积神经网络分类模型，对所述第一目标区域中的目标进行识别，确定各目标的类别的步骤中，具体可以实现：
针对置信度低于预设阈值的第一目标区域，通过预先训练得到的多个卷积神经网络分类模型，对所述第一目标区域中的作业车辆进行识别，确定各作业车辆的类别，其中，所述多个卷积神经网络分类模型为：对多个类别的作业车辆分别对应的样本集进行训练得到的模型。
上述图像采集器可以包括IPC(IP Camera，网络摄像机)、智能照相机等。
上述监控设备中还可以包括通信总线、通信接口，通信总线可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。上述存储器可以包括RAM(Random Access Memory，随机存取存储器)，也可以包括NVM(Non-volatile Memory，非易失性存储器)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器，包括CPU(Central Processing Unit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP(Digital Signal Processor，数字信号处理器)、ASIC(Application Specific Integrated Circuit，专用集成电路)、FPGA(Field-Programmable Gate Array，现场可编程门阵列)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。
本实施例中，该监控设备的处理器通过读取存储器中存储的计算机程序，并通过运行该计算机程序，能够实现：在使用预设目标检测方法，检测出目标区域后，针对该方法存在误检的情况，对误检的目标进一步采用卷积神经网络分类模型的识别，更为准确的识别出误检结果中的目标的类别，将预设目标检测方法与卷积神经网络分类模型相结合，综合提高了目标识别的精度。
另外，相应于上述实施例所提供的目标识别方法，本发明实施例提供了一种存储介质，用于存储计算机程序，所述计算机程序被处理器执行时，实现上述目标识别方法的所有步骤。
本实施例中，存储介质存储有在运行时执行本申请实施例所提供的目标识别方法的应用程序，因此能够实现：在使用预设目标检测方法，快速检测到目标后，针对该方法存在误检的情况，对误检的目标进一步采用卷积神经网络分类模型的识别，更为准确的识别出误检结果中的目标的类别，将预设目标检测方法与卷积神经网络分类模型相结合，综合提高了目标识别的精度。
对于监控设备以及存储介质实施例而言，由于其所涉及的方法内容基本相似于前述的方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、监控设备以及存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (15)
1.一种目标识别方法，其特征在于，所述方法包括：
获取待检测图像；
采用预设目标检测方法，通过预先训练得到的检测模型，对所述待检测图像进行检测，得到所述待检测图像中多个目标区域的置信度；
针对置信度低于预设阈值的第一目标区域，通过预先训练得到的多个卷积神经网络分类模型，对所述第一目标区域中的目标进行识别，确定各目标的类别，其中，所述多个卷积神经网络分类模型为：对多个类别的目标分别对应的样本集进行训练得到的模型。
2.根据权利要求1所述的方法，其特征在于，所述获取待检测图像，包括：
获取指定场景下的源图像；
对所述源图像进行归一化处理，得到满足预设尺寸的待检测图像。
3.根据权利要求1所述的方法，其特征在于，所述获取待检测图像，包括：
获取指定场景下的源图像；
提取所述源图像中感兴趣区域ROI内的图像，作为待检测图像。
4.根据权利要求1所述的方法，其特征在于，在所述采用预设目标检测方法，通过预先训练得到的检测模型，对所述待检测图像进行检测，得到所述待检测图像中多个目标区域的置信度之前，所述方法还包括：
获取多个包含有指定目标的图像样本；
根据标定的各图像样本中指定目标的坐标信息，提取各图像样本中指定目标所处区域的图像，作为目标图像；
对各目标图像进行训练，得到检测模型。
5.根据权利要求4所述的方法，其特征在于，在所述通过预先训练得到的多个卷积神经网络分类模型，对所述第一目标区域中的目标进行识别，确定各目标的类别之前，所述方法还包括：
提取各目标图像；
按目标的类别，将各目标图像进行划分，得到多个类别分别对应的样本集；
分别对所述多个类别分别对应的样本集进行训练，得到多个卷积神经网络分类模型。
6.根据权利要求1所述的方法，其特征在于，在所述采用预设目标检测方法，通过预先训练得到的检测模型，对所述待检测图像进行检测，得到所述待检测图像中多个目标区域的置信度之后，所述方法还包括：
针对置信度不低于预设阈值的第二目标区域，确定所述第二目标区域中的目标的位置信息。
7.根据权利要求1至6任一所述的方法，其特征在于，所述针对置信度低于预设阈值的第一目标区域，通过预先训练得到的多个卷积神经网络分类模型，对所述第一目标区域中的目标进行识别，确定各目标的类别，包括：
针对置信度低于预设阈值的第一目标区域，通过预先训练得到的多个卷积神经网络分类模型，对所述第一目标区域中的作业车辆进行识别，确定各作业车辆的类别，其中，所述多个卷积神经网络分类模型为：对多个类别的作业车辆分别对应的样本集进行训练得到的模型。
8.一种目标识别装置，其特征在于，所述装置包括：
获取模块，用于获取待检测图像；
检测模块，用于采用预设目标检测方法，通过预先训练得到的检测模型，对所述待检测图像进行检测，得到所述待检测图像中多个目标区域的置信度；
识别模块，用于针对置信度低于预设阈值的第一目标区域，通过预先训练得到的多个卷积神经网络分类模型，对所述第一目标区域中的目标进行识别，确定各目标的类别，其中，所述多个卷积神经网络分类模型为：对多个类别的目标分别对应的样本集进行训练得到的模型。
9.根据权利要求8所述的装置，其特征在于，所述获取模块，具体用于：
获取指定场景下的源图像；
对所述源图像进行归一化处理，得到满足预设尺寸的待检测图像。
10.根据权利要求8所述的装置，其特征在于，所述获取模块，具体用于：
获取指定场景下的源图像；
提取所述源图像中感兴趣区域ROI内的图像，作为待检测图像。
11.根据权利要求8所述的装置，其特征在于，所述获取模块，还用于：
获取多个包含有指定目标的图像样本；
所述装置还包括：
提取模块，用于根据标定的各图像样本中指定目标的坐标信息，提取各图像样本中指定目标所处区域的图像，作为目标图像；
训练模块，用于对各目标图像进行训练，得到检测模型。
12.根据权利要求11所述的装置，其特征在于，所述提取模块，还用于：
提取各目标图像；
所述装置还包括：
划分模块，用于按目标的类别，将各目标图像进行划分，得到多个类别分别对应的样本集；
所述训练模块，还用于：
分别对所述多个类别分别对应的样本集进行训练，得到多个卷积神经网络分类模型。
13.根据权利要求8所述的装置，其特征在于，所述装置还包括：
确定模块，用于针对置信度不低于预设阈值的第二目标区域，确定所述第二目标区域中的目标的位置信息。
14.根据权利要求8至13任一所述的装置，其特征在于，所述识别模块，具体用于：
针对置信度低于预设阈值的第一目标区域，通过预先训练得到的多个卷积神经网络分类模型，对所述第一目标区域中的作业车辆进行识别，确定各作业车辆的类别，其中，所述多个卷积神经网络分类模型为：对多个类别的作业车辆分别对应的样本集进行训练得到的模型。
15.一种监控设备，其特征在于，包括图像采集器、处理器和存储器，其中，
所述图像采集器，用于采集指定场景下的源图像；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现权利要求1-7任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711266795.0A CN109871730A (zh) | 2017-12-05 | 2017-12-05 | 一种目标识别方法、装置及监控设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711266795.0A CN109871730A (zh) | 2017-12-05 | 2017-12-05 | 一种目标识别方法、装置及监控设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109871730A true CN109871730A (zh) | 2019-06-11 |
Family
ID=66916424
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711266795.0A Pending CN109871730A (zh) | 2017-12-05 | 2017-12-05 | 一种目标识别方法、装置及监控设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109871730A (zh) |
Cited By (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110287934A (zh) * | 2019-07-02 | 2019-09-27 | 北京搜狐互联网信息服务有限公司 | 一种对象检测方法、装置、客户端及服务器 |
| CN110458198A (zh) * | 2019-07-10 | 2019-11-15 | 哈尔滨工业大学（深圳） | 多分辨率目标识别方法及装置 |
| CN110490079A (zh) * | 2019-07-19 | 2019-11-22 | 万翼科技有限公司 | 巡检数据处理方法、装置、计算机设备和存储介质 |
| CN110826391A (zh) * | 2019-09-10 | 2020-02-21 | 中国三峡建设管理有限公司 | 泌水区域检测方法、系统、计算机设备和存储介质 |
| CN111127440A (zh) * | 2019-12-22 | 2020-05-08 | 上海眼控科技股份有限公司 | 轮胎规格的检测方法、装置、电子设备及可读存储介质 |
| CN111145430A (zh) * | 2019-12-27 | 2020-05-12 | 北京每日优鲜电子商务有限公司 | 检测商品摆放状态的方法、装置及计算机存储介质 |
| CN111241953A (zh) * | 2020-01-03 | 2020-06-05 | 秒针信息技术有限公司 | 洗消验证方法和装置、存储介质及电子装置 |
| CN111310645A (zh) * | 2020-02-12 | 2020-06-19 | 上海东普信息科技有限公司 | 货物堆积量的溢仓预警方法、装置、设备及存储介质 |
| CN111382808A (zh) * | 2020-05-29 | 2020-07-07 | 浙江大华技术股份有限公司 | 一种车辆检测处理方法及装置 |
| CN111539456A (zh) * | 2020-04-02 | 2020-08-14 | 浙江华睿科技有限公司 | 一种目标识别方法及设备 |
| CN111639653A (zh) * | 2020-05-08 | 2020-09-08 | 浙江大华技术股份有限公司 | 一种误检图像确定方法、装置、设备和介质 |
| CN111652128A (zh) * | 2020-06-02 | 2020-09-11 | 浙江大华技术股份有限公司 | 一种高空电力作业安全监测方法、系统和存储装置 |
| CN111695478A (zh) * | 2020-06-04 | 2020-09-22 | 济南信通达电气科技有限公司 | 一种目标检测方法及设备 |
| CN111723723A (zh) * | 2020-06-16 | 2020-09-29 | 东软睿驰汽车技术（沈阳）有限公司 | 一种图像检测方法及装置 |
| CN111814562A (zh) * | 2020-06-11 | 2020-10-23 | 浙江大华技术股份有限公司 | 车辆的识别方法、车辆识别模型的训练方法及相关装置 |
| CN111881944A (zh) * | 2020-07-08 | 2020-11-03 | 贵州无忧天空科技有限公司 | 图像鉴别的方法、电子设备和计算机可读介质 |
| CN112001269A (zh) * | 2020-08-03 | 2020-11-27 | 浙江大华技术股份有限公司 | 车辆识别方法、装置、计算机设备和存储介质 |
| CN112101391A (zh) * | 2019-06-18 | 2020-12-18 | 富士通株式会社 | 图像分类器的训练装置、检测目标物体的装置和电子设备 |
| CN112149476A (zh) * | 2019-06-28 | 2020-12-29 | 北京海益同展信息科技有限公司 | 目标检测方法、装置、设备和存储介质 |
| CN112200180A (zh) * | 2019-07-08 | 2021-01-08 | 青岛海尔智能技术研发有限公司 | 用于瓶体检测分类的方法、装置及瓶体柜 |
| CN112215190A (zh) * | 2020-10-21 | 2021-01-12 | 南京智慧航空研究院有限公司 | 基于yolov4模型的违章建筑检测方法 |
| CN112241659A (zh) * | 2019-07-17 | 2021-01-19 | 杭州海康威视数字技术股份有限公司 | 违章建筑的检测装置和检测方法以及终端设备 |
| WO2021026855A1 (zh) * | 2019-08-15 | 2021-02-18 | 深圳市大疆创新科技有限公司 | 基于机器视觉的图像处理方法和设备 |
| CN112464785A (zh) * | 2020-11-25 | 2021-03-09 | 浙江大华技术股份有限公司 | 一种目标检测方法、装置、计算机设备及存储介质 |
| CN112508009A (zh) * | 2020-11-23 | 2021-03-16 | 北京配天技术有限公司 | 圆形特征检测方法、装置及存储装置 |
| CN112541372A (zh) * | 2019-09-20 | 2021-03-23 | 初速度（苏州）科技有限公司 | 一种困难样本筛选方法及装置 |
| CN112712097A (zh) * | 2019-10-25 | 2021-04-27 | 杭州海康威视数字技术股份有限公司 | 一种基于开放平台的图像识别方法、装置及用户端 |
| CN112733669A (zh) * | 2020-12-30 | 2021-04-30 | 中国移动通信集团江苏有限公司 | 人工智能ai的识别方法、装置、设备及计算机存储介质 |
| CN112818865A (zh) * | 2021-02-02 | 2021-05-18 | 北京嘀嘀无限科技发展有限公司 | 车载领域图像识别方法、识别模型建立方法、装置、电子设备和可读存储介质 |
| CN113361487A (zh) * | 2021-07-09 | 2021-09-07 | 无锡时代天使医疗器械科技有限公司 | 异物检测方法、装置、设备及计算机可读存储介质 |
| CN113454649A (zh) * | 2021-06-17 | 2021-09-28 | 商汤国际私人有限公司 | 目标检测方法、装置、电子设备和计算机可读存储介质 |
| CN113516673A (zh) * | 2020-04-10 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 图像检测方法、装置、设备和存储介质 |
| CN113705285A (zh) * | 2020-05-22 | 2021-11-26 | 珠海金山办公软件有限公司 | 主体识别方法、装置、及计算机可读存储介质 |
| CN115398062A (zh) * | 2020-04-14 | 2022-11-25 | Ｋｙｂ株式会社 | 已学习模型的生成方法及路面特征判定装置 |
| CN116385931A (zh) * | 2023-04-04 | 2023-07-04 | 北京中科睿途科技有限公司 | 视频监控画面的检测方法、装置、电子设备和存储介质 |
| WO2023159527A1 (zh) * | 2022-02-25 | 2023-08-31 | 京东方科技集团股份有限公司 | 检测器训练方法、装置及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104966104A (zh) * | 2015-06-30 | 2015-10-07 | 孙建德 | 一种基于三维卷积神经网络的视频分类方法 |
| CN106326837A (zh) * | 2016-08-09 | 2017-01-11 | 北京旷视科技有限公司 | 对象追踪方法和装置 |
| CN106845325A (zh) * | 2015-12-04 | 2017-06-13 | 杭州海康威视数字技术股份有限公司 | 一种信息检测方法及装置 |
| CN107358258A (zh) * | 2017-07-07 | 2017-11-17 | 西安电子科技大学 | 基于nsct双cnn通道和选择性注意机制的sar图像目标分类 |
-
2017
- 2017-12-05 CN CN201711266795.0A patent/CN109871730A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104966104A (zh) * | 2015-06-30 | 2015-10-07 | 孙建德 | 一种基于三维卷积神经网络的视频分类方法 |
| CN106845325A (zh) * | 2015-12-04 | 2017-06-13 | 杭州海康威视数字技术股份有限公司 | 一种信息检测方法及装置 |
| CN106326837A (zh) * | 2016-08-09 | 2017-01-11 | 北京旷视科技有限公司 | 对象追踪方法和装置 |
| CN107358258A (zh) * | 2017-07-07 | 2017-11-17 | 西安电子科技大学 | 基于nsct双cnn通道和选择性注意机制的sar图像目标分类 |
Non-Patent Citations (1)
| Title |
|---|
| MIAO KANG等: ""A modified faster R-CNN based on CFAR algorithm for SAR ship detection"", 《IEEE REMOTE SENSING WITH INTELLIGENT PROCESSING (RSIP)》 * |
Cited By (51)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112101391A (zh) * | 2019-06-18 | 2020-12-18 | 富士通株式会社 | 图像分类器的训练装置、检测目标物体的装置和电子设备 |
| CN112149476A (zh) * | 2019-06-28 | 2020-12-29 | 北京海益同展信息科技有限公司 | 目标检测方法、装置、设备和存储介质 |
| CN110287934A (zh) * | 2019-07-02 | 2019-09-27 | 北京搜狐互联网信息服务有限公司 | 一种对象检测方法、装置、客户端及服务器 |
| CN112200180B (zh) * | 2019-07-08 | 2023-11-21 | 青岛海尔智能技术研发有限公司 | 用于瓶体检测分类的方法、装置及瓶体柜 |
| CN112200180A (zh) * | 2019-07-08 | 2021-01-08 | 青岛海尔智能技术研发有限公司 | 用于瓶体检测分类的方法、装置及瓶体柜 |
| CN110458198A (zh) * | 2019-07-10 | 2019-11-15 | 哈尔滨工业大学（深圳） | 多分辨率目标识别方法及装置 |
| CN112241659A (zh) * | 2019-07-17 | 2021-01-19 | 杭州海康威视数字技术股份有限公司 | 违章建筑的检测装置和检测方法以及终端设备 |
| CN112241659B (zh) * | 2019-07-17 | 2024-05-17 | 杭州海康威视数字技术股份有限公司 | 违章建筑的检测装置和检测方法以及终端设备 |
| CN110490079B (zh) * | 2019-07-19 | 2022-06-03 | 万翼科技有限公司 | 巡检数据处理方法、装置、计算机设备和存储介质 |
| CN110490079A (zh) * | 2019-07-19 | 2019-11-22 | 万翼科技有限公司 | 巡检数据处理方法、装置、计算机设备和存储介质 |
| WO2021026855A1 (zh) * | 2019-08-15 | 2021-02-18 | 深圳市大疆创新科技有限公司 | 基于机器视觉的图像处理方法和设备 |
| CN110826391A (zh) * | 2019-09-10 | 2020-02-21 | 中国三峡建设管理有限公司 | 泌水区域检测方法、系统、计算机设备和存储介质 |
| CN112541372B (zh) * | 2019-09-20 | 2023-03-28 | 魔门塔(苏州)科技有限公司 | 一种困难样本筛选方法及装置 |
| CN112541372A (zh) * | 2019-09-20 | 2021-03-23 | 初速度（苏州）科技有限公司 | 一种困难样本筛选方法及装置 |
| CN112712097A (zh) * | 2019-10-25 | 2021-04-27 | 杭州海康威视数字技术股份有限公司 | 一种基于开放平台的图像识别方法、装置及用户端 |
| CN112712097B (zh) * | 2019-10-25 | 2024-01-05 | 杭州海康威视数字技术股份有限公司 | 一种基于开放平台的图像识别方法、装置及用户端 |
| CN111127440A (zh) * | 2019-12-22 | 2020-05-08 | 上海眼控科技股份有限公司 | 轮胎规格的检测方法、装置、电子设备及可读存储介质 |
| CN111145430A (zh) * | 2019-12-27 | 2020-05-12 | 北京每日优鲜电子商务有限公司 | 检测商品摆放状态的方法、装置及计算机存储介质 |
| CN111241953A (zh) * | 2020-01-03 | 2020-06-05 | 秒针信息技术有限公司 | 洗消验证方法和装置、存储介质及电子装置 |
| CN111241953B (zh) * | 2020-01-03 | 2023-11-10 | 河北太行农牧供应链有限公司 | 洗消验证方法和装置、存储介质及电子装置 |
| CN111310645A (zh) * | 2020-02-12 | 2020-06-19 | 上海东普信息科技有限公司 | 货物堆积量的溢仓预警方法、装置、设备及存储介质 |
| CN111310645B (zh) * | 2020-02-12 | 2023-06-13 | 上海东普信息科技有限公司 | 货物堆积量的溢仓预警方法、装置、设备及存储介质 |
| CN111539456B (zh) * | 2020-04-02 | 2024-03-01 | 浙江华睿科技股份有限公司 | 一种目标识别方法及设备 |
| CN111539456A (zh) * | 2020-04-02 | 2020-08-14 | 浙江华睿科技有限公司 | 一种目标识别方法及设备 |
| CN113516673B (zh) * | 2020-04-10 | 2022-12-02 | 阿里巴巴集团控股有限公司 | 图像检测方法、装置、设备和存储介质 |
| CN113516673A (zh) * | 2020-04-10 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 图像检测方法、装置、设备和存储介质 |
| CN115398062B (zh) * | 2020-04-14 | 2024-10-11 | Ｋｙｂ株式会社 | 路面特征判定装置 |
| CN115398062A (zh) * | 2020-04-14 | 2022-11-25 | Ｋｙｂ株式会社 | 已学习模型的生成方法及路面特征判定装置 |
| CN111639653B (zh) * | 2020-05-08 | 2023-10-10 | 浙江大华技术股份有限公司 | 一种误检图像确定方法、装置、设备和介质 |
| CN111639653A (zh) * | 2020-05-08 | 2020-09-08 | 浙江大华技术股份有限公司 | 一种误检图像确定方法、装置、设备和介质 |
| CN113705285A (zh) * | 2020-05-22 | 2021-11-26 | 珠海金山办公软件有限公司 | 主体识别方法、装置、及计算机可读存储介质 |
| CN111382808A (zh) * | 2020-05-29 | 2020-07-07 | 浙江大华技术股份有限公司 | 一种车辆检测处理方法及装置 |
| CN111652128B (zh) * | 2020-06-02 | 2023-09-01 | 浙江大华技术股份有限公司 | 一种高空电力作业安全监测方法、系统和存储装置 |
| CN111652128A (zh) * | 2020-06-02 | 2020-09-11 | 浙江大华技术股份有限公司 | 一种高空电力作业安全监测方法、系统和存储装置 |
| CN111695478A (zh) * | 2020-06-04 | 2020-09-22 | 济南信通达电气科技有限公司 | 一种目标检测方法及设备 |
| CN111814562A (zh) * | 2020-06-11 | 2020-10-23 | 浙江大华技术股份有限公司 | 车辆的识别方法、车辆识别模型的训练方法及相关装置 |
| CN111723723A (zh) * | 2020-06-16 | 2020-09-29 | 东软睿驰汽车技术（沈阳）有限公司 | 一种图像检测方法及装置 |
| CN111881944A (zh) * | 2020-07-08 | 2020-11-03 | 贵州无忧天空科技有限公司 | 图像鉴别的方法、电子设备和计算机可读介质 |
| CN112001269A (zh) * | 2020-08-03 | 2020-11-27 | 浙江大华技术股份有限公司 | 车辆识别方法、装置、计算机设备和存储介质 |
| CN112215190A (zh) * | 2020-10-21 | 2021-01-12 | 南京智慧航空研究院有限公司 | 基于yolov4模型的违章建筑检测方法 |
| CN112508009A (zh) * | 2020-11-23 | 2021-03-16 | 北京配天技术有限公司 | 圆形特征检测方法、装置及存储装置 |
| CN112464785A (zh) * | 2020-11-25 | 2021-03-09 | 浙江大华技术股份有限公司 | 一种目标检测方法、装置、计算机设备及存储介质 |
| CN112733669A (zh) * | 2020-12-30 | 2021-04-30 | 中国移动通信集团江苏有限公司 | 人工智能ai的识别方法、装置、设备及计算机存储介质 |
| CN112818865A (zh) * | 2021-02-02 | 2021-05-18 | 北京嘀嘀无限科技发展有限公司 | 车载领域图像识别方法、识别模型建立方法、装置、电子设备和可读存储介质 |
| CN113454649A (zh) * | 2021-06-17 | 2021-09-28 | 商汤国际私人有限公司 | 目标检测方法、装置、电子设备和计算机可读存储介质 |
| CN113454649B (zh) * | 2021-06-17 | 2024-05-24 | 商汤国际私人有限公司 | 目标检测方法、装置、电子设备和计算机可读存储介质 |
| CN113361487B (zh) * | 2021-07-09 | 2024-09-06 | 无锡时代天使医疗器械科技有限公司 | 异物检测方法、装置、设备及计算机可读存储介质 |
| CN113361487A (zh) * | 2021-07-09 | 2021-09-07 | 无锡时代天使医疗器械科技有限公司 | 异物检测方法、装置、设备及计算机可读存储介质 |
| WO2023159527A1 (zh) * | 2022-02-25 | 2023-08-31 | 京东方科技集团股份有限公司 | 检测器训练方法、装置及存储介质 |
| CN116385931B (zh) * | 2023-04-04 | 2023-08-29 | 北京中科睿途科技有限公司 | 视频监控画面的检测方法、装置、电子设备和存储介质 |
| CN116385931A (zh) * | 2023-04-04 | 2023-07-04 | 北京中科睿途科技有限公司 | 视频监控画面的检测方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109871730A (zh) | 一种目标识别方法、装置及监控设备 | |
| US11455805B2 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
| CN106373426B (zh) | 基于计算机视觉的停车位及违规占道停车监控方法 | |
| CN113822247B (zh) | 基于航拍影像的违章建筑识别方法及系统 | |
| CN108932510A (zh) | 一种垃圾检测方法及装置 | |
| CN109255288A (zh) | 一种路面破损检测方法、装置及终端设备 | |
| CN111210399B (zh) | 一种成像质量评价方法、装置及设备 | |
| WO2021093625A1 (zh) | 智能分析算法选取方法、装置、系统及电子设备 | |
| CN110956104A (zh) | 一种检测垃圾桶溢出的方法、装置及系统 | |
| CN113420673B (zh) | 垃圾分类方法、装置、设备及存储介质 | |
| CN111666821A (zh) | 人员聚集的检测方法、装置及设备 | |
| CN111582255A (zh) | 车辆超限检测方法、装置、计算机设备和存储介质 | |
| Conley et al. | Using a deep learning model to quantify trash accumulation for cleaner urban stormwater | |
| CN114926791A (zh) | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 | |
| CN114022810A (zh) | 建筑工地爬架防护网工作状态检测方法、系统、介质及终端 | |
| CN108182444A (zh) | 基于场景分类的视频质量诊断的方法及装置 | |
| CN110427838A (zh) | 一种垃圾清理方法、计算机设备及可读存储介质 | |
| CN115272898A (zh) | 基于管网无人机巡检视频的识别方法、装置、介质和设备 | |
| CN113473076B (zh) | 社区报警方法及服务器 | |
| CN114742993A (zh) | 基于视觉实现COVID-19Ag抗原检测结果识别的方法、装置、处理器及其存储介质 | |
| CN114169404A (zh) | 一种基于图像智能获取边坡病害量化信息方法 | |
| CN113936294A (zh) | 建筑工地人员识别方法、可读存储介质和电子设备 | |
| CN113470009A (zh) | 违规撑伞检测和识别方法、装置、电子设备及存储介质 | |
| CN111259832A (zh) | 一种犬只的识别方法，识别装置，机器可读介质以及系统 | |
| CN113435419B (zh) | 违规丢弃垃圾行为检测方法、装置及应用 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190611 |