CN110222764A - 遮挡目标检测方法、系统、设备及存储介质 - Google Patents
遮挡目标检测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN110222764A CN110222764A CN201910486014.1A CN201910486014A CN110222764A CN 110222764 A CN110222764 A CN 110222764A CN 201910486014 A CN201910486014 A CN 201910486014A CN 110222764 A CN110222764 A CN 110222764A
- Authority
- CN
- China
- Prior art keywords
- picture
- blocked
- detection model
- target object
- training set
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种遮挡目标检测方法、系统、设备及存储介质,本发明通过判断训练集图片中是否具有预设标记;在所述训练集图片中有预设标记时,对所述训练集图片进行数据识别,获得所述训练集图片中目标物体的被遮挡级别;根据所述被遮挡级别调整预设检测模型的超参数并将所述训练集图片代入所述预设检测模型中进行训练,获得第一检测模型;根据待检测图片通过所述第一检测模型确定所述待检测图片中目标物体对应的位置信息及类别信息,实现了对图片中被遮挡物体的快速地精确地检测,对于被遮挡物体的定位及产量评估等具有重大意义。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种遮挡目标检测方法、系统、设备及存储介质。
背景技术
目标检测是借助于计算机和软件系统在图像中定位目标并识别出每个目标的类别的技术。目前已广泛用于人脸检测、车辆检测、行人计数、网络图像、安全系统和无人驾驶汽车等领域。随着计算机技术不断发展和软件开发人员的不懈努力,未来目标检测技术将更广泛的普及开来。
目前基于深度学习的目标检测算法有传统的R-CNN(Regions with CNNfeatures,基于区域的卷积网络)及YOLO(You only look once)算法等,但是通常这些传统目标检测算法适用于图片中的目标非常显著的场景,并未直接提到遮挡问题的解决思路,说服力不足,对于复杂场景下被遮挡物体的检测并没有很好的效果。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种遮挡目标检测方法、系统、设备及存储介质,旨在解决现有技术中无法精确检测被遮挡的目标的技术问题。
为实现上述目的,本发明提供一种遮挡目标检测方法,所述方法包括以下步骤:
判断训练集图片中是否具有预设标记;
在所述训练集图片中有预设标记时,对所述训练集图片进行数据识别,获得所述训练集图片中目标物体的被遮挡级别;
根据所述被遮挡级别调整预设检测模型的超参数并将所述训练集图片代入所述预设检测模型中进行训练,获得第一检测模型;
根据待检测图片通过所述第一检测模型确定所述待检测图片中目标物体对应的位置信息及类别信息。
优选地,所述根据所述被遮挡级别调整预设检测模型的超参数并将所述训练集图片代入所述预设检测模型中进行训练,获得第一检测模型,具体包括:
根据所述被遮挡级别计算预设检测模型的提升系数;
将所述训练集图片代入所述预设检测模型中进行训练;
根据所述提升系数确定当前置信度;
将预设检测模型中的置信度设置为所述当前置信度并继续训练,获得第一检测模型。
优选地,根据所述被遮挡级别通过下式计算所述提升系数,
相应地,根据所述提升系数通过下式确定当前置信度,
其中,e为常数,n为所述被遮挡级别,X为当前置信度,α为所述提升系数,Pr(Object)为当前区域中存在所述目标物体的概率,为所述当前区域与预测区域面积的交并比。
优选地,所述根据待检测图片通过所述第一检测模型确定所述待检测图片中目标物体对应的位置信息及类别信息,具体包括:
根据待检测图片通过所述第一检测模型预测所述待检测图片中目标物体对应的位置信息;
根据所述待检测图片通过所述第一检测模型计算所述待检测图片中目标物体对应的当前置信度;
根据所述当前置信度确定当前预测类别概率;
根据所述当前预测类别概率确定所述类别信息。
优选地,根据所述当前置信度通过下式确定所述当前预测类别概率,
其中,Y为当前预测类别概率,Pr(Ci|Object)为所述当前区域中所述目标物体属于Ci类的后验概率。
优选地,所述判断训练集图片中是否具有预设标记之前,所述方法还包括:
获取初始图片;
为所述初始图片中的目标物体添加位置标记及类别标记;
判断所述目标物体是否被遮挡;
在所述目标物体被遮挡时,根据所述目标物体被遮挡的比例确定被遮挡级别;
为具有位置标记及类别标记的目标物体添加预设标记及对应的被遮挡级别,获得训练集图片。
优选地,所述根据所述被遮挡级别调整预设检测模型的超参数并将所述训练集图片代入所述预设检测模型中进行训练,获得第一检测模型之前,所述方法还包括:
基于Darknet-53深度学习框架建立初始检测模型;
获取待训练图片样本;
将所述待训练图片样本划分为N*N的网格;
通过回归获得各网格对应的B个区域框的位置预测信息及类别预测信息;
计算所述位置预测信息与所述位置标记及所述类别预测信息与所述类别标记的误差值;
根据所述误差值对初始检测模型进行训练,获得所述预设检测模型。
此外,为实现上述目的,本发明还提供一种遮挡目标检测系统,所述遮挡目标检测系统包括:
标记判断模块10,用于判断训练集图片中是否具有预设标记;
图片识别模块20,用于在所述训练集图片中有预设标记时,对所述训练集图片进行数据识别,获得所述训练集图片中目标物体的被遮挡级别;
模型调整模块30,用于根据所述被遮挡级别调整预设检测模型的超参数并将所述训练集图片代入所述预设检测模型中进行训练,获得第一检测模型;
结果获取模块40,用于根据待检测图片通过所述第一检测模型确定所述待检测图片中目标物体对应的位置信息及类别信息。
此外,为实现上述目的,本发明还提供一种遮挡目标检测设备,所述遮挡目标检测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的遮挡目标检测程序,所述遮挡目标检测程序配置为实现所述的遮挡目标检测方法的步骤。
此外,为实现上述目的,本发明还提供一种存储介质,其特征在于,所述存储介质上存储有遮挡目标检测程序,所述遮挡目标检测程序被处理器执行时实现所述的遮挡目标检测方法的步骤。
本发明通过判断训练集图片中是否具有预设标记;在所述训练集图片中有预设标记时,对所述训练集图片进行数据识别,获得所述训练集图片中目标物体的被遮挡级别;根据所述被遮挡级别调整预设检测模型的超参数并将所述训练集图片代入所述预设检测模型中进行训练,获得第一检测模型;根据待检测图片通过所述第一检测模型确定所述待检测图片中目标物体对应的位置信息及类别信息,实现了对图片中被遮挡物体的精确检测,对于被遮挡物体的定位及产量评估等具有重大意义。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的遮挡目标检测设备结构示意图;
图2为本发明遮挡目标检测方法第一实施例的流程示意图;
图3为本发明遮挡目标检测方法第二实施例的流程示意图;
图4为本发明遮挡目标检测系统第一实施例的功能模块图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的遮挡目标检测设备结构示意图。
如图1所示,该遮挡目标检测设备可以包括:处理器1001,例如CPU,通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线 1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏 (Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对遮挡目标检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及遮挡目标检测程序。
在图1所示的遮挡目标检测设备中,网络接口1004主要用于与外部网络进行数据通信;用户接口1003主要用于接收用户的输入指令;所述遮挡目标检测设备通过处理器1001调用存储器1005中存储的遮挡目标检测程序,并执行以下操作:
判断训练集图片中是否具有预设标记;
在所述训练集图片中有预设标记时,对所述训练集图片进行数据识别,获得所述训练集图片中目标物体的被遮挡级别;
根据所述被遮挡级别调整预设检测模型的超参数并将所述训练集图片代入所述预设检测模型中进行训练,获得第一检测模型;
根据待检测图片通过所述第一检测模型确定所述待检测图片中目标物体对应的位置信息及类别信息。
进一步地,处理器1001可以调用存储器1005中存储的遮挡目标检测程序,还执行以下操作:
根据所述被遮挡级别计算预设检测模型的提升系数;
将所述训练集图片代入所述预设检测模型中进行训练;
根据所述提升系数确定当前置信度;
将预设检测模型中的置信度设置为所述当前置信度并继续训练,获得第一检测模型。
进一步地,处理器1001可以调用存储器1005中存储的遮挡目标检测程序,还执行以下操作:
根据所述被遮挡级别通过下式计算所述提升系数,
相应地,根据所述提升系数通过下式确定当前置信度,
其中,e为常数,n为所述被遮挡级别,X为当前置信度,α为所述提升系数,Pr(Object)为当前区域中存在所述目标物体的概率,为所述当前区域与预测区域面积的交并比。
进一步地,处理器1001可以调用存储器1005中存储的遮挡目标检测程序,还执行以下操作:
根据待检测图片通过所述第一检测模型预测所述待检测图片中目标物体对应的位置信息;
根据所述待检测图片通过所述第一检测模型计算所述待检测图片中目标物体对应的当前置信度;
根据所述当前置信度确定当前预测类别概率;
根据所述当前预测类别概率确定所述类别信息。
进一步地,处理器1001可以调用存储器1005中存储的遮挡目标检测程序,还执行以下操作:
根据所述当前置信度通过下式确定所述当前预测类别概率,
其中,Y为当前预测类别概率,Pr(Ci|Object)为所述当前区域中所述目标物体属于Ci类的后验概率。
进一步地,处理器1001可以调用存储器1005中存储的遮挡目标检测程序,还执行以下操作:
获取初始图片;
为所述初始图片中的目标物体添加位置标记及类别标记;
判断所述目标物体是否被遮挡;
在所述目标物体被遮挡时,根据所述目标物体被遮挡的比例确定被遮挡级别;
为具有位置标记及类别标记的目标物体添加预设标记及对应的被遮挡级别,获得训练集图片。
进一步地,处理器1001可以调用存储器1005中存储的遮挡目标检测程序,还执行以下操作:
基于Darknet-53深度学习框架建立初始检测模型;
获取待训练图片样本;
将所述待训练图片样本划分为N*N的网格;
通过回归获得各网格对应的B个区域框的位置预测信息及类别预测信息;
计算所述位置预测信息与所述位置标记及所述类别预测信息与所述类别标记的误差值;
根据所述误差值对初始检测模型进行训练,获得所述预设检测模型。
本实施通过判断训练集图片中是否具有预设标记;在所述训练集图片中有预设标记时,对所述训练集图片进行数据识别,获得所述训练集图片中目标物体的被遮挡级别;根据所述被遮挡级别调整预设检测模型的超参数并将所述训练集图片代入所述预设检测模型中进行训练,获得第一检测模型;根据待检测图片通过所述第一检测模型确定所述待检测图片中目标物体对应的位置信息及类别信息,实现了对图片中被遮挡物体的精确检测,对于被遮挡物体的定位及产量评估等具有重大意义。
基于上述硬件结构,提出本发明遮挡目标检测方法实施例。
参照图2,图2为本发明遮挡目标检测方法第一实施例的流程示意图。
在第一实施例中,所述遮挡目标检测方法包括以下步骤:
S10:判断训练集图片中是否具有预设标记。
易于理解的是,训练集是指输入到模型中用来训练模型的图片样本集。本实施例中涉及的训练集图片需要预先进行标记,可以用矩形框将被遮挡的目标物体选出,并进行预设标记、被遮挡级别标记和类别标记,然后将标记后的图片保存为VOC标准格式归档到数据集中,再从数据集中获取需要的训练集图片。
所述预设标记,可以使用特殊的符号,比如被遮挡物体的预设标记为 obscured,当然也可以用其他符号,本实施例对此不加以限制。
S20:在所述训练集图片中有预设标记时,对所述训练集图片进行数据识别,获得所述训练集图片中目标物体的被遮挡级别。
在具体实现中,由于训练集图片已预先对被遮挡的目标物体进行被遮挡级别标记,因此,可以通过对训练集图片中的数据元素进行识别,获得目标物体的被遮挡级别。其中,对训练集图片进行数据识别的方法可以为提取训练集图片中表示被遮挡级别的特殊字符,根据该特殊字符确定被遮挡级别。如,当果树图片中存在被遮挡的苹果,在标记时会将苹果用矩形框选出,并标记为obscured(2)苹果。通过对图片中的(2)进行识别,即可获得果树图片中苹果被遮挡级别为2。
S30:根据所述被遮挡级别调整预设检测模型的超参数并将所述训练集图片代入所述预设检测模型中进行训练,获得第一检测模型。
具体地,当训练集图片中有被遮挡的目标物体时,根据被遮挡级别计算预设检测模型的提升系数;将所述训练集图片代入所述预设检测模型中进行训练;根据所述提升系数确定当前置信度;将预设检测模型中的置信度设置为所述当前置信度并继续训练,获得第一检测模型。
需要说明的是,置信度为目标物体在某个区域中出现的可信度,现有技术里通常是直接通过模型得到置信度,而本实施例将置信度乘以提升系数来更新置信度,从而获得准确率更高的类别概率值。其中,所述提升系数取决于被遮挡级别,被遮挡级别越高,提升系数越大。
在具体实现中,将训练集图片带入预设检测模型中进行训练,训练过程中,以所述置信度为基础,结合提升系数调整模型的超参数后继续对预设检测模型进行训练,获取第一检测模型。
当然,在对预设检测模型中的置信度进行调整之前,需要首先建立预设检测模型。具体地,基于Darknet-53深度学习框架建立初始检测模型;获取待训练图片样本;将所述待训练图片样本划分为N*N的网格;通过回归获得各网格对应的B个区域框的位置预测信息及类别预测信息;计算所述位置预测信息与所述位置标记及所述类别预测信息与所述类别标记的误差值;根据所述误差值对初始检测模型进行训练,获得所述预设检测模型。
需要说明的是,传统的YOLO目标检测模型基于Darknet-53深度学习框架建立网络,将整张图片作为网络模型的输入,将输入图片划分成N*N的网格,如果目标物体的中心点落在某个网格中,那么这个网格就负责检测对应的目标物体;每一个网格通过回归预测B个区域框的位置并为每个区域预测一个得分,即获得位置预测信息及类别预测信息,其中,位置预测信息需要4 个预测值表示(x,y,w,h),x表示中心点的横坐标,y表示中心点的纵坐标,w 表示区域的宽度,h表示区域的高度,类别预测信息是指目标物体属于预设类别中某个类别;将模型输出的预测值与图片中的标记进行对比,根据预设损失函数计算误差值;通过不断更新训练模型的参数值来降低训练误差,并将误差最小的模型参数进行保存。
本实施例在建立预设检测模型时,基于YOLO目标检测模型进行了改进,通过提升系数乘以初始置信度获得当前置信度,从而更新了预测类别概率,在实现快速检测的同时,达到了较高的对被遮挡物体的检测准确率。
在具体实现中,当训练集图片中有被遮挡的目标物体时,同样需要根据目标物体对应的提升系数更新预设检测模型的参数,获得第一检测模型,当训练集图片中没有被遮挡的目标物体时,直接用预设检测模型即可以预测出目标物体的位置信息及类别信息。
S40:根据待检测图片通过所述第一检测模型确定所述待检测图片中目标物体对应的位置信息及类别信息。
应当理解的是,待检测图片是需要对图片中目标物体的位置及类别进行预测的图片,根据待检测图片通过所述第一检测模型可以预测出所述待检测图片中目标物体对应的位置信息及类别信息。
具体地,根据待检测图片通过所述第一检测模型预测所述待检测图片中目标物体对应的位置信息;根据所述待检测图片通过所述第一检测模型计算所述待检测图片中目标物体对应的当前置信度;根据所述当前置信度确定当前预测类别概率;根据所述当前预测类别概率确定所述类别信息。
所述提升系数可以通过下式进行确定,
所述当前置信度可以通过下式进行确定,
其中,e为常数,n为所述被遮挡级别,X为当前置信度,α为所述提升系数,Pr(Object)为当前区域中存在所述目标物体的概率,为所述当前区域与预测区域面积的交并比。
相应地,所述当前预测类别概率可以通过下式进行确定,即加入提升系数α,对遮挡目标类别的概率进行提升:
其中,Y为当前预测类别概率,Pr(Ci|Object)为所述当前区域中所述目标物体属于Ci类的后验概率。
应当理解的是,获得待检测图片对应的当前预测类别概率后,可以选取当前预测类别概率值中的最大值对应的类别来确定待检测图片对应的类别信息。
本实施例通过判断训练集图片中是否具有预设标记;在所述训练集图片中有预设标记时,对所述训练集图片进行数据识别,获得所述训练集图片中目标物体的被遮挡级别;根据所述被遮挡级别调整预设检测模型的超参数并将所述训练集图片代入所述预设检测模型中进行训练,获得第一检测模型;根据待检测图片通过所述第一检测模型确定所述待检测图片中目标物体对应的位置信息及类别信息,实现了对图片中被遮挡目标物体的精确检测。
进一步地,如图3所示,基于第一实施例提出本发明遮挡目标检测方法第二实施例,在本实施例中,在步骤S10之前,所述方法还包括:
S101:获取初始图片。
需要说明的是,所述初始图片为任意需要进行目标检测的图片,比如果实被遮挡的果树的照片,被草堆遮挡住的军事车辆的照片等,本实施例对此不加以限制。
S102:为所述初始图片中的目标物体添加位置标记及类别标记。
在具体实现中,需要对初始图片进行标记,具体为,用python(一种面向对象、直译式电脑编程语言)脚本打开初始图片,用矩形框框选出初始图片中目标物体的位置,并标记其所属的类别。以果树图片为例,通过矩形框框选的方式将图片中的水果进行位置标记,同时标记水果的类别,比如苹果、香蕉、桔子等等。
对初始图片进行标记的方式可以为手动,也可以通过计算机对图片进行识别后自动标记,本实施例对此不加以限制。
S103:判断所述目标物体是否被遮挡。
应当理解的是,通过判断目标物体是否被遮挡,可以将被遮挡目标物体与未被遮挡目标物体进行区分,以便于对被遮挡目标物体进行特殊标记。
S104:在所述目标物体被遮挡时,根据所述目标物体被遮挡的比例确定被遮挡级别。
在具体实现中,可以根据目标物体被遮挡的比例数据进行归类划分,将一定比例范围内的数据作为一个被遮挡级别,当然也可以通过其他方式来确定被遮挡级别,本实施例对此不加以限制。
S105:为具有位置标记及类别标记的目标物体添加预设标记及对应的被遮挡级别,获得训练集图片。
在具体实现中,标记完成后,需要将图片保存为VOC格式,并归档至数据集中,以方便调用。
本实施例通过预先对图片中被遮挡的目标物体进行特殊标记,在对图片进行目标检测时结合该特殊标记对模型的超参数进行调整,最终精确地获得目标物体的位置信息和种类信息,提高了检测速度,对于被遮挡物体的定位及产量评估等具有重大意义。
本发明进一步提供一种遮挡目标检测系统。
参照图4,图4为本发明遮挡目标检测系统一实施例的功能模块图。
本实施例中,所述遮挡目标检测系统包括:
标记判断模块10,用于判断训练集图片中是否具有预设标记。
易于理解的是,训练集是指输入到模型中用来训练模型的图片样本集。本实施例中涉及的训练集图片需要预先进行标记,可以用矩形框将被遮挡的目标物体选出,并进行预设标记、被遮挡级别标记和类别标记,然后将标记后的图片保存为VOC标准格式归档到数据集中,再从数据集中获取需要的训练集图片。
所述预设标记,可以使用特殊的符号,比如被遮挡物体的预设标记为 obscured,当然也可以用其他符号,本实施例对此不加以限制。
图片识别模块20,用于在所述训练集图片中有预设标记时,对所述训练集图片进行数据识别,获得所述训练集图片中目标物体的被遮挡级别。
在具体实现中,由于训练集图片已预先对被遮挡的目标物体进行被遮挡级别标记,因此,可以通过对训练集图片中的数据元素进行识别,获得目标物体的被遮挡级别。其中,对训练集图片进行数据识别的方法可以为提取训练集图片中表示被遮挡级别的特殊字符,根据该特殊字符确定被遮挡级别。如,当果树图片中存在被遮挡的苹果,在标记时会将苹果用矩形框选出,并标记为obscured(2)苹果。通过对图片中的(2)进行识别,即可获得果树图片中苹果被遮挡级别为2。
模型调整模块30,用于根据所述被遮挡级别调整预设检测模型的超参数并将所述训练集图片代入所述预设检测模型中进行训练,获得第一检测模型。
具体地,当训练集图片中有被遮挡的目标物体时,根据被遮挡级别计算预设检测模型的提升系数;将所述训练集图片代入所述预设检测模型中进行训练;根据所述提升系数确定当前置信度;将预设检测模型中的置信度设置为所述当前置信度并继续训练,获得第一检测模型。
需要说明的是,置信度为目标物体在某个区域中出现的可信度,现有技术里通常是直接通过模型得到置信度,而本实施例将置信度乘以提升系数来更新置信度,从而获得准确率更高的类别概率值。其中,所述提升系数取决于被遮挡级别,被遮挡级别越高,提升系数越大。
在具体实现中,将训练集图片带入预设检测模型中进行训练,训练过程中,以所述置信度为基础,结合提升系数调整模型的超参数后继续对预设检测模型进行训练,获取第一检测模型。
当然,在对预设检测模型中的置信度进行调整之前,需要首先建立预设检测模型。具体地,基于Darknet-53深度学习框架建立初始检测模型;获取待训练图片样本;将所述待训练图片样本划分为N*N的网格;通过回归获得各网格对应的B个区域框的位置预测信息及类别预测信息;计算所述位置预测信息与所述位置标记及所述类别预测信息与所述类别标记的误差值;根据所述误差值对初始检测模型进行训练,获得所述预设检测模型。
需要说明的是,传统的YOLO目标检测模型基于Darknet-53深度学习框架建立网络,将整张图片作为网络模型的输入,将输入图片划分成N*N的网格,如果目标物体的中心点落在某个网格中,那么这个网格就负责检测对应的目标物体;每一个网格通过回归预测B个区域框的位置并为每个区域预测一个得分,即获得位置预测信息及类别预测信息,其中,位置预测信息需要4 个预测值表示(x,y,w,h),x表示中心点的横坐标,y表示中心点的纵坐标,w 表示区域的宽度,h表示区域的高度,类别预测信息是指目标物体属于预设类别中某个类别;将模型输出的预测值与图片中的标记进行对比,根据预设损失函数计算误差值;通过不断更新训练模型的参数值来降低训练误差,并将误差最小的模型参数进行保存。
本实施例在建立预设检测模型时,基于YOLO目标检测模型进行了改进,通过提升系数乘以初始置信度获得当前置信度,从而更新了预测类别概率,在实现快速检测的同时,达到了较高的对被遮挡物体的检测准确率。
在具体实现中,当训练集图片中有被遮挡的目标物体时,同样需要根据目标物体对应的提升系数更新预设检测模型的参数,获得第一检测模型,当训练集图片中没有被遮挡的目标物体时,直接用预设检测模型即可以预测出目标物体的位置信息及类别信息。
结果获取模块40,用于根据待检测图片通过所述第一检测模型确定所述待检测图片中目标物体对应的位置信息及类别信息。
应当理解的是,待检测图片是需要对图片中目标物体的位置及类别进行预测的图片,根据待检测图片通过所述第一检测模型可以预测出所述待检测图片中目标物体对应的位置信息及类别信息。
具体地,根据待检测图片通过所述第一检测模型预测所述待检测图片中目标物体对应的位置信息;根据所述待检测图片通过所述第一检测模型计算所述待检测图片中目标物体对应的当前置信度;根据所述当前置信度确定当前预测类别概率;根据所述当前预测类别概率确定所述类别信息。
所述提升系数可以通过下式进行确定,
所述当前置信度可以通过下式进行确定,
其中,e为常数,n为所述被遮挡级别,X为当前置信度,α为所述提升系数,Pr(Object)为当前区域中存在所述目标物体的概率,为所述当前区域与预测区域面积的交并比。
相应地,所述当前预测类别概率可以通过下式进行确定,即加入提升系数α,对遮挡目标类别的概率进行提升:
其中,Y为当前预测类别概率,Pr(Ci|Object)为所述当前区域中所述目标物体属于Ci类的后验概率。
应当理解的是,获得待检测图片对应的当前预测类别概率后,可以选取当前预测类别概率值中的最大值对应的类别来确定待检测图片对应的类别信息。
本实施例通过判断训练集图片中是否具有预设标记;在所述训练集图片中有预设标记时,对所述训练集图片进行数据识别,获得所述训练集图片中目标物体的被遮挡级别;根据所述被遮挡级别调整预设检测模型的超参数并将所述训练集图片代入所述预设检测模型中进行训练,获得第一检测模型;根据待检测图片通过所述第一检测模型确定所述待检测图片中目标物体对应的位置信息及类别信息,实现了对图片中被遮挡目标物体的精确检测。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有遮挡目标检测程序,所述遮挡目标检测程序被处理器执行时实现如下操作:
判断训练集图片中是否具有预设标记;
在所述训练集图片中有预设标记时,对所述训练集图片进行数据识别,获得所述训练集图片中目标物体的被遮挡级别;
根据所述被遮挡级别调整预设检测模型的超参数并将所述训练集图片代入所述预设检测模型中进行训练,获得第一检测模型;
根据待检测图片通过所述第一检测模型确定所述待检测图片中目标物体对应的位置信息及类别信息。
进一步地,所述遮挡目标检测程序被处理器执行时还实现如下操作:
根据所述被遮挡级别计算预设检测模型的提升系数;
将所述训练集图片代入所述预设检测模型中进行训练;
根据所述提升系数确定当前置信度;
将预设检测模型中的置信度设置为所述当前置信度并继续训练,获得第一检测模型。
进一步地,所述遮挡目标检测程序被处理器执行时还实现如下操作:
根据所述被遮挡级别通过下式计算所述提升系数,
相应地,根据所述提升系数通过下式确定当前置信度,
其中,e为常数,n为所述被遮挡级别,X为当前置信度,α为所述提升系数,Pr(Object)为当前区域中存在所述目标物体的概率,为所述当前区域与预测区域面积的交并比。
进一步地,所述遮挡目标检测程序被处理器执行时还实现如下操作:
根据待检测图片通过所述第一检测模型预测所述待检测图片中目标物体对应的位置信息;
根据所述待检测图片通过所述第一检测模型计算所述待检测图片中目标物体对应的当前置信度;
根据所述当前置信度确定当前预测类别概率;
根据所述当前预测类别概率确定所述类别信息。
进一步地,所述遮挡目标检测程序被处理器执行时还实现如下操作:
根据所述当前置信度通过下式确定所述当前预测类别概率,
其中,Y为当前预测类别概率,Pr(Ci|Object)为所述当前区域中所述目标物体属于Ci类的后验概率。
进一步地,所述遮挡目标检测程序被处理器执行时还实现如下操作:
获取初始图片;
为所述初始图片中的目标物体添加位置标记及类别标记;
判断所述目标物体是否被遮挡;
在所述目标物体被遮挡时,根据所述目标物体被遮挡的比例确定被遮挡级别;
为具有位置标记及类别标记的目标物体添加预设标记及对应的被遮挡级别,获得训练集图片。
进一步地,所述遮挡目标检测程序被处理器执行时还实现如下操作:
基于Darknet-53深度学习框架建立初始检测模型;
获取待训练图片样本;
将所述待训练图片样本划分为N*N的网格;
通过回归获得各网格对应的B个区域框的位置预测信息及类别预测信息;
计算所述位置预测信息与所述位置标记及所述类别预测信息与所述类别标记的误差值;
根据所述误差值对初始检测模型进行训练,获得所述预设检测模型。
本实施例判断训练集图片中是否具有预设标记;在所述训练集图片中有预设标记时,对所述训练集图片进行数据识别,获得所述训练集图片中目标物体的被遮挡级别;根据所述被遮挡级别调整预设检测模型的超参数并将所述训练集图片代入所述预设检测模型中进行训练,获得第一检测模型;根据待检测图片通过所述第一检测模型确定所述待检测图片中目标物体对应的位置信息及类别信息,实现了对图片中被遮挡物体的快速地精确地检测,对于被遮挡物体的定位及产量评估等具有重大意义。
需要说明的是,在本文中,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种遮挡目标检测方法,其特征在于,所述遮挡目标检测方法包括以下步骤:
判断训练集图片中是否具有预设标记;
在所述训练集图片中有预设标记时,对所述训练集图片进行数据识别,获得所述训练集图片中目标物体的被遮挡级别;
根据所述被遮挡级别调整预设检测模型的超参数并将所述训练集图片代入所述预设检测模型中进行训练,获得第一检测模型;
根据待检测图片通过所述第一检测模型确定所述待检测图片中目标物体对应的位置信息及类别信息。
2.如权利要求1所述的遮挡目标检测方法,其特征在于,所述根据所述被遮挡级别调整预设检测模型的超参数并将所述训练集图片代入所述预设检测模型中进行训练,获得第一检测模型,具体包括:
根据所述被遮挡级别计算预设检测模型的提升系数;
将所述训练集图片代入所述预设检测模型中进行训练;
根据所述提升系数确定当前置信度;
将预设检测模型中的置信度设置为所述当前置信度并继续训练,获得第一检测模型。
3.如权利要求2所述的遮挡目标检测方法,其特征在于,根据所述被遮挡级别通过下式计算所述提升系数,
相应地,根据所述提升系数通过下式确定当前置信度,
其中,e为常数,n为所述被遮挡级别,X为当前置信度,α为所述提升系数,Pr(Object)为当前区域中存在所述目标物体的概率,为所述当前区域与预测区域面积的交并比。
4.如权利要求3所述的遮挡目标检测方法,其特征在于,所述根据待检测图片通过所述第一检测模型确定所述待检测图片中目标物体对应的位置信息及类别信息,具体包括:
根据待检测图片通过所述第一检测模型预测所述待检测图片中目标物体对应的位置信息;
根据所述待检测图片通过所述第一检测模型计算所述待检测图片中目标物体对应的当前置信度;
根据所述当前置信度确定当前预测类别概率;
根据所述当前预测类别概率确定所述类别信息。
5.如权利要求4所述的遮挡目标检测方法,其特征在于,根据所述当前置信度通过下式确定所述当前预测类别概率,
其中,Y为当前预测类别概率,Pr(Ci|Object)为所述当前区域中所述目标物体属于Ci类的后验概率。
6.如权利要求5所述的遮挡目标检测方法,其特征在于,所述判断训练集图片中是否具有预设标记之前,所述方法还包括:
获取初始图片;
为所述初始图片中的目标物体添加位置标记及类别标记;
判断所述目标物体是否被遮挡;
在所述目标物体被遮挡时,根据所述目标物体被遮挡的比例确定被遮挡级别;
为具有位置标记及类别标记的目标物体添加预设标记及对应的被遮挡级别,获得训练集图片。
7.如权利要求6所述的遮挡目标检测方法,其特征在于,所述根据所述被遮挡级别调整预设检测模型的超参数并将所述训练集图片代入所述预设检测模型中进行训练,获得第一检测模型之前,所述方法还包括:
基于Darknet-53深度学习框架建立初始检测模型;
获取待训练图片样本;
将所述待训练图片样本划分为N*N的网格;
通过回归获得各网格对应的B个区域框的位置预测信息及类别预测信息;
计算所述位置预测信息与所述位置标记及所述类别预测信息与所述类别标记的误差值;
根据所述误差值对初始检测模型进行训练,获得所述预设检测模型。
8.一种遮挡目标检测系统,其特征在于,所述遮挡目标检测系统包括:
标记判断模块,用于判断训练集图片中是否具有预设标记;
图片识别模块,用于在所述训练集图片中有预设标记时,对所述训练集图片进行数据识别,获得所述训练集图片中目标物体的被遮挡级别;
模型调整模块,用于根据所述被遮挡级别调整预设检测模型的超参数并将所述训练集图片代入所述预设检测模型中进行训练,获得第一检测模型;
结果获取模块,用于根据待检测图片通过所述第一检测模型确定所述待检测图片中目标物体对应的位置信息及类别信息。
9.一种遮挡目标检测设备,其特征在于,所述遮挡目标检测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的遮挡目标检测程序,所述遮挡目标检测程序配置为实现如权利要求1至7中任一项所述的遮挡目标检测方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有遮挡目标检测程序,所述遮挡目标检测程序被处理器执行时实现如权利要求1至7中任一项所述的遮挡目标检测方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910486014.1A CN110222764B (zh) | 2019-06-10 | 2019-06-10 | 遮挡目标检测方法、系统、设备及存储介质 |
PCT/CN2020/095028 WO2020248957A1 (zh) | 2019-06-10 | 2020-06-09 | 遮挡的目标物体的检测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910486014.1A CN110222764B (zh) | 2019-06-10 | 2019-06-10 | 遮挡目标检测方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110222764A true CN110222764A (zh) | 2019-09-10 |
CN110222764B CN110222764B (zh) | 2021-06-18 |
Family
ID=67819730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910486014.1A Active CN110222764B (zh) | 2019-06-10 | 2019-06-10 | 遮挡目标检测方法、系统、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110222764B (zh) |
WO (1) | WO2020248957A1 (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020248957A1 (zh) * | 2019-06-10 | 2020-12-17 | 中南民族大学 | 遮挡的目标物体的检测方法、系统、设备及存储介质 |
CN112634352A (zh) * | 2020-10-30 | 2021-04-09 | 国网山东省电力公司济宁供电公司 | 一种变电站鱼眼式分合闸状态识别方法与系统 |
CN112696372A (zh) * | 2019-10-22 | 2021-04-23 | 佛山市云米电器科技有限公司 | 风扇调节方法、风扇和存储介质 |
CN112943661A (zh) * | 2019-11-26 | 2021-06-11 | 佛山市云米电器科技有限公司 | 基于人脸识别的风扇调节方法、风扇和存储介质 |
CN112949347A (zh) * | 2019-11-26 | 2021-06-11 | 佛山市云米电器科技有限公司 | 基于人体姿势的风扇调节方法、风扇和存储介质 |
CN113420682A (zh) * | 2021-06-28 | 2021-09-21 | 阿波罗智联(北京)科技有限公司 | 车路协同中目标检测方法、装置和路侧设备 |
CN113663327A (zh) * | 2021-08-18 | 2021-11-19 | 网易(杭州)网络有限公司 | 异形屏遮挡图标的检测方法、装置、设备及存储介质 |
CN113723318A (zh) * | 2021-09-01 | 2021-11-30 | 浙江大华技术股份有限公司 | 确定目标物体遮挡状态的方法、装置及监控设备 |
CN114063079A (zh) * | 2021-10-12 | 2022-02-18 | 福瑞泰克智能系统有限公司 | 目标置信度获取方法、装置、雷达系统和电子装置 |
WO2023065312A1 (zh) * | 2021-10-22 | 2023-04-27 | 深圳市速腾聚创科技有限公司 | 障碍物识别方法、装置、存储介质及电子设备 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115223384B (zh) * | 2021-03-29 | 2024-01-16 | 东风汽车集团股份有限公司 | 一种车辆数据显示方法、装置、电子设备和存储介质 |
CN113657361A (zh) * | 2021-07-23 | 2021-11-16 | 阿里巴巴(中国)有限公司 | 页面异常检测方法、装置及电子设备 |
CN113705472B (zh) * | 2021-08-30 | 2024-01-26 | 平安国际智慧城市科技股份有限公司 | 基于图像识别的异常摄像头排查方法、装置、设备及介质 |
CN113780176B (zh) * | 2021-09-10 | 2023-08-25 | 平安科技(深圳)有限公司 | 局部遮挡对象识别方法、装置、设备及存储介质 |
CN115236072B (zh) * | 2022-06-14 | 2023-08-01 | 杰能科世智能安全科技(杭州)有限公司 | 一种升降柱状态检测方法及其装置 |
CN116091781B (zh) * | 2022-11-18 | 2023-07-25 | 中国人民解放军军事科学院系统工程研究院 | 一种用于图像识别的数据处理方法及装置 |
CN115880499B (zh) * | 2023-02-22 | 2023-05-05 | 北京猫猫狗狗科技有限公司 | 一种被遮挡目标检测模型训练方法、装置、介质及设备 |
CN117409261B (zh) * | 2023-12-14 | 2024-02-20 | 成都数之联科技股份有限公司 | 一种基于分类模型的元件角度分类方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2302589A1 (en) * | 2009-09-01 | 2011-03-30 | Fondazione Bruno Kessler | Method for efficient target detection from images robust to occlusion |
CN103236074A (zh) * | 2013-03-25 | 2013-08-07 | 深圳超多维光电子有限公司 | 一种2d/3d图像处理方法及装置 |
CN107376349A (zh) * | 2016-05-10 | 2017-11-24 | 迪士尼企业公司 | 被遮挡的虚拟图像显示 |
US9916538B2 (en) * | 2012-09-15 | 2018-03-13 | Z Advanced Computing, Inc. | Method and system for feature detection |
CN108898047A (zh) * | 2018-04-27 | 2018-11-27 | 中国科学院自动化研究所 | 基于分块遮挡感知的行人检测方法及系统 |
CN108898105A (zh) * | 2018-06-29 | 2018-11-27 | 成都大学 | 一种基于深度特征和稀疏压缩分类的人脸识别方法 |
CN108960185A (zh) * | 2018-07-20 | 2018-12-07 | 泰华智慧产业集团股份有限公司 | 基于YOLOv2的车辆目标检测方法及系统 |
WO2019019828A1 (zh) * | 2017-07-27 | 2019-01-31 | 腾讯科技(深圳)有限公司 | 目标对象的遮挡检测方法及装置、电子设备及存储介质 |
CN109325454A (zh) * | 2018-09-28 | 2019-02-12 | 合肥工业大学 | 一种基于YOLOv3的静态手势实时识别方法 |
CN109815814A (zh) * | 2018-12-21 | 2019-05-28 | 天津大学 | 一种基于卷积神经网络的人脸检测方法 |
CN110472462A (zh) * | 2018-05-11 | 2019-11-19 | 北京三星通信技术研究有限公司 | 姿态估计方法、基于姿态估计的处理方法及电子设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408591B (zh) * | 2016-09-09 | 2019-04-05 | 南京航空航天大学 | 一种抗遮挡的目标跟踪方法 |
CN108229412A (zh) * | 2018-01-16 | 2018-06-29 | 中国人民解放军陆军装甲兵学院 | 目标遮挡判断方法 |
CN110222764B (zh) * | 2019-06-10 | 2021-06-18 | 中南民族大学 | 遮挡目标检测方法、系统、设备及存储介质 |
-
2019
- 2019-06-10 CN CN201910486014.1A patent/CN110222764B/zh active Active
-
2020
- 2020-06-09 WO PCT/CN2020/095028 patent/WO2020248957A1/zh active Application Filing
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2302589A1 (en) * | 2009-09-01 | 2011-03-30 | Fondazione Bruno Kessler | Method for efficient target detection from images robust to occlusion |
US9916538B2 (en) * | 2012-09-15 | 2018-03-13 | Z Advanced Computing, Inc. | Method and system for feature detection |
CN103236074A (zh) * | 2013-03-25 | 2013-08-07 | 深圳超多维光电子有限公司 | 一种2d/3d图像处理方法及装置 |
CN107376349A (zh) * | 2016-05-10 | 2017-11-24 | 迪士尼企业公司 | 被遮挡的虚拟图像显示 |
WO2019019828A1 (zh) * | 2017-07-27 | 2019-01-31 | 腾讯科技(深圳)有限公司 | 目标对象的遮挡检测方法及装置、电子设备及存储介质 |
CN108898047A (zh) * | 2018-04-27 | 2018-11-27 | 中国科学院自动化研究所 | 基于分块遮挡感知的行人检测方法及系统 |
CN110472462A (zh) * | 2018-05-11 | 2019-11-19 | 北京三星通信技术研究有限公司 | 姿态估计方法、基于姿态估计的处理方法及电子设备 |
CN108898105A (zh) * | 2018-06-29 | 2018-11-27 | 成都大学 | 一种基于深度特征和稀疏压缩分类的人脸识别方法 |
CN108960185A (zh) * | 2018-07-20 | 2018-12-07 | 泰华智慧产业集团股份有限公司 | 基于YOLOv2的车辆目标检测方法及系统 |
CN109325454A (zh) * | 2018-09-28 | 2019-02-12 | 合肥工业大学 | 一种基于YOLOv3的静态手势实时识别方法 |
CN109815814A (zh) * | 2018-12-21 | 2019-05-28 | 天津大学 | 一种基于卷积神经网络的人脸检测方法 |
Non-Patent Citations (2)
Title |
---|
DONALD E. BROWN等: "Hyperparameter Optimization for Predicting the Tolerance Level of Religious Discourse", 《SOCIAL, CULTURAL,AND BEHAVIORAL MODELING》 * |
程曦: "基于深度学习的表情识别方法研究", 《 中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020248957A1 (zh) * | 2019-06-10 | 2020-12-17 | 中南民族大学 | 遮挡的目标物体的检测方法、系统、设备及存储介质 |
CN112696372A (zh) * | 2019-10-22 | 2021-04-23 | 佛山市云米电器科技有限公司 | 风扇调节方法、风扇和存储介质 |
CN112949347B (zh) * | 2019-11-26 | 2024-05-07 | 佛山市云米电器科技有限公司 | 基于人体姿势的风扇调节方法、风扇和存储介质 |
CN112943661A (zh) * | 2019-11-26 | 2021-06-11 | 佛山市云米电器科技有限公司 | 基于人脸识别的风扇调节方法、风扇和存储介质 |
CN112949347A (zh) * | 2019-11-26 | 2021-06-11 | 佛山市云米电器科技有限公司 | 基于人体姿势的风扇调节方法、风扇和存储介质 |
CN112634352A (zh) * | 2020-10-30 | 2021-04-09 | 国网山东省电力公司济宁供电公司 | 一种变电站鱼眼式分合闸状态识别方法与系统 |
CN112634352B (zh) * | 2020-10-30 | 2023-02-17 | 国网山东省电力公司济宁供电公司 | 一种变电站鱼眼式分合闸状态识别方法与系统 |
CN113420682A (zh) * | 2021-06-28 | 2021-09-21 | 阿波罗智联(北京)科技有限公司 | 车路协同中目标检测方法、装置和路侧设备 |
JP2023536025A (ja) * | 2021-06-28 | 2023-08-23 | 阿波▲羅▼智▲聯▼(北京)科技有限公司 | 路車協調における目標検出方法、装置及び路側機器 |
WO2023273041A1 (zh) * | 2021-06-28 | 2023-01-05 | 阿波罗智联(北京)科技有限公司 | 车路协同中目标检测方法、装置和路侧设备 |
JP7436670B2 (ja) | 2021-06-28 | 2024-02-21 | 阿波▲羅▼智▲聯▼(北京)科技有限公司 | 路車協調における目標検出方法、装置及び路側機器 |
CN113420682B (zh) * | 2021-06-28 | 2023-08-15 | 阿波罗智联(北京)科技有限公司 | 车路协同中目标检测方法、装置和路侧设备 |
CN113663327A (zh) * | 2021-08-18 | 2021-11-19 | 网易(杭州)网络有限公司 | 异形屏遮挡图标的检测方法、装置、设备及存储介质 |
CN113723318A (zh) * | 2021-09-01 | 2021-11-30 | 浙江大华技术股份有限公司 | 确定目标物体遮挡状态的方法、装置及监控设备 |
CN114063079A (zh) * | 2021-10-12 | 2022-02-18 | 福瑞泰克智能系统有限公司 | 目标置信度获取方法、装置、雷达系统和电子装置 |
CN114063079B (zh) * | 2021-10-12 | 2022-06-21 | 福瑞泰克智能系统有限公司 | 目标置信度获取方法、装置、雷达系统和电子装置 |
WO2023065312A1 (zh) * | 2021-10-22 | 2023-04-27 | 深圳市速腾聚创科技有限公司 | 障碍物识别方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2020248957A1 (zh) | 2020-12-17 |
CN110222764B (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222764A (zh) | 遮挡目标检测方法、系统、设备及存储介质 | |
EP3806064B1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN107944450B (zh) | 一种车牌识别方法及装置 | |
WO2020238054A1 (zh) | Pdf文档中图表的定位方法、装置及计算机设备 | |
CN107256379B (zh) | 基于图像识别的信息采集方法、移动终端及存储介质 | |
CN110910343A (zh) | 路面裂缝检测的方法、装置及计算机设备 | |
US20210124967A1 (en) | Method and apparatus for sample labeling, and method and apparatus for identifying damage classification | |
CN112767366A (zh) | 基于深度学习的图像识别方法、装置、设备及存储介质 | |
CN113470024A (zh) | 轮毂内部缺陷检测方法、装置、设备、介质及程序产品 | |
CN112419268A (zh) | 一种输电线路图像缺陷检测方法、装置、设备及介质 | |
CN113282215A (zh) | 一种rpa系统中基于目标检测技术的ui元素拾取方法和系统 | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
CN109241893B (zh) | 基于人工智能技术的道路选择方法、装置及可读存储介质 | |
CN113902740A (zh) | 图像模糊程度评价模型的构建方法 | |
CN111931721B (zh) | 年检标签颜色和个数的检测方法、装置及电子设备 | |
CN113674207B (zh) | 一种基于图卷积神经网络的pcb元器件自动定位方法 | |
CN114927236A (zh) | 一种面向多重目标图像的检测方法及系统 | |
CN114240928A (zh) | 板卡质量的分区检测方法、装置、设备及可读存储介质 | |
CN114445716A (zh) | 关键点检测方法、装置、计算机设备、介质及程序产品 | |
CN110503685B (zh) | 一种数据处理方法以及设备 | |
CN115424250A (zh) | 一种车牌识别方法及装置 | |
CN117710756B (zh) | 一种目标检测及模型训练方法、装置、设备、介质 | |
CN116452957B (zh) | 图像标注数据的质量检测方法、装置及电子设备 | |
CN112766296B (zh) | 输电线路安全隐患目标检测模型训练方法及装置 | |
CN113011251B (zh) | 一种基于交通灯几何属性的行人交通灯识别方法 |
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 |