CN109948509A - 对象状态监测方法、装置及电子设备 - Google Patents
对象状态监测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN109948509A CN109948509A CN201910192929.1A CN201910192929A CN109948509A CN 109948509 A CN109948509 A CN 109948509A CN 201910192929 A CN201910192929 A CN 201910192929A CN 109948509 A CN109948509 A CN 109948509A
- Authority
- CN
- China
- Prior art keywords
- state monitoring
- obj state
- image
- angle
- shooting angle
- 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
本发明提供了一种对象状态监测方法、装置及电子设备,属于图像处理技术领域。本发明提供的对象状态监测方法、装置及电子设备,可以通过获取图像采集装置拍摄的参考图像,确定参考图像的拍摄角度指示信息,然后在预先训练好的多个对象状态监测模型中,确定与拍摄角度指示信息相对应的对象状态监测模型作为默认对象状态监测模型进行对象状态监测。该方法可以自动选择与图像采集装置的安装位置相对应的对象状态监测模型进行对象状态监测,有助于输出正确的监测结果,避免因用户手动选择错误的对象状态监测模型而导致无法得到正确的监测结果。同时,无需用户手动选择,减少了手动操作流程,节约了用户的时间和精力,可以提升用户体验。
Description
技术领域
本发明属于图像处理技术领域,尤其是涉及一种对象状态监测方法、装置及电子设备。
背景技术
在车辆行驶过程中,驾驶员的驾驶状态是影响驾驶安全的重要因素。为保障驾驶过程中的驾驶安全,可以对驾驶员的驾驶状态进行监测。现有的车辆可以通过DMS(DriverMonitor System,驾驶员状态监测系统)对驾驶员的驾驶状态进行监测。DMS中包含对驾驶员的疲劳监测、视线监测、分心监测等。
DMS基于安装在车辆内的图像采集装置拍摄的图像对驾驶员的驾驶状态进行监测,可以通过深度学习来实现。在不同的车辆中,图像采集装置的安装位置也不同,拍摄的图像中人脸角度也不相同。如果采用一个深度学习模型,使该模型可以兼容所有的拍摄角度非常困难。因此可以针对图像采集装置的每个安装位置训练一个深度学习模型,用户可以根据车辆上的图像采集装置的安装位置手动选择对应的深度学习模型,用于对驾驶员的驾驶状态进行监测。但手动选择的方式增加了用户操作,需要用户首先查看图像采集装置的安装位置再进行选择,耗费了时间。一些用户由于不能准确地确定图像采集装置的安装位置而无法选择到合适的深度学习模型,导致无法正确监测驾驶员的驾驶状态,降低了用户体验。
发明内容
有鉴于此,本发明的目的在于提供一种对象状态监测方法、装置及电子设备,可以自动选择与图像采集装置的安装位置相对应的对象状态监测模型进行对象状态监测,有助于输出正确的状态监测结果,从而提升用户体验。
为了实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明实施例提供了一种对象状态监测方法,包括:
获取图像采集装置拍摄的参考图像;
确定所述参考图像的拍摄角度指示信息;
在预先训练好的多个对象状态监测模型中,确定与所述拍摄角度指示信息相对应的对象状态监测模型作为默认对象状态监测模型;
采用所述默认对象状态监测模型,基于所述图像采集装置采集的图像进行对象状态监测。
结合第一方面可能的实施方式,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述确定所述参考图像的拍摄角度指示信息的步骤,包括:
将所述参考图像输入角度检测网络中,得到所述参考图像的拍摄角度指示信息。
结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述角度检测网络包括至少一个卷积层和连接在所述卷积层之后的至少一个全连接层;其中,位于所述角度检测网络末端的全连接层输出所述参考图像的拍摄角度指示信息。
结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第三种可能的实施方式,其中,所述角度检测网络包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层和第二全连接层;所述第二全连接层输出所述参考图像的拍摄角度指示信息。
结合第一方面可能的实施方式,本发明实施例提供了第一方面的第四种可能的实施方式,其中,所述在预先训练好的多个对象状态监测模型中,确定与所述拍摄角度指示信息相对应的对象状态监测模型作为默认对象状态监测模型的步骤,包括:
根据预存的图像拍摄角度指示信息与对象状态监测模型的对应关系,确定与所述拍摄角度指示信息相对应的对象状态监测模型作为默认对象状态监测模型。
结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第五种可能的实施方式,其中,所述角度检测网络的训练过程,包括:
获取训练图像样本集;所述训练图像样本集包括标定拍摄角度指示信息的训练图像;
通过所述训练图像样本集训练所述角度检测网络。
结合第一方面的第五种可能的实施方式,本发明实施例提供了第一方面的第六种可能的实施方式,其中,通过所述训练图像样本集训练所述角度检测网络的步骤,包括:
从所述训练图像样本集中随机选择训练图像,将训练图像输入所述角度检测网络,得到所述角度检测网络输出的所述训练图像的拍摄角度指示信息;
根据所述训练图像的拍摄角度指示信息和所述训练图像对应的标定拍摄角度指示信息,计算损失值;
根据所述损失值调整所述角度检测网络的参数。
第二方面,本发明实施例还提供一种对象状态监测装置,包括:
图像获取模块,用于获取图像采集装置拍摄的参考图像;
角度信息确定模块,用于确定所述参考图像的拍摄角度指示信息;
模型选择模块,用于在预先训练好的多个对象状态监测模型中,确定与所述拍摄角度指示信息相对应的对象状态监测模型作为默认对象状态监测模型;
状态监测模块,用于采用所述默认对象状态监测模型对所述图像采集装置采集的图像进行对象状态监测。
第三方面,本发明实施例提供了一种电子设备,包括图像采集装置、存储器和处理器;
所述图像采集装置,用于采集图像数据;
所述存储器中存储有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上述第一方面中任一项所述的方法的步骤。
第四方面,本发明实施例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上存储有计算机程序,所述计算机程序被处理器运行时执行上述第一方面任一项所述的方法的步骤。
本发明实施例提供的对象状态监测方法、装置及电子设备,可以通过获取图像采集装置拍摄的参考图像,确定参考图像的拍摄角度指示信息,然后在预先训练好的多个对象状态监测模型中,确定与拍摄角度指示信息相对应的对象状态监测模型作为默认对象状态监测模型,采用默认对象状态监测模型,基于图像采集装置采集的图像进行对象状态监测。其中,参考图像的拍摄角度指示信息反应的是图像采集装置的安装位置。因此,该方法可以自动选择与图像采集装置的安装位置相对应的对象状态监测模型进行对象状态监测,有助于输出正确的状态监测结果,避免因用户手动选择错误的对象状态监测模型而导致无法得到正确的状态监测结果。同时,无需用户手动选择,减少了手动操作流程,节约了用户的时间和精力,可以提升用户体验。
本发明的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本发明的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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示出了本发明实施例所提供的一种电子设备的结构示意图;
图2示出了本发明实施例所提供的一种对象状态监测方法的流程图;
图3示出了本发明实施例所提供的一种角度检测网络的结构示意图;
图4示出了本发明实施例所提供的一种对象状态监测装置的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
为了解决现有技术中监测不同拍摄角度的目标对象的状态需要手动选择与其匹配的对象状态监测模型的问题,本发明实施例提供了一种对象状态监测方法、装置、电子设备和计算机存储介质。以下结合附图和具体实施方式对本发明实施例提供的对象状态监测方法、装置和电子设备进行详细说明。
实施例一:
首先,参照图1来描述用于实现本发明实施例的对象状态监测方法的示例电子设备100。该示例电子设备100可以安装在汽车上,也可以安装在火车或其它交通工具的驾驶室中,用于对驾驶员的驾驶状态进行监测。该示例电子设备100也可以安装在教室或办公室等固定场所,用于监测人员的状态。该示例电子设备100还可以是智能手机、平板电脑、相机等移动终端,或者计算机、服务器等其它设备,例如,这些设备可以通过无线连接的方式与安装在交通工具上的图像采集装置连接,对驾驶员的驾驶状态进行监测。
如图1所示,电子设备100包括一个或多个处理器102、一个或多个存储器104、输入装置106、输出装置108,如果该电子设备100为安装在交通工具上的监测装置,该电子设备100还可以包括图像采集装置110,这些组件通过总线系统112和/或其它形式的连接机构(未示出)互连。应当注意,图1所示的电子设备100的组件和结构只是示例性的,而非限制性的,根据需要,所述电子设备也可以具有其他组件和结构。
所述处理器102可以是中央处理器(CPU)、图形处理器(Graphics ProcessingUnit,GPU)或者具有数据处理能力、图像处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制所述电子设备100中的其它组件以执行期望的功能。
所述存储器104可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器102可以运行所述程序指令,以实现下文所述的本发明实施例中(由处理器实现)的图像分割功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据,例如所述应用程序使用和/或产生的各种图像等。
所述输入装置106可以是用户用来输入指令的装置,并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。
所述输出装置108可以向外部(例如,用户)输出各种信息(例如,图像或声音),并且可以包括显示器、扬声器等中的一个或多个。
所述图像采集装置110可以拍摄用户期望的图像(例如照片、视频等),并且将所拍摄的图像存储在所述存储器104中以供其它组件使用。可选的,图像采集装置110可以包括红外相机和彩色相机。
红外相机用于拍摄相机视野内的物体的红外图像,红外相机可以具有可旋转拍照的摄像头,其旋转角度可以为60度到120度。
彩色相机用于拍摄相机视野内的物体的RGB图像(彩色图像),RGB图像可以保留被拍摄的物体的细节信息。同样的,彩色相机也可以具有可旋转拍照的摄像头,其旋转角度可以为60度到120度。
实施例二:
本实施例提供了一种对象状态监测方法,可以自动选择对象状态监测模型,提高监测效率,图2示出了该对象状态监测方法的流程图。该需要说明的是,在图2的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。以下对本实施例进行详细介绍。
如图2所示,本实施例提供的对象状态监测方法,包括如下步骤:
步骤S202,获取图像采集装置拍摄的参考图像。
其中,图像采集装置为对象状态监测过程中采集包含目标对象的图像或视频的摄像头等装置。参考图像可以是图像采集装置实时采集的图像,也可以为由图像采集装置预先拍摄并存储起来的图像。无论是实时采集的图像,还是预先拍摄的图像,都需要先将图像采集装置安装在固定的位置,再通过图像采集装置拍摄参考图像。参考图像可以是图片格式的图像,也可以是视频中的图像帧,本发明实施例不作限制。例如,如果图像采集装置安装在汽车上,图像采集装置拍摄的参考图像可能包括主驾驶座椅、副驾驶座椅或方向盘等,也可能包括坐在主驾驶座椅上的驾驶员。
步骤S204,确定参考图像的拍摄角度指示信息。
其中,参考图像的拍摄角度指示信息用于指示参考图像的拍摄角度,可以反映图像采集装置的安装位置。例如,在监测驾驶员状态的应用场景下,图像采集装置的安装位置可以有A柱上、A柱中、A柱下、D柱上、D柱中、D柱下、后视镜、中控台或仪表台。所述拍摄角度指示信息可以是具体的角度值或角度范围,也可以是角度分类值,如000、001、010、011、100等等,不同的角度分类值代表不同的拍摄位置(图像采集装置的安装位置)。如000可以代表A柱上、001可以代表A柱中、010可以代表A柱下等等。其中,A柱指汽车的前挡风玻璃与左侧前车门之间的支撑柱,D柱指汽车的前挡风玻璃与右侧前车门之间的支撑柱。中控台和仪表台均位于汽车内部的前端。图像采集装置的安装位置不同,拍摄角度也不同,所拍摄的参考图像中主驾驶座椅、副驾驶座椅等车内设施的位置和角度也不相同,因此,可以根据参考图像中车内设施的位置和角度,确定参考图像的拍摄角度指示信息。
步骤S206,在预先训练好的多个对象状态监测模型中,确定与拍摄角度指示信息相对应的对象状态监测模型作为默认对象状态监测模型。
其中,预先训练好的多个对象状态监测模型分别对应于不同的拍摄角度指示信息。在一些实施例中,对象状态监测模型可以采用DMS算法实现;在另一些实施例中,对象状态监测模型可以通过卷积神经网络实现。拍摄角度不同,对应的对象状态监测模型内部的参数不同。多个对象状态监测模型的训练过程可以为:获取第一训练图像样本集;所述第一训练图像样本集包括标定目标对象状态的训练图像;按照图像的拍摄角度指示信息,将第一训练图像样本集划分多个样本子集;即每一个样本子集中包括的训练图像均为同一拍摄角度下拍摄得到的。然后逐一通过多个样本子集的每一个样本子集训练卷积神经网络,分别得到与多个拍摄角度指示信息对应的对象状态监测模型。训练好多个对象状态监测模型之后,可以将对象状态监测模型与图像拍摄角度指示信息对应进行存储,或者保存对象状态监测模型与图像拍摄角度指示信息的对应关系。
可以根据预存的图像拍摄角度指示信息与对象状态监测模型的对应关系,确定与拍摄角度指示信息相对应的对象状态监测模型作为默认对象状态监测模型。一种可实现方式为:将图像拍摄角度指示信息和预先训练好的对象状态监测模型一一对应地保存在表格中,在确定参考图像的拍摄角度指示信息后,在表格中查找与拍摄角度指示信息与相对应的对象状态监测模型。进一步地说,将表格中保存的图像拍摄角度指示信息依次与所述参考图像的拍摄角度指示信息进行对比,查找与所述参考图像的拍摄角度指示信息一致的图像拍摄角度指示信息,将查找到的图像拍摄角度指示信息所对应的对象状态监测模型作为默认对象状态监测模型。
步骤S208,采用默认对象状态监测模型,基于图像采集装置采集的图像进行对象状态监测。
将图像采集装置采集的图像输入默认对象状态监测模型中,即可得到目标对象的状态信息。以目标对象为驾驶员为例,目标对象的状态信息可以包括但不限于目标对象是否疲惫、目标对象是否分心等。例如,预先训练好n个对象状态监测模型,根据参考图像的拍摄角度指示信息在预先训练好的对象状态监测模型1到对象状态监测模型n中进行选择,得到与拍摄角度指示信息相对应的对象状态监测模型作为默认对象状态监测模型,然后将参考图像输入到默认对象状态监测模型中,得到参考图像中目标对象的状态信息。
需要说明的是,通过本发明实施例的方法得到的目标对象状态信息可以与其他系统匹配使用。以监测驾驶员状态的应用场景为例,本发明实施例的对象状态监测方法可以与无人驾驶的自动巡航功能匹配使用,例如,通过本发明实施例的方法得到驾驶员的状态信息为疲惫时,说明驾驶员是疲劳驾驶,则可以自动开启巡航功能,控制车辆按照自动巡航进行行驶。又如,本发明实施例的对象状态监测方法可以与车辆导航软件匹配使用,通过本发明实施例的方法得到驾驶员的状态信息为疲惫时,可以语音提示用户注意休息,或者得到的驾驶员的状态信息为不专注驾驶状态时,例如,低头玩手机,可以通过语音提示用户注意专心驾驶。当然,上述示例仅为示例性的,并不能看做对本发明的具体限制。
本发明实施例提供的对象状态监测方法,可以通过获取图像采集装置拍摄的参考图像,确定参考图像的拍摄角度指示信息,然后在预先训练好的多个对象状态监测模型中,确定与拍摄角度指示信息相对应的对象状态监测模型作为默认对象状态监测模型,采用默认对象状态监测模型,基于图像采集装置采集的图像进行对象状态监测。其中,参考图像的拍摄角度指示信息反应的是图像采集装置的安装位置。因此,该方法可以自动选择与图像采集装置的安装位置相对应的对象状态监测模型进行对象状态监测,有助于输出正确的状态监测结果,避免因用户手动选择错误的对象状态监测模型而导致无法得到正确的状态监测结果。同时,无需用户手动选择,减少了手动操作流程,节约了用户的时间和精力,可以提升用户体验。
在一种可选的实施例中,可以在用户开启对象状态监测功能后,通过图像采集装置拍摄视频,选择该段视频中的第一图像帧作为参考图像,根据第一图像帧通过上述步骤S202~步骤S206确定默认对象状态监测模型,然后通过步骤S208基于图像采集装置拍摄的视频中的其他图像帧对目标对象的状态进行监测。
在另一种可选的实施例中,可以在将图像采集装置固定安装好后,即通过图像采集装置拍摄参考图像,确定参考图像的拍摄角度指示信息,根据参考图像的拍摄角度指示信息确定默认对象状态监测模型。之后每次进行对象状态监测时,均采用该默认对象状态监测模型对目标对象的状态进行监测。如果图像采集装置的安装位置改变,则根据新的安装位置下参考图像的拍摄角度指示信息重新确定默认对象状态监测模型。
在本发明实施例中,上述步骤S204,确定参考图像的拍摄角度指示信息,可以通过如下方式实现:将参考图像输入角度检测网络中,得到参考图像的拍摄角度指示信息。
其中,角度检测网络包括至少一个卷积层和连接在卷积层之后的至少一个全连接层;其中,每个卷积层包括一个或多个用于从参考图像的像素矩阵中提取特征信息的第一卷积核,用第一卷积核按照步长为2或者2以上的数值遍历参考图像的像素矩阵,得到至少一个特征值,由至少一个特征值组成卷积特征图,在进行多层卷积和降为处理后,角度检测网络中的最后一个卷积层连接全连接层,全连接层采用预设个数的拍摄角度指示信息对卷积特征图中的至少一个特征值进行分类,并在位于所述角度检测网络末端的全连接层输出参考图像的拍摄角度指示信息。
在一些实施例中,角度检测网络还可以包括至少一个卷积层、至少一个池化层和至少一个全连接层,卷积层和池化层可以间隔设置,即相邻的池化层之间可以设置一个或多个卷积层。每个卷积层可以用卷积核按照步长为1或者1以上的数值遍历待检测图像的像素矩阵,得到至少一个特征值,由至少一个特征值组成卷积特征图。池化层用于将卷积层输出的卷积特征图进行降维处理,减小卷积特征图的尺度,池化层输出池化特征图。同样的,全连接层输出参考图像的拍摄角度指示信息。
作为一个示例,拍摄角度指示信息可以是角度分类值。如图3所示,角度检测网络可以包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层和第二全连接层。在采用上述的角度检测网络时,确定参考图像的拍摄角度指示信息的过程具体可以包括:通过第一卷积层对参考图像进行卷积处理,得到第一特征图,通过第一池化层对第一特征图进行下采样处理,得到第二特征图,通过第二卷积层对第二特征图进行卷积处理,得到第三特征图,通过第二池化层对第三特征图进行下采样处理,得到第四特征图,通过第二池化层对第三特征图进行下采样处理,得到第四特征图,通过第一全连接层对第四特征图进行卷积处理,得到第五特征图,通过第二全连接层对第五特征图进行分类处理,得到参考图像在预设多个角度分类值下的概率,确定概率最大的角度为参考图像的角度分类值。其中,第一卷积层的参数可以为5*5,30。第二卷积层的参数可以为5*5,50。第一全连接层的参数可以为219,450,500。第二全连接层的参数可以为500,9。其中,第二全连接层的参数9代表可以预设9个角度分类值,9个角度分类值对应图像采集装置的9个安装位置,可以是上文中记载的A柱上、A柱中、A柱下、D柱上、D柱中、D柱下、后视镜、中控台或仪表台。当然,上述所列举的参数仅为示例性的,并不能作为本发明的具体限制。
上述度检测网络的训练过程可以包括:
首先,获取训练图像样本集,所述训练图像样本集包括标定拍摄角度指示信息的训练图像,即可以对训练图像人工标定拍摄角度指示信息。其中,训练图像样本集可以包括具有不同特点的图像,例如,采用不同类型的图像采集装置采集得到的训练图像,例如红外相机或者彩色相机。又如,在监测驾驶员状态的应用场景中,训练图像样本集中可以包括在不同车型下,图像采集装置采集的训练图像对应的车型可以包括:小轿车、越野车SUV、商务车MPV、公交车、货车等等。
然后通过所述训练图像样本集训练所述角度检测网络。其中,通过训练图像样本集训练角度检测网络可以按照如下方式进行:从训练图像样本集中随机选择训练图像,将训练图像输入角度检测网络,得到角度检测网络输出的训练图像的拍摄角度指示信息,然后根据训练图像的拍摄角度指示信息和训练图像对应的标定拍摄角度指示信息,计算损失值,根据损失值调整角度检测网络的参数。
更具体地说,可以从训练图像样本集中随机选取一张训练图像;将训练图像输入角度检测网络,得到训练图像的拍摄角度指示信息。将训练图像的拍摄角度指示信息与人工标注的标定拍摄角度指示信息进行对比,采用预设的损失函数计算损失值。损失值是判定实际的输出与期望的输出的接近程度。损失值越小,说明实际的输出越接近期望的输出。可以采用反向传播算法,根据损失值调整角度检测网络的参数,直至损失值收敛至预设的期望值时,完成对角度检测网络的训练,将当前参数作为角度检测网络的参数。
实施例三:
对应于上述方法实施例,本实施例提供了一种对象状态监测装置,参见图4所示的一种对象状态监测装置的结构示意图,该装置包括:
图像获取模块41,用于获取图像采集装置拍摄的参考图像;
角度信息确定模块42,用于确定所述参考图像的拍摄角度指示信息;
模型选择模块43,用于在预先训练好的多个对象状态监测模型中,确定与所述拍摄角度指示信息相对应的对象状态监测模型作为默认对象状态监测模型;
状态监测模块44,用于采用所述默认对象状态监测模型对所述图像采集装置采集的图像进行对象状态监测。
在一种可选的实施例中,拍摄角度指示信息确定模块42,包括:
将所述参考图像输入角度检测网络中,得到所述参考图像的拍摄角度指示信息。
可选的,所述角度检测网络包括至少一个卷积层和连接在所述卷积层之后的至少一个全连接层;其中,位于所述角度检测网络末端的全连接层输出所述参考图像的拍摄角度指示信息。
可选的,所述角度检测网络包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层和第二全连接层。
在一种可选的实施例中,模型选择模块43,包括:
根据预存的图像拍摄角度指示信息与对象状态监测模型的对应关系,确定与所述拍摄角度指示信息相对应的对象状态监测模型作为默认对象状态监测模型。
在一种可选的实施例中,所述装置还包括:
训练图像样本集获取模块,用于获取训练图像样本集;所述训练图像样本集包括标定拍摄角度指示信息的训练图像;
训练模块,用于通过所述训练图像样本集训练所述角度检测网络。
可选的,训练模块,可以用于:
从所述训练图像样本集中随机选择训练图像,将训练图像输入所述角度检测网络,得到所述角度检测网络输出的所述训练图像的拍摄角度指示信息;
根据所述训练图像的拍摄角度指示信息和所述训练图像对应的标定拍摄角度指示信息,计算损失值;
根据所述损失值调整所述角度检测网络的参数。
本发明实施例提供的对象状态监测装置,可以通过获取图像采集装置拍摄的参考图像,确定参考图像的拍摄角度指示信息,然后在预先训练好的多个对象状态监测模型中,确定与拍摄角度指示信息相对应的对象状态监测模型作为默认对象状态监测模型,采用自动甄选出来的默认对象状态监测模型,基于图像采集装置采集的图像进行对象状态监测,提高监测效率和用户体验感。
本实施例所提供的装置,其实现原理及产生的技术效果和前述实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本发明实施例还提供了一种电子设备,包括图像采集装置、存储器、处理器。所述图像采集装置,用于采集图像数据;所述存储器中存储有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前述方法实施例所记载的方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的电子设备的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
进一步,本实施例还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上存储有计算机程序,所述计算机程序被处理器运行时执行上述前述方法实施例所提供的方法的步骤,具体实现可参见方法实施例,在此不再赘述。
所述功能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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,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:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种对象状态监测方法,其特征在于,包括:
获取图像采集装置拍摄的参考图像;
确定所述参考图像的拍摄角度指示信息;
在预先训练好的多个对象状态监测模型中,确定与所述拍摄角度指示信息相对应的对象状态监测模型作为默认对象状态监测模型;
采用所述默认对象状态监测模型,基于所述图像采集装置采集的图像进行对象状态监测。
2.根据权利要求1所述的方法,其特征在于,所述确定所述参考图像的拍摄角度指示信息的步骤,包括:
将所述参考图像输入角度检测网络中,得到所述参考图像的拍摄角度指示信息。
3.根据权利要求2所述的方法,其特征在于,所述角度检测网络包括至少一个卷积层和连接在所述卷积层之后的至少一个全连接层;其中,位于所述角度检测网络末端的全连接层输出所述参考图像的拍摄角度指示信息。
4.根据权利要求3所述的方法,其特征在于,所述角度检测网络包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层和第二全连接层;所述第二全连接层输出所述参考图像的拍摄角度指示信息。
5.根据权利要求1所述的方法,其特征在于,所述在预先训练好的多个对象状态监测模型中,确定与所述拍摄角度指示信息相对应的对象状态监测模型作为默认对象状态监测模型的步骤,包括:
根据预存的图像拍摄角度指示信息与对象状态监测模型的对应关系,确定与所述拍摄角度指示信息相对应的对象状态监测模型作为默认对象状态监测模型。
6.根据权利要求2所述的方法,其特征在于,所述角度检测网络的训练过程,包括:
获取训练图像样本集;所述训练图像样本集包括标定拍摄角度指示信息的训练图像;
通过所述训练图像样本集训练所述角度检测网络。
7.根据权利要求6所述的方法,其特征在于,通过所述训练图像样本集训练所述角度检测网络的步骤,包括:
从所述训练图像样本集中随机选择训练图像,将训练图像输入所述角度检测网络,得到所述角度检测网络输出的所述训练图像的拍摄角度指示信息;
根据所述训练图像的拍摄角度指示信息和所述训练图像对应的标定拍摄角度指示信息,计算损失值;
根据所述损失值调整所述角度检测网络的参数。
8.一种对象状态监测装置,其特征在于,包括:
图像获取模块,用于获取图像采集装置拍摄的参考图像;
角度信息确定模块,用于确定所述参考图像的拍摄角度指示信息;
模型选择模块,用于在预先训练好的多个对象状态监测模型中,确定与所述拍摄角度指示信息相对应的对象状态监测模型作为默认对象状态监测模型;
状态监测模块,用于采用所述默认对象状态监测模型对所述图像采集装置采集的图像进行对象状态监测。
9.一种电子设备,其特征在于,包括图像采集装置、存储器和处理器;
所述图像采集装置,用于采集图像数据;
所述存储器中存储有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上述权利要求1~7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行上述权利要求1~7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910192929.1A CN109948509A (zh) | 2019-03-11 | 2019-03-11 | 对象状态监测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910192929.1A CN109948509A (zh) | 2019-03-11 | 2019-03-11 | 对象状态监测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109948509A true CN109948509A (zh) | 2019-06-28 |
Family
ID=67008805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910192929.1A Pending CN109948509A (zh) | 2019-03-11 | 2019-03-11 | 对象状态监测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109948509A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991222A (zh) * | 2019-10-16 | 2020-04-10 | 北京海益同展信息科技有限公司 | 一种物体状态监测、母猪发情监测方法、装置及系统 |
CN111046924A (zh) * | 2019-11-26 | 2020-04-21 | 成都旷视金智科技有限公司 | 一种数据处理方法、装置、系统及存储介质 |
CN111160165A (zh) * | 2019-12-18 | 2020-05-15 | 上海达显智能科技有限公司 | 一种自适应式姿态纠错检测方法及装置 |
CN113348663A (zh) * | 2021-03-23 | 2021-09-03 | 深圳市锐明技术股份有限公司 | 一种货箱监控方法、终端设备及存储介质 |
CN114037673A (zh) * | 2021-11-03 | 2022-02-11 | 深圳市创科自动化控制技术有限公司 | 一种基于机器视觉的硬件衔接接口监测方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104224204A (zh) * | 2013-12-24 | 2014-12-24 | 烟台通用照明有限公司 | 一种基于红外检测技术的驾驶员疲劳检测系统 |
CN105760836A (zh) * | 2016-02-17 | 2016-07-13 | 厦门美图之家科技有限公司 | 基于深度学习的多角度人脸对齐方法、系统及拍摄终端 |
CN107038422A (zh) * | 2017-04-20 | 2017-08-11 | 杭州电子科技大学 | 基于空间几何约束深度学习的疲劳状态识别方法 |
CN107506702A (zh) * | 2017-08-08 | 2017-12-22 | 江西高创保安服务技术有限公司 | 基于多角度的人脸识别模型训练及测试系统及方法 |
CN108021933A (zh) * | 2017-11-23 | 2018-05-11 | 深圳市华尊科技股份有限公司 | 神经网络识别模型及识别方法 |
CN108229269A (zh) * | 2016-12-31 | 2018-06-29 | 深圳市商汤科技有限公司 | 人脸检测方法、装置和电子设备 |
CN108309311A (zh) * | 2018-03-27 | 2018-07-24 | 北京华纵科技有限公司 | 一种列车驾驶员实时盹睡检测装置及检测算法 |
CN108596087A (zh) * | 2018-04-23 | 2018-09-28 | 合肥湛达智能科技有限公司 | 一种基于双网络结果的驾驶疲劳程度检测回归模型 |
CN108609019A (zh) * | 2018-05-09 | 2018-10-02 | 浙江金之路信息科技有限公司 | 一种基于人工智能平台的电动车自动驾驶方法 |
CN108764031A (zh) * | 2018-04-17 | 2018-11-06 | 平安科技(深圳)有限公司 | 识别人脸的方法、装置、计算机设备和存储介质 |
CN108830262A (zh) * | 2018-07-25 | 2018-11-16 | 上海电力学院 | 自然状态下多角度人脸表情识别方法 |
CN109003304A (zh) * | 2018-07-12 | 2018-12-14 | 南京云计趟信息技术有限公司 | 一种基于深度学习的摄像头角度移动检测系统和方法 |
CN109284698A (zh) * | 2018-09-03 | 2019-01-29 | 深圳市尼欧科技有限公司 | 一种基于图像识别技术的疲劳驾驶行为检测方法 |
-
2019
- 2019-03-11 CN CN201910192929.1A patent/CN109948509A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104224204A (zh) * | 2013-12-24 | 2014-12-24 | 烟台通用照明有限公司 | 一种基于红外检测技术的驾驶员疲劳检测系统 |
CN105760836A (zh) * | 2016-02-17 | 2016-07-13 | 厦门美图之家科技有限公司 | 基于深度学习的多角度人脸对齐方法、系统及拍摄终端 |
CN108229269A (zh) * | 2016-12-31 | 2018-06-29 | 深圳市商汤科技有限公司 | 人脸检测方法、装置和电子设备 |
CN107038422A (zh) * | 2017-04-20 | 2017-08-11 | 杭州电子科技大学 | 基于空间几何约束深度学习的疲劳状态识别方法 |
CN107506702A (zh) * | 2017-08-08 | 2017-12-22 | 江西高创保安服务技术有限公司 | 基于多角度的人脸识别模型训练及测试系统及方法 |
CN108021933A (zh) * | 2017-11-23 | 2018-05-11 | 深圳市华尊科技股份有限公司 | 神经网络识别模型及识别方法 |
CN108309311A (zh) * | 2018-03-27 | 2018-07-24 | 北京华纵科技有限公司 | 一种列车驾驶员实时盹睡检测装置及检测算法 |
CN108764031A (zh) * | 2018-04-17 | 2018-11-06 | 平安科技(深圳)有限公司 | 识别人脸的方法、装置、计算机设备和存储介质 |
CN108596087A (zh) * | 2018-04-23 | 2018-09-28 | 合肥湛达智能科技有限公司 | 一种基于双网络结果的驾驶疲劳程度检测回归模型 |
CN108609019A (zh) * | 2018-05-09 | 2018-10-02 | 浙江金之路信息科技有限公司 | 一种基于人工智能平台的电动车自动驾驶方法 |
CN109003304A (zh) * | 2018-07-12 | 2018-12-14 | 南京云计趟信息技术有限公司 | 一种基于深度学习的摄像头角度移动检测系统和方法 |
CN108830262A (zh) * | 2018-07-25 | 2018-11-16 | 上海电力学院 | 自然状态下多角度人脸表情识别方法 |
CN109284698A (zh) * | 2018-09-03 | 2019-01-29 | 深圳市尼欧科技有限公司 | 一种基于图像识别技术的疲劳驾驶行为检测方法 |
Non-Patent Citations (2)
Title |
---|
余水映: "基于AAM的多角度人脸识别方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
周志华 等: "基于神经网络集成的多视角人脸识别", 《计算机研究与发展》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991222A (zh) * | 2019-10-16 | 2020-04-10 | 北京海益同展信息科技有限公司 | 一种物体状态监测、母猪发情监测方法、装置及系统 |
CN110991222B (zh) * | 2019-10-16 | 2023-12-08 | 京东科技信息技术有限公司 | 一种物体状态监测、母猪发情监测方法、装置及系统 |
CN111046924A (zh) * | 2019-11-26 | 2020-04-21 | 成都旷视金智科技有限公司 | 一种数据处理方法、装置、系统及存储介质 |
CN111046924B (zh) * | 2019-11-26 | 2023-12-19 | 成都旷视金智科技有限公司 | 一种数据处理方法、装置、系统及存储介质 |
CN111160165A (zh) * | 2019-12-18 | 2020-05-15 | 上海达显智能科技有限公司 | 一种自适应式姿态纠错检测方法及装置 |
CN111160165B (zh) * | 2019-12-18 | 2023-12-19 | 上海达显智能科技有限公司 | 一种自适应式姿态纠错检测方法及装置 |
CN113348663A (zh) * | 2021-03-23 | 2021-09-03 | 深圳市锐明技术股份有限公司 | 一种货箱监控方法、终端设备及存储介质 |
CN113348663B (zh) * | 2021-03-23 | 2023-01-24 | 深圳市锐明技术股份有限公司 | 一种货箱监控方法、终端设备及存储介质 |
CN114037673A (zh) * | 2021-11-03 | 2022-02-11 | 深圳市创科自动化控制技术有限公司 | 一种基于机器视觉的硬件衔接接口监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948509A (zh) | 对象状态监测方法、装置及电子设备 | |
AU2017272288B2 (en) | Method, system, electronic device, and medium for classifying license plates based on deep learning | |
KR102459221B1 (ko) | 전자 장치, 이의 영상 처리 방법 및 컴퓨터 판독가능 기록 매체 | |
CN107578453A (zh) | 压缩图像处理方法、装置、电子设备及计算机可读介质 | |
CN110120024A (zh) | 图像处理的方法、装置、设备和存储介质 | |
CN111932510B (zh) | 一种图像清晰度的确定方法及装置 | |
DE102013225503A1 (de) | System und Verfahren zum Bedienen einer Benutzerschnittstelle unter Verwendung eines Handgelenkwinkels in einem Fahrzeug | |
CN110148088B (zh) | 图像处理方法、图像去雨方法、装置、终端及介质 | |
CN111572549A (zh) | 驾驶环境调节方法、系统、存储介质及电子设备 | |
US20140152549A1 (en) | System and method for providing user interface using hand shape trace recognition in vehicle | |
CN104134364B (zh) | 具有自我学习能力的实时交通标记识别方法及系统 | |
CN112819875B (zh) | 单目深度估计的方法、装置及电子设备 | |
CN111652087A (zh) | 验车方法、装置、电子设备和存储介质 | |
CN111160237A (zh) | 头部姿态估计方法和装置、电子设备和存储介质 | |
CN109800682A (zh) | 驾驶员属性识别方法及相关产品 | |
CN109508636A (zh) | 车辆属性识别方法、装置、存储介质及电子设备 | |
CN110334753A (zh) | 视频分类方法、装置、电子设备及存储介质 | |
KR20190063582A (ko) | 전달 학습을 통한 운전자의 시선 응시영역 추정 방법 | |
CN110231866A (zh) | 车载屏幕控制方法、系统、车辆及存储介质 | |
CN110516622A (zh) | 一种车内人员的性别、年龄和情绪智能识别方法及系统 | |
CN110866451A (zh) | 一种车内生命体检测方法、装置、系统以及存储介质 | |
CN114248666A (zh) | 基于人脸识别的座椅调整方法、装置、介质及设备 | |
CN108415260A (zh) | 一种智能家居服务机器人 | |
CN110263836B (zh) | 一种基于多特征卷积神经网络的不良驾驶状态识别方法 | |
CN113696849B (zh) | 基于手势的车辆控制方法、装置和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190628 |
|
RJ01 | Rejection of invention patent application after publication |