CN109902627A - 一种目标检测方法及装置 - Google Patents
一种目标检测方法及装置 Download PDFInfo
- Publication number
- CN109902627A CN109902627A CN201910149832.2A CN201910149832A CN109902627A CN 109902627 A CN109902627 A CN 109902627A CN 201910149832 A CN201910149832 A CN 201910149832A CN 109902627 A CN109902627 A CN 109902627A
- Authority
- CN
- China
- Prior art keywords
- target
- video frame
- frame
- band
- current video
- 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
本发明公开了一种目标检测方法,该方法及装置应用于级联检测系统中的前端检测器,该方法,该方法考虑了连续的视频帧的关联,对于非关键帧,通过历史视频帧得到的各个目标的位置区域对当前视频帧的位置区域进行预测,再通过该预测结果进行目标检测,则无需再进行复杂的目标检测过程,降低了运算开销,提升了运算速度。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种目标检测方法及装置。
背景技术
目标检测的目的是将某既定目标从场景中分割和识别出来,是一种基于目标几何和统计特征的图像分割,该技术是图像处理过程中的关键步骤,在图像处理领域具有至关重要的作用。
并且,为了提高目标检测的查全率和准确性,通常采用级联思想对图像进行目标检测。其中,级联思想为将多个弱计算单元串联,执行由粗到精的计算,前端的级联单元旨在保证较高的查全率和快速性,后端级联单元旨在保持较高的查准率。例如,CascaedRCNN方法。
然而,CascaedRCNN方法中前端级联单元通常采用尺度金字塔对图像进行检测,并且需要滑动窗在多个金字塔尺度空间下多次循环执行,计算开销大,运算速度慢。
发明内容
有鉴于此,本发明实施例公开了一种目标检测方法及装置,解决了现有技术中级联系统中前端级联单元计算开销大、运算速度慢的问题。
一种目标检测方法,其特征在于,所述方法应用于级联系统,所述级联系统包括:前端检测器和后端检测器,所述方法应用于所述级联系统的前端检测器,包括:
在对连续的视频帧进行目标检测时,判断当前视频帧是关键帧还是非关键帧;
若当前视频帧为关键帧,按照预设的算法对当前视频帧进行目标检测,得到当前视频帧中各个目标的位置区域;
若当前视频帧为非关键帧,获取当前视频帧中各个目标的位置区域的预测结果,并在预测得到的当前帧中各个目标的位置区域进行目标检测,得到当前视频帧中有效目标的位置区域;所述当前视频帧中各个目标的预测结果是依据历史视频帧中各个目标的位置区域进行预测的,所述历史视频帧包括至少一个在当前视频帧之前被执行过目标检测的视频帧。
可选的,还包括:
对于连续的视频帧,每间隔预定的视频帧的数量标记一个关键帧,两个关键帧之间的视频帧为非关键帧;
或者
对于连续的视频帧,每间隔预定的时间长度标记一个关键帧,两个关键帧之间的视频帧为非关键帧。
可选的,还包括:
若当前视频帧为关键帧,依据得到的各个目标的位置区域对下一视频帧中各个目标的位置区域进行预测;
若当前视频帧为非关键帧,依据得到的各个有效目标的位置区域对下一视频帧中各个目标的位置区域进行预测。
可选的,还包括:
在所述当前视频帧为关键帧时,将得到的当前视频帧中各个目标的位置区域与上一视频帧中各个目标的位置区域进行匹配;
若存在当前视频帧中第一目标与上一视频帧中各个目标无法匹配的情况,则判定所述第一目标为新出现的目标;
对新出现的目标进行预处理,以使预处理后所述新出现的目标能够用于预测所述新出现的目标在下一视频帧中的位置区域。
可选的,所述将得到的当前视频帧中各个目标的位置区域与上一视频帧中各个目标的位置区域进行匹配,包括:
计算当前视频帧中第二目标的位置区域与上一视频帧中所有的目标的位置区域的交集以及并集;所述第二目标为当前视频帧中任意一个目标;
计算第二目标与上一视频帧中每一个目标的交集和并集的比例;
若第二目标与上一视频帧中第三目标的交集和并集的比例大于预设的阈值,则表示当前帧中的第二目标与上一帧中的第三目标为同一个目标;所述第三目标为所述上一视频帧中任意一个目标。
可选的,所述在预测得到的当前视频帧中各个目标的位置区域进行目标检测,包括:
判断当前视频帧中第三目标的位置区域上是否检测到目标;所述第三目标的位置区域为通过预测结果中当前视频帧的任何一个目标的位置区域;
若检测到目标,则表示所述第三目标的位置区域为有效的位置区域;
若未检测到目标,则表示所述第三目标的位置区域为无效的位置区域。
本发明实施例还公开了一种目标检测装置,所述装置应用于级联系统,所述级联系统包括:前端检测器和后端检测器,所述装置应用于所述前端检测器,所述装置包括:
判断单元,用于在对连续的视频帧个目标检测时,判断当前视频帧是关键帧还是非关键帧;
关键帧检测单元,用于若当前视频帧为关键帧,按照预设的算法对当前视频帧进行目标检测,得到当前视频帧中各个目标的位置区域;
非关键帧检测单元,用于若当前视频帧为非关键帧,获取当前视频帧中各个目标的位置区域的预测结果,依据所述预测结果确定所述当前视频帧中各个目标的位置区域;所述当前视频帧中各个目标的预测结果是依据历史视频帧中各个目标的位置区域进行预测的。
可选的,还包括:
第一划分子单元,用于对于连续的视频帧,每间隔预定的视频帧的数量标记一个关键帧,两个关键帧之间的视频帧为非关键帧;
或者
第二划分子单元,用于对于连续的视频帧,每间隔预定的时间长度标记一个关键帧,两个关键帧之间的视频帧为非关键帧。
可选的,还包括:
第一预测单元,用于若当前视频帧为关键帧,依据得到的各个目标的位置区域对下一视频帧中各个目标的位置区域进行预测;
第二预测单元,用于若当前视频帧为非关键帧,依据得到的各个有效目标的位置区域对下一视频帧中各个目标的位置区域进行预测。
可选的,还包括:
匹配单元,用于在所述当前视频帧为关键帧时,将得到的当前视频帧中各个目标的位置区域与上一视频帧中各个目标的位置区域进行匹配;
判定单元,用于若存在当前视频帧中第一目标与上一视频帧中各个目标无法匹配的情况,则判定所述第一目标为新出现的目标;
预处理单元,用于对新出现的目标进行预处理,以使预处理后所述新出现的目标能够用于预测所述新出现的目标在下一视频帧中的位置区域。
本发明实施例公开了一种目标检测方法及装置,该方法及装置应用于级联检测系统中的前端检测器,该方法包括:在对连续的视频帧进行目标检测时,判断当前视频帧是关键帧还是非关键帧;若当前视频帧为关键帧,按照预设的算法对当前视频帧进行目标检测,得到当前视频帧中各个目标的位置区域;若当前视频帧为非关键帧,获取当前视频帧中各个目标的位置区域的预测结果,依据所述预测结果确定所述当前视频帧中各个目标的位置区域;所述当前视频帧中各个目标的预测结果是依据历史视频帧中各个目标的位置区域进行预测的,所述历史视频帧包括至少一个在当前视频帧之前被执行过目标检测的视频帧。由此可知,该方法考虑了连续的视频帧的关联,对于非关键帧,通过历史视频帧得到的各个目标的位置区域对当前视频帧的位置区域进行预测,再通过该预测结果进行目标检测,则无需再进行复杂的目标检测过程,降低了运算开销,提升了运算速度。
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,还可以根据提供的附图获得其他的附图。
图1示出了本发明实施例提供的一种目标检测方法的流程示意图;
图2示出了本发明实施例提供的一种目标检测方法的又一流程示意图;
图3示出了本发明实施例提供的一种目标检测装置的结构示意图。
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。
参考图1,示出了本发明实施例提供的一种目标检测方法的流程示意图,在本实施例中,该方法包括:
S101:在对连续的视频帧进行目标检测时,判断当前视频帧是关键帧还是非关键帧;
本实施例中,首先需要将连续的视频帧划分为关键帧和非关键帧,其中,划分的规则有很多,在本实施例中,提供如下的两种实现方式:
方式一:对于连续的视频帧,每间隔预定的视频帧的数量标记一个关键帧,两个关键帧之间的视频帧为非关键帧;
方式二:对于连续的视频帧,每间隔预定的时间长度标记一个关键帧,两个关键帧时间的视频帧为非关键帧。
其中,用于划分关键帧和非关键帧的预定的视频帧的数量和预定的时间是可以调整的,调整的依据是级联系统的整体负载,具体的,包括:
获取目标检测系统的整体负载;所述目标检测系统用于执行所述基于多尺度的目标检测方法;
根据目标检测系统的整体负载,设置用于划分关键帧和非关键帧的所述预定的视频帧的数量或者所述预定的时间长度。
举例说明:在负载较高时,可以间隔较多视频帧,或者间隔较长的时间标记一个关键帧;若是对精度要求较高,可以间隔较少的视频帧,或者间隔较短的时间长度标记一个关键帧。
本实施例中,在对连续的视频帧进行目标检测时,可以依据上述的划分规则,对当前要进行目标检测的视频帧进行判定,确定当前的视频帧是关键帧还是非关键帧,具体的,S101包括如下的两种判定方式,具体的包括:
实施方式一:
计算当前视频帧与上一关键帧间隔的视频帧的数量;
判断当前视频帧与上一关键帧间隔的视频帧的数量是否为预设的第一阈值的整数倍;
若当前视频帧与上一关键帧间隔的视频帧的数量不是预设的第一阈值的整数倍,则当前视频帧为非关键帧;
若当前视频帧与上一关键帧间隔的视频帧的数量是预设的第一阈值的整数倍,则当前视频帧为关键帧。
实施方式二:
计算当前视频帧与上一关键帧间隔的时间长度;
判断间隔的时间长度是否为预设的第二阈值的整数倍;
若所述间隔的时间长度是预设的第二阈值的整数倍,则当前视频帧为非关键帧;
若所述间隔的时间长度不是预设的第二阈值的整数倍,则当前视频帧为非关键帧。
S102:若当前视频帧为关键帧,按照预设的算法对当前视频帧进行目标检测,得到当前视频帧中各个目标的位置区域。
本实施例中,在当前视频帧为关键帧的情况下,通过级联系统的前端检测器对非关键帧进行目标检测,该前端检测器采用了相关的目标检测算法。该目标检测算法可以包括任何一种可以用于进行目标检测的算法。例如,可以采用Cascade-RCNN算法。
S103:若当前视频帧为非关键帧,获取当前视频帧中各个目标的位置区域的预测结果,并在预测得到的当前帧中各个目标的位置区域进行目标检测,得到当前视频帧中有效目标的位置区域;所述当前视频帧中各个目标的预测结果是依据历史视频帧中各个目标的位置区域进行预测的,所述历史视频帧包括至少一个在当前视频帧之前被执行过目标检测的视频帧。
本实施中,对于非关键帧的目标检测,考虑了连续视频帧的关联,一般情况下各个视频帧中的目标不会突然的发生变化,因此前一个视频帧中检测到的各个目标可能还会出现在下一视频帧中,因此可以通过预测的方式,得到当前视频帧中各个目标区域。通过历史视频帧预测当前视频帧中各个目标的位置区域进行预测,并依据该预测结果确定当前视频帧中各个目标的位置区域。
其中,历史视频帧可以包括:一个视频帧或者多个视频帧。
针对历史视频帧包括一个视频帧的情况,S103包括:
若当前视频帧为非关键帧,获取当前视频帧中各个目标的位置区域的预测结果;所述当前视频帧中各个目标的预测结果是依据上一视频帧中各个目标的位置区域进行预测的;
将依据上一视频帧中各个目标的位置区域对当前视频帧中各个目标的位置区域的预测结果表示为所述当前视频帧中各个目标的位置区域。
其中,依据上一视频帧中各个目标区域对当前视频帧中各个目标位置区域进行预测的过程,可以是在S103步骤中执行的,也可以是在S103的步骤之前执行的。
其中,若预测的过程是在S103步骤中执行的,S103具体可以包括:
获取历史视频帧中各个目标的位置区域;
依据历史视频帧中各个目标的位置区域预测当前视频帧中各个目标的位置区域;
依据对当前视频帧中各个目标的位置区域的预测结果确定当前视频帧中各个目标的位置区域。
其中,若预设的过程是在S103步骤之前执行的,还包括:
当检测出某一视频帧中各个目标的位置区域后,依据该视频帧中各个目标的位置区域预测下一视频帧中各个目标的位置区域。
其中,预测方法会在下文中进行详细的介绍,本实施例中不进行赘述。
本实施例中,得到预测结果后,通过预测到的各个目标位置区域进行目标检测,若在预测的目标的位置区域中检测到目标,则表示该目标位置区域为有效的位置区域,若在预设的目标的位置区域中未检测到目标,则表示该目标为无效的位置区域,具体的,包括:
判断当前视频帧中第三目标的位置区域上是否检测到目标;所述第三目标的位置区域为通过预测结果中当前视频帧的任何一个目标的位置区域;
若检测到目标,则表示所述第三目标的位置区域为有效的位置区域;
若未检测到目标,则表示所述第三目标的位置区域为无效的位置区域。
本实施例中,考虑了连续的视频帧的关联,对于非关键帧,通过历史视频帧得到的各个目标的位置区域对当前视频帧的位置区域进行预测,则无需再进行复杂的目标检测过程,降低了运算开销,提升了运算速度。
参考图2,示出了本发明实施例提供的一种目标检测方法的又一流程示意图,在本实施例中,该方法包括:
S201:在对连续的视频帧进行目标检测时,判断当前视频帧是关键帧还是非关键帧;
S201与上述的S101一致,本实施例不再赘述。
S202:若当前视频帧为关键帧,按照预设的算法对当前视频帧进行目标检测,得到当前视频帧中各个目标的位置区域,并依据当前视频帧中各个目标的位置区域对下一视频帧的各个目标的位置区域进行预测;
本实施例中,对当前视频帧进行目标检测方法与上述S102一致,本实施例不再赘述。
本实施例中,通过目标检测确定出当前视频帧中各个目标的位置区域后,为了提高下一视频帧进行目标检测的速度,依据该视频帧确定出的各个位置区域对下一视频帧中各个目标的位置区域进行预测。
其中,通过视频帧中各个目标的位置区域预测下一视频帧中各个目标的位置区域的方法可以包括多种,本实施例中不进行限定。
举例说明:可以通过卡尔曼滤波的方式对下一视频帧中各个目标的位置区域进行预测,具体的,包括:
假设第K帧的目标位置区域表示为xk,yk,wk,hk,中心点横坐标位置为mk,纵坐标位置为nk,则该第K帧横坐标mk和纵坐标nk可以表示为:
1)[mk nk]=[xk+wk/2 yk+hk/2];
其中,可以通过如下的公式2)计算第K+1帧中目标的位置区域:
2)S=Zk+Xk×T;
其中,S表示第K+1帧的位置区域的预测结果,Xk=[mk nk wk hk]T表示目标状态向量,Δm,Δn,Δw,Δh分别表示中心点水平、垂直位移和宽度、高度对时间的变化率,即速率。
Xk可以通过如下的公式3)计算:
3)Xk=Xk-1+Kgk×(Zk-Xk-1);
其中,Kgk为卡尔曼滤波增益,Pk-1为K-1时刻的误差协方差。
其中,K时刻的误差协方差Pk可以通过如下的公式4)进行计算:
4)Pk=(1-Kgk)×Pk-1+Q;
上式公式中R与Q分别表示测量噪声和过程噪声,在实际应用中Q、R两个矩阵需要通过实验确定,但是两个值在趋势表现上具有一定的矛盾,技术人员应视具体情况权衡而定。R越大预测值波动越小,越平缓,但会产生一定的滞后;Q越小,减小了系统的参数的不确定性,减弱了滤波器对系统的矫正能力,使预测值与观测更加接近,但减弱了稳定性。
其中,Zk为系统在k时刻的观测值,即位置区域的中心点水平、垂直的位移速度和宽度、高度的变化速度,计算方法如下:
其中,对关键帧进行目标检测,可以理解为对连续的视频帧进行校正,得到更加准确的目标检测结果,在这种情况下,可能会检测出曾经未检测到的新目标,该新目标可以用于预测下一视频帧中该新目标的位置区域。具体的,还包括:
在所述当前视频帧为关键帧时,将得到的当前视频帧中各个目标的位置区域与上一视频帧中各个目标的位置区域进行匹配;
若存在当前视频帧中第一目标与上一视频帧中各个目标无法匹配的情况,则判定所述第一目标为新出现的目标;
对新出现的目标进行预处理,以使预处理后的所述新出现的目标能够用于预测新出现的目标在下一视频帧中的位置区域。
其中,将当前视频帧中各个目标的位置区域与上一视频帧中各个目标的位置区域进行匹配的过程具体包括:
计算当前视频帧中第二目标的位置区域与上一视频帧中所有的目标的位置区域的交集以及并集;所述第二目标为当前视频帧中任意一个目标;
计算第二目标与上一视频帧中每一个目标的交集和并集的比例;
若第二目标与上一视频帧中第三目标的交集和并集的比例大于预设的阈值,则表示当前帧中的第二目标与上一帧中的第三目标为同一个目标;所述第三目标为所述上一视频帧中任意一个目标。
举例说明:对于第k-1帧的目标Ok-1,i,遍历第k帧的全部目标Ok,若发现存在唯一一个目标Ok,j,满足Ok-1,i与Ok,j交集重叠面积占并集面积的比例超过预设阈值tarea,则将两个目标标记为相邻两帧的同一目标,否则标记为不同目标。
并且,在采用卡尔曼滤波器的情况下,还需要初始化该新出现的目标的卡尔曼滤波器。
除此之外,在采用卡尔曼滤波器的情况下,对于能够和上一视频帧的目标匹配的第二目标,更新各个第二目标的卡尔曼滤波器的状态。
S203:若当前视频帧为非关键帧,获取当前视频帧中各个目标的位置区域的预测结果,并在预测得到的当前帧中各个目标的位置区域进行目标检测,得到当前视频帧中有效目标的位置区域,依据有效目标的位置区域对下一视频帧中各个目标的位置区域进行预测;所述当前视频帧中各个目标的预测结果是依据历史视频帧中各个目标的位置区域进行预测的,所述历史视频帧包括至少一个在当前视频帧之前被执行过目标检测的视频帧。
本实施例中,依据当前视频帧对下一视频帧的各个目标进行预测的方法与上述S202中记载的一致,本实施例中不再赘述。
对于非关键帧,对预测出的当前帧的位置区域进行目标检测,若检测成功,则表示该目标为有效的目标,更新该目标的卡尔曼滤波器,若检测失败,则表示该目标为无效的目标,销毁该目标的卡尔曼滤波器,则表示无需再根据该目标对下一视频帧进行预测。
本实施例中,通过对视频帧进行目标检测得到的各个目标的位置区域,对下一视频帧中各个目标的位置区域进行预测,以使在视频帧为非关键帧时,可以根据预测结果进行目标检测,提高了目标检测的速度。
参考图3,示出了本发明实施例提供的一种目标检测装置的结构示意图,所述装置应用于级联系统,所述级联系统包括:前端检测器和后端检测器,所述装置应用于所述前端检测器,所述装置包括:
判断单元301,用于在对连续的视频帧个目标检测时,判断当前视频帧是关键帧还是非关键帧;
关键帧检测单元302,用于若当前视频帧为关键帧,按照预设的算法对当前视频帧进行目标检测,得到当前视频帧中各个目标的位置区域;
非关键帧检测单元303,用于若当前视频帧为非关键帧,获取当前视频帧中各个目标的位置区域的预测结果,依据所述预测结果确定所述当前视频帧中各个目标的位置区域;所述当前视频帧中各个目标的预测结果是依据历史视频帧中各个目标的位置区域进行预测的。
可选的,还包括:
第一划分子单元,用于对于连续的视频帧,每间隔预定的视频帧的数量标记一个关键帧,两个关键帧之间的视频帧为非关键帧;
或者
第二划分子单元,用于对于连续的视频帧,每间隔预定的时间长度标记一个关键帧,两个关键帧之间的视频帧为非关键帧。
可选的,还包括:
第一预测单元,用于若当前视频帧为关键帧,依据得到的各个目标的位置区域对下一视频帧中各个目标的位置区域进行预测;
第二预测单元,用于若当前视频帧为非关键帧,依据得到的各个有效目标的位置区域对下一视频帧中各个目标的位置区域进行预测。
可选的,还包括:
匹配单元,用于在所述当前视频帧为关键帧时,将得到的当前视频帧中各个目标的位置区域与上一视频帧中各个目标的位置区域进行匹配;
判定单元,用于若存在当前视频帧中第一目标与上一视频帧中各个目标无法匹配的情况,则判定所述第一目标为新出现的目标;
预处理单元,用于对新出现的目标进行预处理,以使预处理后所述新出现的目标能够用于预测所述新出现的目标在下一视频帧中的位置区域。
通过本实施例的装置,在对连续的视频帧进行目标检测时,考虑了连续的视频帧的关联,对于非关键帧,通过历史视频帧得到的各个目标的位置区域对当前视频帧的位置区域进行预测,再通过该预测结果进行目标检测,则无需再进行复杂的目标检测过程,降低了运算开销,提升了运算速度。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种目标检测方法,其特征在于,所述方法应用于级联系统,所述级联系统包括:前端检测器和后端检测器,所述方法应用于所述级联系统的前端检测器,包括:
在对连续的视频帧进行目标检测时,判断当前视频帧是关键帧还是非关键帧;
若当前视频帧为关键帧,按照预设的算法对当前视频帧进行目标检测,得到当前视频帧中各个目标的位置区域;
若当前视频帧为非关键帧,获取当前视频帧中各个目标的位置区域的预测结果,并在预测得到的当前帧中各个目标的位置区域进行目标检测,得到当前视频帧中有效目标的位置区域;所述当前视频帧中各个目标的预测结果是依据历史视频帧中各个目标的位置区域进行预测的,所述历史视频帧包括至少一个在当前视频帧之前被执行过目标检测的视频帧。
2.根据权利要求1所述的方法,其特征在于,还包括:
对于连续的视频帧,每间隔预定的视频帧的数量标记一个关键帧,两个关键帧之间的视频帧为非关键帧;
或者
对于连续的视频帧,每间隔预定的时间长度标记一个关键帧,两个关键帧之间的视频帧为非关键帧。
3.根据权利要求1所述的方法,其特征在于,还包括:
若当前视频帧为关键帧,依据得到的各个目标的位置区域对下一视频帧中各个目标的位置区域进行预测;
若当前视频帧为非关键帧,依据得到的各个有效目标的位置区域对下一视频帧中各个目标的位置区域进行预测。
4.根据权利要求3所述的方法,其特征在于,还包括:
在所述当前视频帧为关键帧时,将得到的当前视频帧中各个目标的位置区域与上一视频帧中各个目标的位置区域进行匹配;
若存在当前视频帧中第一目标与上一视频帧中各个目标无法匹配的情况,则判定所述第一目标为新出现的目标;
对新出现的目标进行预处理,以使预处理后所述新出现的目标能够用于预测所述新出现的目标在下一视频帧中的位置区域。
5.根据权利要求4所述的方法,其特征在于,所述将得到的当前视频帧中各个目标的位置区域与上一视频帧中各个目标的位置区域进行匹配,包括:
计算当前视频帧中第二目标的位置区域与上一视频帧中所有的目标的位置区域的交集以及并集;所述第二目标为当前视频帧中任意一个目标;
计算第二目标与上一视频帧中每一个目标的交集和并集的比例;
若第二目标与上一视频帧中第三目标的交集和并集的比例大于预设的阈值,则表示当前帧中的第二目标与上一帧中的第三目标为同一个目标;所述第三目标为所述上一视频帧中任意一个目标。
6.根据权利要求1所述的方法,其特征在于,所述在预测得到的当前视频帧中各个目标的位置区域进行目标检测,包括:
判断当前视频帧中第三目标的位置区域上是否检测到目标;所述第三目标的位置区域为通过预测结果中当前视频帧的任何一个目标的位置区域;
若检测到目标,则表示所述第三目标的位置区域为有效的位置区域;
若未检测到目标,则表示所述第三目标的位置区域为无效的位置区域。
7.一种目标检测装置,其特征在于,所述装置应用于级联系统,所述级联系统包括:前端检测器和后端检测器,所述装置应用于所述前端检测器,所述装置包括:
判断单元,用于在对连续的视频帧个目标检测时,判断当前视频帧是关键帧还是非关键帧;
关键帧检测单元,用于若当前视频帧为关键帧,按照预设的算法对当前视频帧进行目标检测,得到当前视频帧中各个目标的位置区域;
非关键帧检测单元,用于若当前视频帧为非关键帧,获取当前视频帧中各个目标的位置区域的预测结果,依据所述预测结果确定所述当前视频帧中各个目标的位置区域;所述当前视频帧中各个目标的预测结果是依据历史视频帧中各个目标的位置区域进行预测的。
8.根据权利要求7所述的装置,其特征在于,还包括:
第一划分子单元,用于对于连续的视频帧,每间隔预定的视频帧的数量标记一个关键帧,两个关键帧之间的视频帧为非关键帧;
或者
第二划分子单元,用于对于连续的视频帧,每间隔预定的时间长度标记一个关键帧,两个关键帧之间的视频帧为非关键帧。
9.根据权利要求7所述的装置,其特征在于,还包括:
第一预测单元,用于若当前视频帧为关键帧,依据得到的各个目标的位置区域对下一视频帧中各个目标的位置区域进行预测;
第二预测单元,用于若当前视频帧为非关键帧,依据得到的各个有效目标的位置区域对下一视频帧中各个目标的位置区域进行预测。
10.根据权利要求9所述的装置,其特征在于,还包括:
匹配单元,用于在所述当前视频帧为关键帧时,将得到的当前视频帧中各个目标的位置区域与上一视频帧中各个目标的位置区域进行匹配;
判定单元,用于若存在当前视频帧中第一目标与上一视频帧中各个目标无法匹配的情况,则判定所述第一目标为新出现的目标;
预处理单元,用于对新出现的目标进行预处理,以使预处理后所述新出现的目标能够用于预测所述新出现的目标在下一视频帧中的位置区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910149832.2A CN109902627A (zh) | 2019-02-28 | 2019-02-28 | 一种目标检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910149832.2A CN109902627A (zh) | 2019-02-28 | 2019-02-28 | 一种目标检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109902627A true CN109902627A (zh) | 2019-06-18 |
Family
ID=66945866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910149832.2A Pending CN109902627A (zh) | 2019-02-28 | 2019-02-28 | 一种目标检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109902627A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581781A (zh) * | 2022-05-05 | 2022-06-03 | 之江实验室 | 一种高分辨率遥感图像的目标检测方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222346A (zh) * | 2011-05-23 | 2011-10-19 | 北京云加速信息技术有限公司 | 一种车辆检测和跟踪方法 |
CN102881024A (zh) * | 2012-08-24 | 2013-01-16 | 南京航空航天大学 | 一种基于tld的视频目标跟踪方法 |
WO2018058595A1 (zh) * | 2016-09-30 | 2018-04-05 | 富士通株式会社 | 目标检测方法、装置以及计算机系统 |
CN107967692A (zh) * | 2017-11-28 | 2018-04-27 | 西安电子科技大学 | 一种基于跟踪学习检测的目标跟踪优化方法 |
CN108053427A (zh) * | 2017-10-31 | 2018-05-18 | 深圳大学 | 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置 |
US20180143646A1 (en) * | 2016-11-23 | 2018-05-24 | Electronics And Telecommunications Research Institute | Object recognition device, autonomous driving system including the same, and object recognition method using the object recognition device |
-
2019
- 2019-02-28 CN CN201910149832.2A patent/CN109902627A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222346A (zh) * | 2011-05-23 | 2011-10-19 | 北京云加速信息技术有限公司 | 一种车辆检测和跟踪方法 |
CN102881024A (zh) * | 2012-08-24 | 2013-01-16 | 南京航空航天大学 | 一种基于tld的视频目标跟踪方法 |
WO2018058595A1 (zh) * | 2016-09-30 | 2018-04-05 | 富士通株式会社 | 目标检测方法、装置以及计算机系统 |
US20180143646A1 (en) * | 2016-11-23 | 2018-05-24 | Electronics And Telecommunications Research Institute | Object recognition device, autonomous driving system including the same, and object recognition method using the object recognition device |
CN108053427A (zh) * | 2017-10-31 | 2018-05-18 | 深圳大学 | 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置 |
CN107967692A (zh) * | 2017-11-28 | 2018-04-27 | 西安电子科技大学 | 一种基于跟踪学习检测的目标跟踪优化方法 |
Non-Patent Citations (3)
Title |
---|
LI ZHANG ET AL: "Visual pedestrain tracking from a UAV platform", 《2017 2ND INTERNATIONAL CONFERENCE ON MULTIMEDIA AND IMAGE PROCESSING》 * |
ZHAOWEI CAI ET AL: "Cascade R-CNN: Delving into High Quality Object Detection", 《ARXIV》 * |
岳建海等著: "《轨道交通安全智能融合技术》", 31 January 2017, 北京交通大学出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581781A (zh) * | 2022-05-05 | 2022-06-03 | 之江实验室 | 一种高分辨率遥感图像的目标检测方法及装置 |
CN114581781B (zh) * | 2022-05-05 | 2022-08-09 | 之江实验室 | 一种高分辨率遥感图像的目标检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110390292B (zh) | 基于动态关联模型的遥感视频车辆目标检测与跟踪方法 | |
CN109859239B (zh) | 一种目标追踪的方法及设备 | |
CN109285341A (zh) | 一种基于实时视频的城市道路车辆异常停驶检测方法 | |
CN110596693B (zh) | 一种迭代更新的多传感器gmphd自适应融合方法 | |
CN105758404A (zh) | 智能设备的实时定位方法及系统 | |
CN103578478B (zh) | 实时获取音乐节拍信息的方法及系统 | |
CN109035422B (zh) | 一种提取室内三维模型中平面区域的方法及系统 | |
CN105654428A (zh) | 图像降噪方法及系统 | |
CN109902627A (zh) | 一种目标检测方法及装置 | |
CN110058276A (zh) | 异常点判断方法及装置 | |
CN102253375A (zh) | 雷达多目标数据互联方法 | |
CN105374049A (zh) | 一种基于稀疏光流法的多角点跟踪方法及装置 | |
CN111178261A (zh) | 一种基于视频编码技术的人脸检测加速方法 | |
CN116645396A (zh) | 轨迹确定方法、装置、计算机可读存储介质及电子设备 | |
CN104095639B (zh) | 热释电红外传感器阵列的运动检测方法及运动检测系统 | |
CN106685749A (zh) | 网络流量的检验方法和装置 | |
CN106407910A (zh) | 一种基于多实例学习的视频目标追踪方法 | |
CN104169988B (zh) | 用于检测停车空间的设备和方法 | |
CN109917372A (zh) | 基于目标预测的扩展目标量测集划分和跟踪方法 | |
CN108469609A (zh) | 一种用于雷达目标跟踪的检测信息滤波方法 | |
CN107219519B (zh) | 连发火炮弹道曲线拟合方法 | |
US9412157B2 (en) | Apparatus and method for high speed filtering of image for high precision | |
CN109884465A (zh) | 一种基于信号注入法的单向接地故障定位方法 | |
CN108120450B (zh) | 一种静止状态的判断方法及装置 | |
CN107742303A (zh) | 一种基于机器人的目标图像显示处理方法及系统 |
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 |
Application publication date: 20190618 |
|
RJ01 | Rejection of invention patent application after publication |