CN110059548B - 目标检测方法及装置 - Google Patents
目标检测方法及装置 Download PDFInfo
- Publication number
- CN110059548B CN110059548B CN201910176723.XA CN201910176723A CN110059548B CN 110059548 B CN110059548 B CN 110059548B CN 201910176723 A CN201910176723 A CN 201910176723A CN 110059548 B CN110059548 B CN 110059548B
- Authority
- CN
- China
- Prior art keywords
- bounding box
- pair
- score
- box pair
- pairs
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000005764 inhibitory process Effects 0.000 claims abstract description 13
- 230000001629 suppression Effects 0.000 claims description 20
- 230000002401 inhibitory effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开公开了一种目标检测方法、装置、电子设备及计算机可读存储介质,其中,所述方法包括:针对初始边界框对集合中的每个边界框对,其中,所述边界框对由人的图像区域对应的边界框和所述人的相关部位的图像区域对应的边界框组成,根据所述边界框对对应的各个边界框的得分确定联合得分;根据所述每个边界框对的联合得分对所述初始边界框对集合中的边界框对进行抑制处理,得到目标边界框对集合。本公开通过根据边界框对对应的各个边界框的得分确定联合得分,根据所述每个边界框对的联合得分对所述初始边界框对集合中的边界框对进行抑制处理,得到目标边界框对集合,这样使得分更加可靠,不容易受到其他因素的干扰,并且对于假阳性情况有更好的抑制作用,提高边界框对的鲁棒性。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种目标检测方法、装置、电子设备及计算机可读存储介质。
背景技术
行人检测在安防以及自动驾驶领域有着广泛的应用,其目的在于把行人从背景中检测出来。行人检测还是很多其他任务的基础,例如行人重识别,行人跟踪以及人体关键点检测等。
在现有技术中,非极大值抑制(Non-Maximum Suppression,NMS)是目前主流的目标检测框架中一个不可缺少的步骤,因为检测结果中对同一个目标可能会得到很多重复或者相近的边界框,所以需要用NMS来去除掉一些冗余的结果。具体做法是先根据检测边界框的得分进行排序,然后从得分最高的边界框开始,计算它和剩余边界框的交并比(交叠面积/并集面积),如果交并比超过某一个预设的阈值,就把这个边界框从结果中去除(抑制掉),一直到处理完所有的边界框为止,这样就可以去除掉很多冗余的边界框。
但是NMS的阈值是很难确定的,给定一个高的阈值会保留更多的结果,有可能导致更多的假阳性(False Positive)结果,而给定一个低的阈值会抑制掉更多的结果,会导致召回率(Recall)降低。而且仅仅根据单类的边界框可能并不鲁棒,容易受到其他因素的音响。
发明内容
为克服相关技术中存在的问题,本公开提供一种目标检测方法、装置、电子设备及计算机可读存储介质。
根据本公开实施例的第一方面,提供一种目标检测方法,包括:
针对初始边界框对集合中的每个边界框对,根据所述边界框对对应的各个边界框的得分确定联合得分;其中,所述边界框对由人的图像区域对应的边界框和所述人的相关部位的图像区域对应的边界框组成;
根据所述每个边界框对的联合得分对所述初始边界框对集合中的边界框对进行抑制处理,得到目标边界框对集合。
进一步的,所述针对初始边界框对集合中的每个边界框对,根据所述边界框对对应的各个边界框的得分确定联合得分,包括:
针对初始边界框对集合中的每个边界框对,对所述边界框对的第一边界框的得分和第二边界框的得分进行加权处理,得到加权分数;
将所述加权分数作为所述边界框对的联合得分。
进一步的,所述根据所述每个边界框对的联合得分对所述初始边界框对集合中的边界框对进行抑制处理,得到目标边界框对集合,包括:
根据所述联合得分对所述初始边界框对集合中的边界框对进行排序处理;
根据排序结果选取联合分数最大的边界框对作为目标边界框对,并将所述目标边界框对加入到目标边界框对集合中;
根据所述目标边界框对对所述初始边界框对集合中剩余边界框对进行抑制处理,根据处理结果更新所述初始边界框对集合。
进一步的,所述根据所述目标边界框对对所述初始边界框对集合中剩余边界框对进行抑制处理,根据处理结果更新所述初始边界框对集合,包括:
针对所有剩余边界框对,分别计算所述目标边界框对与各个剩余边界框对的交并比;
根据所述交并比对所述所有剩余边界框对进行抑制处理,根据处理结果更新所述初始边界框对集合。
进一步的,所述根据所述交并比对所述所有剩余边界框对进行抑制处理,根据处理结果更新所述初始边界框对集合,包括:
针对所有剩余边界框对,若所述交并比大于预设阈值,则将对应的边界框对抑制掉;
从所有剩余边界框对选取联合分数最大的边界框对加入到所述目标边界框对集合中,并从所述初始边界框对集合中删除联合分数最大的边界框对。
根据本公开实施例的第二方面,提供一种目标检测装置,包括:
得分确定模块,用于针对初始边界框对集合中的每个边界框对,根据所述边界框对对应的各个边界框的得分确定联合得分;其中,所述边界框对由人的图像区域对应的边界框和所述人的相关部位的图像区域对应的边界框组成;
抑制模块,用于根据所述每个边界框对的联合得分对所述初始边界框对集合中的边界框对进行抑制处理,得到目标边界框对集合。
进一步的,所述得分确定模块具体用于:针对初始边界框对集合中的每个边界框对,对所述边界框对的第一边界框的得分和第二边界框的得分进行加权处理,得到加权分数;将所述加权分数作为所述边界框对的联合得分。
进一步的,所述抑制模块包括:
排序单元,用于根据所述联合得分对所述初始边界框对集合中的边界框对进行排序处理;
选取单元,用于根据排序结果选取联合分数最大的边界框对作为目标边界框对,并将所述目标边界框对加入到目标边界框对集合中;
抑制单元,用于根据所述目标边界框对对所述初始边界框对集合中剩余边界框对进行抑制处理,根据处理结果更新所述初始边界框对集合。
进一步的,所述抑制单元具体用于:针对所有剩余边界框对,分别计算所述目标边界框对与各个剩余边界框对的交并比;根据所述交并比对所述所有剩余边界框对进行抑制处理,根据处理结果更新所述初始边界框对集合。
进一步的,所述抑制单元具体用于:针对所有剩余边界框对,若所述交并比大于预设阈值,则将对应的边界框对抑制掉;从所有剩余边界框对中选取联合得分最大的边界框对加入到所述目标边界框对集合中,并从所述初始边界框对集合中删除联合分数最大的边界框对。
根据本公开实施例的第三方面,提供一种电子设备,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:执行本实施例所述的任意一种目标检测方法。
根据本公开实施例的第四方面,提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行本实施例所述的任意一种目标检测方法。
本公开的实施例提供的技术方案可以包括以下有益效果:通过根据边界框对对应的各个边界框的得分确定联合得分,根据所述每个边界框对的联合得分对所述初始边界框对集合中的边界框对进行抑制处理,得到目标边界框对集合,这样使得分更加可靠,不容易受到其他因素的干扰,并且对于假阳性情况有更好的抑制作用,提高边界框对的鲁棒性。
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,并不能限制本公开。
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,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是本公开实施例一提供的一种目标检测方法的流程图。
图2是本公开实施例二提供的一种目标检测方法的流程图。
图3是本公开实施例三提供的一种目标检测方法的流程图。
图4是本公开实施例四提供的一种目标检测装置的结构框图。
图5是本公开实施例五提供的一种电子设备的结构框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
实施例一
图1是本公开实施例一提供的一种目标检测方法的流程图,本实施例提供的目标检测方法的执行主体,可为本公开实施例提供的目标检测装置,该装置可以集成于移动终端(例如,智能手机、平板电脑等)、笔记本或固定终端(台式电脑)中,该目标检测装置可以采用硬件或软件实现。如图1所示,包括以下步骤:
步骤S11,针对初始边界框对集合中的每个边界框对,根据所述边界框对对应的各个边界框的得分确定联合得分。
具体的,现有的目标检测算法通常会在输入图像中采样大量的区域,然后判断这些区域中是否包含感兴趣的目标,并调整区域边缘从而更准确地预测目标的真实边界框,也称为锚框。
其中,初始边界框对集合由至少一个边界框对组成。所述边界框对由人的图像区域对应的边界框和所述人的相关部位的图像区域对应的边界框组成,从而建立人和人的相关部位的绑定关系,例如人和该人对应的相关部位(例如人头),那么回归人的边界框和回归该人的人头的边界框就组成一个边界框对。该初始边界框对集合可通过用户输入得到。在本实施例中,可采用现有的目标检测算法对边界框进行打分,可得到每个边界框的得分,该得分可由用户输入,进而针对每个边界框对,根据各个边界框的得分确定联合得分。
在一个可选的实施例中,步骤S11包括:
步骤S111,针对初始边界框对集合中的每个边界框对,对所述边界框对的第一边界框的得分和第二边界框的得分进行加权处理,得到加权分数。
例如,采用公式S=αSa+(1-α)Sb计算加权分数,其中,S为加权分数,α为加权系数,Sa为第一边界框的得分,Sb为第二边界框的得分。
步骤S112,将所述加权分数作为所述边界框对的联合得分。
步骤S12,根据所述每个边界框对的联合得分对所述初始边界框对集合中的边界框对进行抑制处理,得到目标边界框对集合。
具体的,根据联合得分可以抑制掉不符合条件的边界框对,由剩下的边界框对组成目标边界框对集合。
本实施例通过根据边界框对对应的各个边界框的得分确定联合得分,根据所述每个边界框对的联合得分对所述初始边界框对集合中的边界框对进行抑制处理,得到目标边界框对集合,这样使得分更加可靠,不容易受到其他因素的干扰,并且对于假阳性情况有更好的抑制作用,提高边界框对的鲁棒性。
实施例二
图2是本公开实施例二提供的一种目标检测方法的流程图,本实施例在上述实施例的基础上,对步骤根据所述每个边界框对的联合得分对所述初始边界框对集合中的边界框对进行抑制处理,得到目标边界框对集合进行进一步优化,如图2所示,具体包括:
步骤S21,针对初始边界框对集合中的每个边界框对,根据所述边界框对对应的各个边界框的得分确定联合得分。
步骤S22,根据所述联合得分对所述初始边界框对集合中的边界框对进行排序处理。
步骤S23,根据排序结果选取联合分数最大的边界框对作为目标边界框对,并将所述目标边界框对加入到目标边界框对集合中。
步骤S24,根据所述目标边界框对对所述初始边界框对集合中剩余边界框对进行抑制处理,根据处理结果更新所述初始边界框对集合。
例如,将联合分数最大的边界框对从初始边界框对集合中删除。
在一个可选的实施例中,步骤24包括:
步骤S241,针对所有剩余边界框对,分别计算所述目标边界框对与各个剩余边界框对的交并比。
其中,交并比为目标检测中使用的一个概念,是目标边界框对与剩余边界框对的交叠率,即它们的交集与并集的比值。
在本实施例中,由于目标边界框对中包含至少两个边界框,剩余边界框对中也至少包含两个边界框,则分别计算目标边界框对中第一边界框与剩余边界框对中第一边界框的交并比,及目标边界框对中第二边界框与剩余边界框对中第二边界框的交并比,然后选取较大的交并比作为目标边界框对与剩余边界框对的交并比。
步骤S242,根据所述交并比对所述所有剩余边界框对进行抑制处理,根据处理结果更新所述初始边界框对集合。
进一步的,步骤S242包括:
针对所有剩余边界框对,若所述交并比大于预设阈值,则将对应的边界框对抑制掉;
从所有剩余边界框对中选取联合分数最大的边界框对加入到所述目标边界框对集合中,并从所述初始边界框对集合中删除联合分数最大的边界框对。
其中,预设阈值可根据用户输入得到。
本实施例通过根据边界框对对应的各个边界框的得分确定联合得分,并根据所述联合得分对所述初始边界框对集合中的边界框对进行排序处理,选取联合分数最大的边界框对作为目标边界框对,并将所述目标边界框对加入到目标边界框对集合中,并且进一步根据所述目标边界框对对所述初始边界框对集合中剩余边界框对进行抑制处理,根据处理结果更新所述初始边界框对集合,这样使得分更加可靠,不容易受到其他因素的干扰,并且对于假阳性情况有更好的抑制作用,提高边界框对的鲁棒性。
实施例三
图3是本公开实施例三提供的一种目标检测方法的流程图,本实施例为具体实施例,用于对本公开进行详细说明。如图3所示,包括以下步骤:
步骤S31,接收输入的有绑定关系的边界框对组成的初始边界框对集合、各个边界框的得分和预设阈值。
步骤S32,初始化目标边界框对集合为空集,针对初始边界框对集合中的每个边界框对,对所述边界框对的第一边界框的得分和第二边界框的得分进行加权处理,得到加权分数。
步骤S33,根据加权分数对所述初始边界框对集合中的边界框对进行排序处理。
步骤S34,根据排序结果选取联合分数最大的边界框对作为目标边界框对,将其从初始边界框对集合中删除,并将其加入到目标边界框对集合中。
在步骤S35中,针对所有剩余边界框对,分别计算所述目标边界框对与各个剩余边界框对的交并比。
步骤S36,若所述交并比大于预设阈值,则将对应的边界框对抑制掉,从所有剩余边界框对中选取联合分数最大的边界框对加入到所述目标边界框对集合中,并从所述初始边界框对集合中删除联合分数最大的边界框对。
本实施例根据输入有绑定关系的边界框对、及预设阈值,由于检测结果中每个边界框都有对应的得分,而单个的得分并不足以反应整对框的置信度,这里将每对边界框的两个得分进行线性加权得到一个加权分数,根据加权得分从高到低对边界框对进行排序。然后选取一对最高得分的边界框,将其从边界框对集合中删除并加入目标边界框对集合中,计算其他边界框对与其的交并比,如果任意一对的交并比超过预设阈值,就把这一对框给抑制掉,这使得分更加可靠,并且对于假阳性情况有更好的抑制作用。
实施例四
图4是本公开实施例四提供的一种目标检测装置框图。该装置可以集成于移动终端(例如,智能手机、平板电脑等)、笔记本或固定终端(台式电脑)中,该目标检测装置可以采用硬件或软件实现。参照图4,该装置包括得分确定模块41和抑制模块42;其中,
得分确定模块41用于针对初始边界框对集合中的每个边界框对,根据所述边界框对对应的各个边界框的得分确定联合得分;其中,所述边界框对由人的图像区域对应的边界框和所述人的相关部位的图像区域对应的边界框组成;
抑制模块42用于根据所述每个边界框对的联合得分对所述初始边界框对集合中的边界框对进行抑制处理,得到目标边界框对集合。
进一步的,所述得分确定模块41具体用于:针对初始边界框对集合中的每个边界框对,对所述边界框对的第一边界框的得分和第二边界框的得分进行加权处理,得到加权分数;将所述加权分数作为所述边界框对的联合得分。
进一步的,所述抑制模块42包括:排序单元421、选取单元422和抑制单元423;其中,
排序单元421用于根据所述联合得分对所述初始边界框对集合中的边界框对进行排序处理;
选取单元422用于根据排序结果选取联合分数最大的边界框对作为目标边界框对,并将所述目标边界框对加入到目标边界框对集合中;
抑制单元423用于根据所述目标边界框对对所述初始边界框对集合中剩余边界框对进行抑制处理,根据处理结果更新所述初始边界框对集合。
进一步的,所述抑制单元423具体用于:针对所有剩余边界框对,分别计算所述目标边界框对与各个剩余边界框对的交并比;根据所述交并比对所述所有剩余边界框对进行抑制处理,根据处理结果更新所述初始边界框对集合。
进一步的,所述抑制单元423具体用于:针对所有剩余边界框对,若所述交并比大于预设阈值,则将对应的边界框对抑制掉;从所有剩余边界框对中选取联合分数最大的边界框对加入到所述目标边界框对集合中,并从所述初始边界框对集合中删除联合分数最大的边界框对。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例五
本公开实施例提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;其中,处理器被配置为:
针对初始边界框对集合中的每个边界框对,根据所述边界框对对应的各个边界框的得分确定联合得分;其中,所述边界框对由人的图像区域对应的边界框和所述人的相关部位的图像区域对应的边界框组成;
根据所述每个边界框对的联合得分对所述初始边界框对集合中的边界框对进行抑制处理,得到目标边界框对集合。
进一步的,所述针对初始边界框对集合中的每个边界框对,根据所述边界框对对应的各个边界框的得分确定联合得分,包括:
针对初始边界框对集合中的每个边界框对,对所述边界框对的第一边界框的得分和第二边界框的得分进行加权处理,得到加权分数;
将所述加权分数作为所述边界框对的联合得分。
进一步的,所述根据所述每个边界框对的联合得分对所述初始边界框对集合中的边界框对进行抑制处理,得到目标边界框对集合,包括:
根据所述联合得分对所述初始边界框对集合中的边界框对进行排序处理;
根据排序结果选取联合分数最大的边界框对作为目标边界框对,并将所述目标边界框对加入到目标边界框对集合中;
根据所述目标边界框对对所述初始边界框对集合中剩余边界框对进行抑制处理,根据处理结果更新所述初始边界框对集合。
进一步的,所述根据所述目标边界框对对所述初始边界框对集合中剩余边界框对进行抑制处理,根据处理结果更新所述初始边界框对集合,包括:
针对所有剩余边界框对,分别计算所述目标边界框对与各个剩余边界框对的交并比;
根据所述交并比对所述所有剩余边界框对进行抑制处理,根据处理结果更新所述初始边界框对集合。
进一步的,所述根据所述交并比对所述所有剩余边界框对进行抑制处理,根据处理结果更新所述初始边界框对集合,包括:
针对所有剩余边界框对,若所述交并比大于预设阈值,则将对应的边界框对抑制掉;
从所有剩余边界框对中选取联合分数最大的边界框对加入到所述目标边界框对集合中,并从所述初始边界框对集合中删除联合分数最大的边界框对。
其中,图5是本公开实施例提供的一种电子设备的框图。例如,该电子设备可以是移动电话,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。
参照图5,该电子设备可以包括以下一个或多个组件:处理组件502,存储器504,电力组件506,多媒体组件508,音频组件510,输入/输出(I/O)的接口512,传感器组件514,以及通信组件516。
处理组件502通常控制电子设备的整体操作,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502可以包括一个或多个处理器520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502可以包括一个或多个模块,便于处理组件502和其他组件之间的交互。例如,处理组件502可以包括多媒体模块,以方便多媒体组件508和处理组件502之间的交互。
存储器504被配置为存储各种类型的数据以支持在电子设备的操作。这些数据的示例包括用于在电子设备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504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506为电子设备的各种组件提供电力。电源组件506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生成、管理和分配电力相关联的组件。
多媒体组件508包括在所述电子设备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508包括一个前置摄像头和/或后置摄像头。当电子设备处于操作模式,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的光学透镜系统或具有焦距和光学变焦能力。
音频组件510被配置为输出和/或输入音频信号。例如,音频组件510包括一个麦克风(MIC),当电子设备处于操作模式,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504或经由通信组件516发送。在一些实施例中,音频组件510还包括一个扬声器,用于输出音频信号。
I/O接口512为处理组件502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514包括一个或多个传感器,用于为电子设备提供各个方面的状态评估。例如,传感器组件514可以检测到电子设备的打开/关闭状态,组件的相对定位,例如所述组件为电子设备的显示器和小键盘,传感器组件514还可以检测电子设备或电子设备一个组件的位置改变,用户与电子设备接触的存在或不存在,电子设备方位或加速/减速和电子设备的温度变化。传感器组件514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514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514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516被配置为便于电子设备和其他设备之间有线或无线方式的通信。电子设备可以接入基于通信标准的无线网络,如WiFi,运营商网络(如2G、3G、4G或3G),或它们的组合。在一个示例性实施例中,通信组件516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516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,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器504,上述指令可由电子设备的处理器520执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供了一种应用程序,例如包括指令的存储器504,上述指令可由电子设备的处理器520执行以完成上述方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (7)
1.一种目标检测方法,其特征在于,包括:
针对初始边界框对集合中的每个边界框对,根据所述边界框对对应的各个边界框的得分确定联合得分,包括:针对初始边界框对集合中的每个边界框对,对所述边界框对的第一边界框的得分和第二边界框的得分进行加权处理,得到加权分数;将所述加权分数作为所述边界框对的联合得分;其中,所述边界框对由人的图像区域对应的边界框和所述人的相关部位的图像区域对应的边界框组成;
根据所述每个边界框对的联合得分对所述初始边界框对集合中的边界框对进行抑制处理,得到目标边界框对集合;
所述边界框对至少由两个边框组成;
所述人的相关部位的图像区域是所述人的图像区域的部分图像区域。
2.根据权利要求1所述的目标检测方法,其特征在于,所述根据所述每个边界框对的联合得分对所述初始边界框对集合中的边界框对进行抑制处理,得到目标边界框对集合,包括:
根据所述联合得分对所述初始边界框对集合中的边界框对进行排序处理;
根据排序结果选取联合分数最大的边界框对作为目标边界框对,并将所述目标边界框对加入到目标边界框对集合中;
根据所述目标边界框对对所述初始边界框对集合中剩余边界框对进行抑制处理,根据处理结果更新所述初始边界框对集合。
3.根据权利要求2所述的目标检测方法,其特征在于,所述根据所述目标边界框对对所述初始边界框对集合中剩余边界框对进行抑制处理,根据处理结果更新所述初始边界框对集合,包括:
针对所有剩余边界框对,分别计算所述目标边界框对与各个剩余边界框对的交并比;
根据所述交并比对所述所有剩余边界框对进行抑制处理,根据处理结果更新所述初始边界框对集合。
4.根据权利要求3所述的目标检测方法,其特征在于,所述根据所述交并比对所述所有剩余边界框对进行抑制处理,根据处理结果更新所述初始边界框对集合,包括:
针对所有剩余边界框对,若所述交并比大于预设阈值,则将对应的边界框对抑制掉;
从所有剩余边界框对中选取联合得分最大的边界框对加入到所述目标边界框对集合中,并从所述初始边界框对集合中删除联合分数最大的边界框对。
5.一种目标检测装置,其特征在于,包括:
得分确定模块,用于针对初始边界框对集合中的每个边界框对,根据所述边界框对对应的各个边界框的得分确定联合得分,包括:针对初始边界框对集合中的每个边界框对,对所述边界框对的第一边界框的得分和第二边界框的得分进行加权处理,得到加权分数;将所述加权分数作为所述边界框对的联合得分;其中,所述边界框对由人的图像区域对应的边界框和所述人的相关部位的图像区域对应的边界框组成;
抑制模块,用于根据所述每个边界框对的联合得分对所述初始边界框对集合中的边界框对进行抑制处理,得到目标边界框对集合;
所述边界框对至少由两个边框组成;
所述人的相关部位的图像区域是所述人的图像区域的部分图像区域。
6.一种电子设备,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1-4任一项所述的目标检测方法。
7.一种非临时性计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行权利要求1-4任一项所述的目标检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910176723.XA CN110059548B (zh) | 2019-03-08 | 2019-03-08 | 目标检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910176723.XA CN110059548B (zh) | 2019-03-08 | 2019-03-08 | 目标检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110059548A CN110059548A (zh) | 2019-07-26 |
CN110059548B true CN110059548B (zh) | 2022-12-06 |
Family
ID=67316127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910176723.XA Active CN110059548B (zh) | 2019-03-08 | 2019-03-08 | 目标检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059548B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112711972B (zh) * | 2019-10-26 | 2024-06-14 | 海思技术有限公司 | 一种目标检测方法及装置 |
CN111383267B (zh) * | 2020-03-03 | 2024-04-05 | 重庆金山医疗技术研究院有限公司 | 一种目标重定位方法、设备及存储介质 |
CN113642510A (zh) * | 2021-08-27 | 2021-11-12 | 北京京东乾石科技有限公司 | 目标检测方法、装置、设备和计算机可读介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10346723B2 (en) * | 2016-11-01 | 2019-07-09 | Snap Inc. | Neural network for object detection in images |
CN107895150B (zh) * | 2016-11-30 | 2021-07-16 | 奥瞳系统科技有限公司 | 基于嵌入式系统小规模卷积神经网络模块的人脸检测和头部姿态角评估 |
CN109003267B (zh) * | 2017-08-09 | 2021-07-30 | 深圳科亚医疗科技有限公司 | 从3d图像自动检测目标对象的计算机实现方法和系统 |
CN107492116A (zh) * | 2017-09-01 | 2017-12-19 | 深圳市唯特视科技有限公司 | 一种基于多外观模型进行人脸跟踪的方法 |
-
2019
- 2019-03-08 CN CN201910176723.XA patent/CN110059548B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110059548A (zh) | 2019-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10498873B2 (en) | Screen control method, apparatus, and non-transitory tangible computer readable storage medium | |
US9860844B2 (en) | Method and apparatus of temperature control | |
US20170344192A1 (en) | Method and device for playing live videos | |
CN110827253A (zh) | 一种目标检测模型的训练方法、装置及电子设备 | |
US20160210034A1 (en) | Method and apparatus for switching display mode | |
EP2978265B1 (en) | Method and apparatus for automatically connecting to a wireless network | |
CN105631803B (zh) | 滤镜处理的方法和装置 | |
CN107464253B (zh) | 眉毛定位方法及装置 | |
CN106354504B (zh) | 消息显示方法及装置 | |
CN105335684B (zh) | 人脸检测方法及装置 | |
CN110059548B (zh) | 目标检测方法及装置 | |
EP3249505B1 (en) | Method and electronic device for controlling a state of a touch screen | |
CN110059547B (zh) | 目标检测方法及装置 | |
EP3040912A1 (en) | Method and device for classifying pictures | |
CN110618783A (zh) | 一种文本播报方法、装置及介质 | |
CN109447258B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
US20170017656A1 (en) | Method and device for presenting tasks | |
US20190095163A1 (en) | Method and device for displaying an input interface and an electronic device | |
CN109325141B (zh) | 图像检索方法及装置、电子设备和存储介质 | |
CN107682101B (zh) | 噪声检测方法、装置及电子设备 | |
CN113870195A (zh) | 目标贴图检测模型的训练、贴图检测方法及装置 | |
CN107621990B (zh) | 终端按键的控制方法、装置及终端 | |
CN112363647A (zh) | 触控操作方法及装置、存储介质 | |
RU2612595C2 (ru) | Способ и устройство для обработки pwm-данных | |
US9911173B2 (en) | Method and device for displaying images |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |