CN110110604A - 目标对象检测方法、装置、可读存储介质及电子设备 - Google Patents

目标对象检测方法、装置、可读存储介质及电子设备 Download PDF

Info

Publication number
CN110110604A
CN110110604A CN201910285913.5A CN201910285913A CN110110604A CN 110110604 A CN110110604 A CN 110110604A CN 201910285913 A CN201910285913 A CN 201910285913A CN 110110604 A CN110110604 A CN 110110604A
Authority
CN
China
Prior art keywords
target object
period
image data
executing
current
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
Application number
CN201910285913.5A
Other languages
English (en)
Inventor
杨梦晖
章涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Neusoft Corp
Original Assignee
Neusoft Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Neusoft Corp filed Critical Neusoft Corp
Priority to CN201910285913.5A priority Critical patent/CN110110604A/zh
Publication of CN110110604A publication Critical patent/CN110110604A/zh
Priority to US16/564,507 priority patent/US11037301B2/en
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/48—Matching video sequences
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种目标对象检测方法、装置、可读存储介质及电子设备，其中，所述方法被周期性地执行，所述方法包括：根据当前执行周期内获取到的前N帧图像数据识别目标对象，其中，N为正整数，且N小于在所述当前执行周期内能够获取到的图像数据的总帧数；若识别出所述目标对象，则在所述当前处理周期的剩余时段内，根据获取到的图像数据对所述目标对象进行跟踪。在上述技术方案中，在当前执行周期内只有前N帧图像数据参与目标对象识别的计算过程，在识别出目标对象时，在当前执行周期的剩余时段内，对识别出的目标对象进行跟踪，从而可以有效降低数据的计算量，拓宽该目标对象检测方法的使用范围。并且，可以保证目标对象检测的实时性。

Description

目标对象检测方法、装置、可读存储介质及电子设备
技术领域
本公开涉及检测技术领域，具体地，涉及一种目标对象检测方法、装置、可读存储介质及电子设备。
背景技术
随着科学技术的发展，自动驾驶、辅助驾驶技术应运而生。其中，检测行驶环境中的目标对象则是至为关键的一步，可以为确定驾驶策略提供基础。现有技术中，一般通过获取周围环境视频，从而通过对视频中的每个视频帧进行图像识别，以识别出目标对象，进而可以确定出目标对象的位置以及其他相关信息。然而，在上述过程中，需要对每个视频帧均进行图像识别，导致数据计算量较大，实时性较差。
发明内容
本公开的目的是提供一种可以有效降低数据计算量、并且有效提高实时性的目标对象检测方法、装置、可读存储介质及电子设备。
为了实现上述目的，根据本公开的第一方面，提供一种目标对象检测方法，所述方法包括：
根据当前执行周期内获取到的前N帧图像数据识别目标对象，其中，N为正整数，且N小于在所述当前执行周期内能够获取到的图像数据的总帧数；
若识别出所述目标对象，则在所述当前处理周期的剩余时段内，根据获取到的图像数据对所述目标对象进行跟踪。
可选地，所述方法还包括：
若未识别出所述目标对象，则进入休眠状态，直到所述当前执行周期结束为止。
可选地，所述方法还包括：
在所述根据获取到的图像数据对所述目标对象进行跟踪的过程中，若出现跟踪失败，则进入休眠状态，直到所述当前执行周期结束为止。
可选地，N＝1。
可选地，执行周期的时长通过如下方式进行确定：
所述图像数据的采集装置的移动速度越大，所述执行周期的时长越短。
可选地，所述方法应用于嵌入式平台。
根据本公开的第二方面，提供一种目标对象检测装置，所述装置包括：
识别模块，用于根据当前执行周期内获取到的前N帧图像数据识别目标对象，其中，N为正整数，且N小于在所述当前执行周期内能够获取到的图像数据的总帧数；
跟踪模块，用于若识别出所述目标对象，则在所述当前处理周期的剩余时段内，根据获取到的图像数据对所述目标对象进行跟踪。
可选地，所述跟踪模块还用于：
若未识别出所述目标对象，则进入休眠状态，直到所述当前执行周期结束为止。
可选地，所述跟踪模块还用于：
在所述根据获取到的图像数据对所述目标对象进行跟踪的过程中，若出现跟踪失败，则进入休眠状态，直到所述当前执行周期结束为止。
可选地，N＝1。
可选地，执行周期的时长通过如下方式进行确定：
所述图像数据的采集装置的移动速度越大，所述执行周期的时长越短。
可选地，所述方法应用于嵌入式平台。
根据本公开的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一方面任一所述方法的步骤。
根据本公开的第四方面，提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现上述第一方面任一所述方法的步骤。
在上述技术方案中，在当前执行周期内只有前N帧图像数据参与目标对象识别的计算过程，在识别出目标对象时，在当前执行周期的剩余时段内，对识别出的目标对象进行跟踪，从而可以有效降低数据的计算量，拓宽该目标对象检测方法的使用范围。并且，由于在一个执行周期内的图像数据基本相似，通过对目标数据进行跟踪可以在保证目标对象检测实时性的同时，也可以保证目标对象检测的准确性。并且，在本公开中所提供的方法被周期性地执行，在每个执行周期的初始都可以重新对目标对象进行识别，也可以实时发现新的目标对象，从而进一步提高目标对象跟踪的准确性，提高目标对象检测的准确性。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据本公开的一种实施方式提供的目标对象检测方法的流程图；
图2是根据本公开的另一种实施方式提供的目标对象检测方法的流程图；
图3是根据本公开的另一种实施方式提供的目标对象检测方法的流程图；
图4是根据本公开的一种实施方式提供的目标对象检测装置的框图；
图5是根据一示例性实施例示出的一种电子设备的框图；
图6是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
图1所示，为根据本公开的一种实施方式提供的目标对象检测方法的流程图，该方法被周期性地执行，如图1所示，所述方法包括：
在S11中，根据当前执行周期内获取到的前N帧图像数据识别目标对象，其中，N为正整数，且N小于在所述当前执行周期内能够获取到的图像数据的总帧数。
示例地，本方法可以应用于多个领域，例如，交通、监控等领域。当该方法应用于交通领域时，该目标对象可以是行人、车辆或者交通标志等；当该方法应用于监控领域时，该目标对象可以是行人、动物等。其中，上述实施例仅为示例性说明，不对本公开进行限制。例如，目标对象也可以是其他具有形状和边界的物体。
在S12中，若识别出目标对象，则在当前处理周期的剩余时段内，根据获取到的图像数据对目标对象进行跟踪。
其中，当前处理周期的剩余时段为从识别出该目标对象的时刻至该当前处理周期结束为止所对应的时段。
其中，可以利用跟踪算法对识别出的目标对象进行跟踪，例如，MOSSE(MinimumOutput Sum of Squared Error，最小输出平方误差和)算法，其中，基于MOSSE算法进行目标对象进行跟踪时，其每秒传输帧数通常大于1000，因此，对于典型通用的30FPS(FramesPer Second，每秒传输帧数)的图像数据(如，视频流)而言，在较短时间内其对应的图像数据基本相同，从而可以有效保证目标对象跟踪的准确性。需要进行说明的是，MOSSE算法为现有技术，在此不再赘述。
在上述技术方案中，在当前执行周期内只有前N帧图像数据参与目标对象识别的计算过程，在识别出目标对象时，在当前执行周期的剩余时段内，对识别出的目标对象进行跟踪，从而可以有效降低数据的计算量，拓宽该目标对象检测方法的使用范围。并且，由于在一个执行周期内的图像数据基本相似，通过对目标数据进行跟踪可以在保证目标对象检测实时性的同时，也可以保证目标对象检测的准确性。并且，在本公开中所提供的方法被周期性地执行，在每个执行周期的初始都可以重新对目标对象进行识别，也可以实时发现新的目标对象，从而进一步提高目标对象跟踪的准确性，提高目标对象检测的准确性。
为了使本领域技术人员更容易理解本发明实施例提供的技术方案，下面首先对上述方法中的各个步骤进行详细说明。
可选地，N＝1，这也就是说，在根据当前执行周期内获取到的前N帧图像数据识别目标对象时，可以只根据当前执行周期内获取到的首帧图像识别目标对象，从而可以进一步降低数据的计算量，避免重复进行目标对象检测造成的资源浪费，提高目标对象检测的实时性。
其中，可以预先训练一目标对象识别模型，该目标对象识别模型用于识别输入的图像数据中的目标对象。示例地，该目标对象识别模型可以采用深度学习的方法进行训练，例如，目标对象可以通过SSD(Single Shot MultiBox Detector)算法或者YOLO(You OnlyLook Once)算法进行检测。示例地，可以根据该目标对象检测方法的应用场景对目标对象识别模型的训练图像进行标记。如，当该目标对象检测方法应用于交通领域时，可以对训练图像中的行人、车辆以及交通标识等进行标记，训练图像的数量可以基于目标对象识别模型的精度进行设置，目标对象识别模型的精度要求越高，训练图像的数量可以设置越大。其中，通过深度学习的方式对模型进行训练的方式为现有技术，在此不再赘述。
由此，在预先训练好目标对象识别模型后，则只需要将首帧图像输入至该目标对象识别模型，便可以快速且准确地识别出该图像中的目标对象，既可以有效保证目标对象识别的准确度，又可以保证目标对象识别的效率，提高目标对象检测方法的实时性。
当N大于1时，根据当前执行周期内获取到的前N帧图像数据识别目标对象，包括：
将目标图像输入至目标对象识别模型，所述目标图像初始为当前执行周期内获取的首帧图像；
若根据该目标图像识别出目标对象，则可以直接执行步骤12；
若根据该目标图像未识别出目标对象，则将下一帧图像作为目标图像，并输入至目标对象识别模型，直至识别出目标对象或前N帧图像均输入至目标对象识别模型。
其中，N可以根据实际使用场景进行设置。示例地，N为3时，将当前执行周期内获取的首帧图像作为目标图像输入目标对象识别模型，若根据该目标图像未识别出目标对象，则可以将当前执行周期内获取到的下一帧图像(此时，为第二帧图像)重新作为目标图像输入目标对象识别模型，若根据该目标图像识别出目标对象，则执行步骤12，若根据该目标帧图像未识别出目标对象，则可以将当前执行周期内获取到的下一帧图像(此时，为第三帧图像)重新作为目标图像输入目标对象识别模型，若根据该目标图像识别出目标对象，则执行步骤12，若根据该目标图像未识别出目标对象，由于此时前三帧图像均输入至目标对象识别模型，此时，可以确定在当前执行周期内未识别出目标对象。
因此，通过上述技术方案，可以对当前执行周期的目标对象进行识别，并且，在识别出目标对象时，直接对目标对象进行跟踪，因此，可以有效降低当前执行周期内识别目标对象所需的数据计算量，并且，通过多帧图像进行目标对象检测，也可以有效保证目标对象检测的准确度。
可选地，图2所示，为根据本公开的另一种实施方式提供的目标对象检测方法的流程图，如图2所示，所述方法还包括：
在S21中，若未识别出目标对象，则进入休眠状态，直到当前执行周期结束为止。
其中，执行周期对应的时长一般较短。可选地，执行周期的时长通过如下方式进行确定：所述图像数据的采集装置的移动速度越大，所述执行周期的时长越短。示例地，以车载系统为例，图像数据的采集装置可以是车辆上安装的摄像装置，其移动速度即为当前车辆的移动速度。示例地，对于30FPS的图像数据而言，该执行周期的时长范围可以是[0.33S,3S]。如，当前移动速度较大时，执行周期的时长可以设置为0.5S，当前车辆的移动速度较小时，执行周期的时长可以设置为2S。需要进行说明的是，上述仅为示例性说明，执行周期的时长可以根据实际使用场景进行设置，本公开对此不进行限定。
在该实施例中，若未识别出目标对象，可能有以下两种情况：
1)当前执行周期内获取到的前N帧图像数据中不存在需识别的目标对象；
2)当前执行周期内获取到的前N帧图像数据中存在目标对象、但是尚未识别出来。
由于执行周期的时长较短，且本公开提供的目标对象检测方法周期性地执行，因此，针对上述1)和2)两种情况，在未识别出目标对象时，都可以进行休眠状态，即在当前执行周期内可以不必在执行相应的操作，直到到达下一执行周期时重新执行该方法。因此，通过上述技术方案，未识别出目标对象时进入休眠状态，可以有效避免不必要的计算造成的资源浪费，直到到达下一执行周期重新执行该方法，也可以保证目标对象检测的实时性，保证用户使用体验。
可选地，图3所示，为根据本公开的另一实施方式提供的目标对象检测方法的流程图，如图3所示，所述方法还包括：
在S31中，在根据获取到的图像数据对目标对象进行跟踪的过程中，若出现跟踪失败，则进入休眠状态，直到当前执行周期结束为止。
在上文中所述，若在当前执行周期内识别出目标对象，则在当前处理周期的剩余时段内，根据获取到的图像数据对目标对象进行跟踪。然而，目标对象可能在该当前执行周期内离开图像数据对应的视野范围，此时，可以确定为发生跟踪失败。另外，跟踪算法本身也可能出现跟踪不到目标对象的情况，此时，也可以确定发生跟踪失败。
在当前执行周期内，在对目标对象跟踪的过程中出现跟踪失败时，进入休眠状态，直到到达下一执行周期重新执行该方法。由于执行周期时长较短，因此，出现跟踪失败进入休眠状态时，既不会在目标对象检测时出现明显的时延，又可以节省计算资源，提高资源利用率。
另外，在该方法中，通过对当前执行周期内的部分图像数据进行目标对象识别，可以有效降低数据的计算量，从而使得该目标对象检测方法可以应用于实时性要求高但计算能力相对不足的系统。可选地，所述方法可以应用于嵌入式平台。该方法可以有效降低计算负载，从而可以避免将现有技术中的方法直接应用于嵌入式平台时所需的高计算量造成的嵌入式系统性能严重下降的现象，保证嵌入式系统的稳定，从而有效拓宽该方法的使用范围。
本公开还提供一种目标对象检测装置，如图2所示，所述装置10包括：
识别模块100，用于根据当前执行周期内获取到的前N帧图像数据识别目标对象，其中，N为正整数，且N小于在所述当前执行周期内能够获取到的图像数据的总帧数；
跟踪模块200，用于若识别出所述目标对象，则在所述当前处理周期的剩余时段内，根据获取到的图像数据对所述目标对象进行跟踪。
可选地，所述跟踪模块还用于：
若未识别出所述目标对象，则进入休眠状态，直到所述当前执行周期结束为止。
可选地，所述跟踪模块还用于：
在所述根据获取到的图像数据对所述目标对象进行跟踪的过程中，若出现跟踪失败，则进入休眠状态，直到所述当前执行周期结束为止。
可选地，N＝1。
可选地，执行周期的时长通过如下方式进行确定：
所述图像数据的采集装置的移动速度越大，所述执行周期的时长越短。
可选地，所述方法应用于嵌入式平台。
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。
图5是根据一示例性实施例示出的一种电子设备700的框图。如图5所示，该电子设备700可以包括：处理器701，存储器702。该电子设备700还可以包括多媒体组件703，输入/输出(I/O)接口704，以及通信组件705中的一者或多者。
其中，处理器701用于控制该电子设备700的整体操作，以完成上述的目标对象检测方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作，这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702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，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G、4G、NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件705可以包括：Wi-Fi模块，蓝牙模块，NFC模块等等。
在一示例性实施例中，电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的目标对象检测方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的目标对象检测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器702，上述程序指令可由电子设备700的处理器701执行以完成上述的目标对象检测方法。
在另一示例性实施例中，还提供了一种计算机程序产品，所述计算机程序产品包含能够由可编程的装置执行的计算机程序，所述计算机程序具有当由所述可编程的装置执行时用于执行上述的目标对象检测方法的代码部分。
图6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6，电子设备1900包括处理器1922，其数量可以为一个或多个，以及存储器1932，用于存储可由处理器1922执行的计算机程序。存储器1932中存储的计算机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，处理器1922可以被配置为执行该计算机程序，以执行上述的目标对象检测方法。
另外，电子设备1900还可以包括电源组件1926和通信组件1950，该电源组件1926可以被配置为执行电子设备1900的电源管理，该通信组件1950可以被配置为实现电子设备1900的通信，例如，有线或无线通信。此外，该电子设备1900还可以包括输入/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WindowsServerTM，Mac OS XTM，UnixTM,LinuxTM等等。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的目标对象检测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器1932，上述程序指令可由电子设备1900的处理器1922执行以完成上述的目标对象检测方法。
在另一示例性实施例中，还提供了一种计算机程序产品，所述计算机程序产品包含能够由可编程的装置执行的计算机程序，所述计算机程序具有当由所述可编程的装置执行时用于执行上述的目标对象检测方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (10)

1.一种目标对象检测方法，其特征在于，所述方法被周期性地执行，其中，所述方法包括：
根据当前执行周期内获取到的前N帧图像数据识别目标对象，其中，N为正整数，且N小于在所述当前执行周期内能够获取到的图像数据的总帧数；
若识别出所述目标对象，则在所述当前处理周期的剩余时段内，根据获取到的图像数据对所述目标对象进行跟踪。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若未识别出所述目标对象，则进入休眠状态，直到所述当前执行周期结束为止。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在所述根据获取到的图像数据对所述目标对象进行跟踪的过程中，若出现跟踪失败，则进入休眠状态，直到所述当前执行周期结束为止。
4.根据权利要求1所述的方法，其特征在于，N＝1。
5.根据权利要求1所述的方法，其特征在于，执行周期的时长通过如下方式进行确定：
所述图像数据的采集装置的移动速度越大，所述执行周期的时长越短。
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述方法应用于嵌入式平台。
7.一种目标对象检测装置，其特征在于，所述装置包括：
识别模块，用于根据当前执行周期内获取到的前N帧图像数据识别目标对象，其中，N为正整数，且N小于在所述当前执行周期内能够获取到的图像数据的总帧数；
跟踪模块，用于若识别出所述目标对象，则在所述当前处理周期的剩余时段内，根据获取到的图像数据对所述目标对象进行跟踪。
8.根据权利要求7所述的方法，其特征在于，所述跟踪模块还用于：若未识别出所述目标对象，则进入休眠状态，直到所述当前执行周期结束为止。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-6中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-6中任一项所述方法的步骤。
CN201910285913.5A 2019-04-10 2019-04-10 目标对象检测方法、装置、可读存储介质及电子设备 Pending CN110110604A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910285913.5A CN110110604A (zh) 2019-04-10 2019-04-10 目标对象检测方法、装置、可读存储介质及电子设备
US16/564,507 US11037301B2 (en) 2019-04-10 2019-09-09 Target object detection method, readable storage medium, and electronic device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910285913.5A CN110110604A (zh) 2019-04-10 2019-04-10 目标对象检测方法、装置、可读存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN110110604A true CN110110604A (zh) 2019-08-09

Family

ID=67484015

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910285913.5A Pending CN110110604A (zh) 2019-04-10 2019-04-10 目标对象检测方法、装置、可读存储介质及电子设备

Country Status (2)

Country Link
US (1) US11037301B2 (zh)
CN (1) CN110110604A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111710028A (zh) * 2020-05-27 2020-09-25 北京东软医疗设备有限公司 三维造影图像的生成方法、装置、存储介质和电子设备
CN112991393A (zh) * 2021-04-15 2021-06-18 北京澎思科技有限公司 目标检测与跟踪方法、装置、电子设备及存储介质

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112562159B (zh) * 2020-11-24 2022-10-14 恒安嘉新（北京）科技股份公司 一种门禁控制方法、装置、计算机设备和存储介质
CN112712051B (zh) * 2021-01-12 2024-07-26 腾讯科技（深圳）有限公司 对象跟踪方法、装置、计算机设备及存储介质
CN113361388B (zh) * 2021-06-03 2023-11-24 北京百度网讯科技有限公司 图像数据修正方法、装置、电子设备及自动驾驶车辆

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108307116A (zh) * 2018-02-07 2018-07-20 腾讯科技（深圳）有限公司 图像拍摄方法、装置、计算机设备和存储介质
CN108596955A (zh) * 2018-04-25 2018-09-28 Oppo广东移动通信有限公司 一种图像检测方法、图像检测装置及移动终端

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8638317B2 (en) * 2007-03-16 2014-01-28 Japan Display West Inc. Display apparatus and method for controlling the same
JP5559997B2 (ja) * 2009-07-17 2014-07-23 株式会社トプコン 位置測定方法及び位置測定装置
US10089327B2 (en) * 2011-08-18 2018-10-02 Qualcomm Incorporated Smart camera for sharing pictures automatically
US20130201344A1 (en) * 2011-08-18 2013-08-08 Qualcomm Incorporated Smart camera for taking pictures automatically
US9754178B2 (en) * 2014-08-27 2017-09-05 International Business Machines Corporation Long-term static object detection
US10176683B2 (en) * 2014-09-18 2019-01-08 Honeywell International Inc. Virtual panoramic thumbnail to summarize and visualize video content in video surveillance and in connected home business
JP2017041022A (ja) * 2015-08-18 2017-02-23 キヤノン株式会社 情報処理装置、情報処理方法及びプログラム
KR102657050B1 (ko) * 2017-01-25 2024-04-15 삼성전자주식회사 전자 장치 및 전자 장치에서의 영상을 촬영하기 위한 방법
JP7139762B2 (ja) * 2018-07-31 2022-09-21 カシオ計算機株式会社 自律移動装置、自律移動方法及びプログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108307116A (zh) * 2018-02-07 2018-07-20 腾讯科技（深圳）有限公司 图像拍摄方法、装置、计算机设备和存储介质
CN108596955A (zh) * 2018-04-25 2018-09-28 Oppo广东移动通信有限公司 一种图像检测方法、图像检测装置及移动终端

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111710028A (zh) * 2020-05-27 2020-09-25 北京东软医疗设备有限公司 三维造影图像的生成方法、装置、存储介质和电子设备
CN111710028B (zh) * 2020-05-27 2023-06-30 北京东软医疗设备有限公司 三维造影图像的生成方法、装置、存储介质和电子设备
CN112991393A (zh) * 2021-04-15 2021-06-18 北京澎思科技有限公司 目标检测与跟踪方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
US11037301B2 (en) 2021-06-15
US20200327677A1 (en) 2020-10-15

Similar Documents

Publication Publication Date Title
CN110110604A (zh) 目标对象检测方法、装置、可读存储介质及电子设备
US10943091B2 (en) Facial feature point tracking method, apparatus, storage medium, and device
US9798929B2 (en) Real-time pose estimation system using inertial and feature measurements
CN110879400A (zh) 激光雷达与imu融合定位的方法、设备及存储介质
US11288887B2 (en) Object tracking method and apparatus
CN113011323B (zh) 通行状态的获取方法、相关装置、路侧设备及云控平台
CN109883423A (zh) 基于卡尔曼滤波的定位方法、系统、设备及存储介质
RU2015151181A (ru) Режим слежения в устройстве обработки в системах трассировки команд
US20190311492A1 (en) Image foreground detection apparatus and method and electronic device
KR20190001086A (ko) 관성 및 단일 광학 센서를 이용한 슬라이딩 윈도우 기반 비-구조 위치 인식 방법, 이를 수행하기 위한 기록 매체 및 장치
CN109800858A (zh) 数据异常检测方法、装置、可读存储介质及电子设备
CN111178342A (zh) 一种位姿图的优化方法、装置、设备及介质
CN111721305B (zh) 定位方法和装置、自动驾驶车辆、电子设备和存储介质
CN110861087A (zh) 机器人初始化定位方法、装置、移动机器人及存储介质
US9460243B2 (en) Selective importance sampling
CN104483712A (zh) 输电线路外物入侵检测方法、装置及系统
CN113177980B (zh) 用于自动驾驶的目标对象速度确定方法、装置及电子设备
CN105446605A (zh) 信息处理方法及电子设备
KR102473272B1 (ko) 목표 추적 방법 및 장치
WO2019080879A1 (zh) 数据处理方法、计算机设备和存储介质
CN110876182A (zh) 位置测量方法及装置
CN108600542A (zh) 陀螺仪校准方法及装置
CN116626700A (zh) 一种机器人定位方法、装置、电子设备和存储介质
CN111583338A (zh) 用于无人设备的定位方法、装置、介质及无人设备
CN114429631B (zh) 三维对象检测方法、装置、设备以及存储介质

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: 20190809

RJ01 Rejection of invention patent application after publication