CN110490066B - 基于图片分析的目标检测方法、装置及计算机设备 - Google Patents

基于图片分析的目标检测方法、装置及计算机设备 Download PDF

Info

Publication number
CN110490066B
CN110490066B CN201910625541.6A CN201910625541A CN110490066B CN 110490066 B CN110490066 B CN 110490066B CN 201910625541 A CN201910625541 A CN 201910625541A CN 110490066 B CN110490066 B CN 110490066B
Authority
CN
China
Prior art keywords
target
information
preset
shot picture
detection model
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
Application number
CN201910625541.6A
Other languages
English (en)
Other versions
CN110490066A (zh
Inventor
雷晨雨
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910625541.6A priority Critical patent/CN110490066B/zh
Publication of CN110490066A publication Critical patent/CN110490066A/zh
Application granted granted Critical
Publication of CN110490066B publication Critical patent/CN110490066B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图片分析的目标检测方法、装置及计算机设备，涉及信息技术领域，主要在于能够及时发现被丢弃的共享单车，提高共享单车的利用率，方便城市管理，减少城市垃圾。所述方法包括：检测目标禁止停放区域对应的拍摄图片中是否存在目标；若存在，则提取所述拍摄图片中目标的位置信息和所述目标所属类别信息；根据所述位置信息和所述类别信息，提示用户查找所述目标。本发明适用于被丢弃目标的检测。

Description

基于图片分析的目标检测方法、装置及计算机设备
技术领域
本发明涉及信息技术领域，尤其是涉及一种基于图片分析的目标检测方法、装置及计算机设备。
背景技术
随着低碳理念的兴起，共享单车越来越引起人们的注意，共享单车是一种新型的交通工具租赁业务，其主要依靠载体为自行车，共享单车可以缓解城市因快速的经济发展而带来的自行车出行萎靡状况，其最大利用了公共道路的通过率，缓解了城市交通阻塞现状，方便人们的出行，随着共享单车的普及，共享单车的随意丢弃现象也较为严重。
目前，通常通过各个单车公司指定的共享单车客户端对随意丢弃的共享单车进行定位，获取共享单车的位置信息，单车公司或者城市管理者根据该位置信息，找到随意丢弃的单车，然而，一些共享单车被丢弃的位置比较偏僻，往往通过客户端进行定位识别不到被丢弃的共享单车，造成很多被随意丢弃的共享单车无法被单车公司或者城市管理者找到，降低了共享单车的利用率，影响城市管理。
发明内容
本发明提供了一种基于图片分析的目标检测方法、装置及计算机设备，主要在于能够及时发现被丢弃的共享单车，提高共享单车的利用率，方便城市管理。
根据本发明的第一个方面，提供一种基于图片分析的目标检测方法，包括：
检测目标禁止停放区域对应的拍摄图片中是否存在目标；
若存在，则提取所述拍摄图片中目标的位置信息和所述目标所属类别信息；
根据所述位置信息和所述类别信息，提示用户查找所述目标。
根据本发明的第二个方面，提供一种基于图片分析的目标检测装置，包括：
检测单元，用于检测目标禁止停放区域对应的拍摄图片中是否存在目标；
提取单元，用于若检测目标禁止停放区域对应的拍摄图片中存在目标，则提取所述拍摄图片中目标的位置信息和所述目标所属类别信息；
提示单元，用于根据所述位置信息和所述类别信息，提示用户查找所述目标。
根据本发明的第三个方面，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以下步骤：
检测目标禁止停放区域对应的拍摄图片中是否存在目标；
若存在，则提取所述拍摄图片中目标的位置信息和所述目标所属类别信息；
根据所述位置信息和所述类别信息，提示用户查找所述目标。
根据本发明的第四个方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：
检测目标禁止停放区域对应的拍摄图片中是否存在目标；
若存在，则提取所述拍摄图片中目标的位置信息和所述目标所属类别信息；
根据所述位置信息和所述类别信息，提示用户查找所述目标。
本发明提供的一种基于图片分析的目标检测方法、装置及计算机设备，与目前通过各个单车公司指定的共享单车客户端对随意丢弃的共享单车进行定位，查找共享单车的方式相比，本发明能够检测目标禁止停放区域对应的拍摄图片中是否存在目标；若存在，则提取所述拍摄图片中目标的位置信息和所述目标所属类别信息；根据所述位置信息和所述类别信息，提示用户查找所述目标，从而能够帮助单车公司或者城市管理者及时找到被丢弃的共享单车，提高共享单车的利用率，减少城市垃圾，方便城市管理。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1示出了本发明实施例提供的一种基于图片分析的目标检测方法流程图；
图2示出了本发明实施例提供的另一种基于图片分析的目标检测方法流程图；
图3示出了本发明实施例提供的一种基于图片分析的目标检测装置的结构示意图；
图4示出了本发明实施例提供的另一种基于图片分析的目标检测装置的结构示意图；
图5示出了本发明实施例提供的一种计算机设备的实体结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如背景技术，目前，通常通过各个单车公司指定的共享单车客户端对随意丢弃的共享单车进行定位，获取共享单车的位置信息，单车公司或者城市管理者根据该位置信息，找到随意丢弃的单车，然而，一些共享单车被丢弃的位置比较偏僻，往往通过客户端进行定位识别不到被丢弃的共享单车，造成很多被随意丢弃的共享单车无法被单车公司或者城市管理者找到，降低了共享单车的利用率，影响城市管理。
为了解决上述问题，本发明实施例提供了一种基于图片分析的目标检测方法，如图1所示，所述方法包括：
101、检测目标禁止停放区域对应的拍摄图片中是否存在目标。若是，则执行步骤102；若否，则执行步骤104。
其中，拍摄图片中的目标可以为共享单车，目标禁止停放区域为非共享单车停放区域，例如，狭窄的街道、居民区等非公共服务区。对于本发明实施例，通过无人机摄像头对狭窄的街道、居民区等非公共服务区进行拍摄，获取目标禁止停放区域对应的拍摄图片，进一步地，检测目标禁止停放区域对应的拍摄图片中是否存在共享单车，具体地，利用预设目标检测模型检测拍摄图片中是否存在共享单车，所述预设目标检测模型为第一预设目标检测模型，所述利用预设目标检测模型检测目标禁止停放区域对应的拍摄图片中是否存在共享单车包括：将目标禁止停放区域对应的拍摄图片输入至所述第一预设目标检测模型进行检测。
例如，该第一预设目标检测模型可以为预设yolo目标检测模型，预设yolo目标检测模型包括252层，其中，add层23层，批量归一化层72层，激活函数层72层，卷积层75层，上采样层2层以及张量拼接层2层，其中，在每层批量归一化层后面都接激活函数层，有72层卷积层后面接批量归一化层和激活函数层组合构成的基本组件，为了确保预设yolo目标检测模型的识别精度，根据航拍的图片对预设yolo V3模型进行训练，构建预设yolo共享单车检测模型，具体地，预设yolo V3模型的前52层结构包括：第一层卷积层卷积核的个数为32，卷积核的大小为3*3，第二层卷积层卷积核的个数为64，卷积核的大小为3*3，之后是一组两层卷积层，其中一层卷积层卷积核的个数为32，卷积核的大小为1*1，另一层卷积层卷积核个数为64，卷积核大小为3*3，之后是一层卷积层，卷积核的个数为128，卷积核的大小为3*3，然后是两组两层卷积层，其中一层卷积层包括64个卷积核，卷积核的大小为1*1，另一层卷积层卷积核个数为128，卷积核的大小为3*3，接着是一层卷积层，卷积核的个数为256，卷积核的大小为3*3，接下来是8组两层的卷积层，其中一层卷积层卷积核的个数为128，卷积核的大小为1*1，另一层卷积层卷积核的个数为256，卷积核的大小为3*3，后面接一个卷积层，卷积核的个数为512，卷积核的大小为3*3，后面接8组两层的卷积层，其中一层卷积层卷积核的个数为256，卷积核大小为1*1，另一层卷积层卷积核的个数为512，卷积核的大小为3*3，之后接一个卷积层，卷积核的个数为1024，卷积核大小为3*3，最后接4组两层的卷积层，其中一层卷积层卷积核个数为512，卷积核的大小为1*1，另一层卷积层卷积核的个数为1024，卷积核的大小为3*3，上述为预设yolo V3模型的前52层结构，卷积核的步长可以均设置为1，卷积核的填充方式为padding＝SAME，填充是用0填充。
进一步地，在对预设yolo V3模型进行训练时，首先在yolo V3模型前52层的最后加一层全连接层，将其划分为1000个分类，构成Darknet-53网络，应用Imagenet数据集对该Darknet-53网络进行训练，进一步地，将训练好的Darknet-53的最后一层权连接层去掉，并将yolo V3模型的剩余结构加入，构成预设yolo V3模型，进一步地，根据需要识别的车辆种类，修改预设yolo V3模型的最后一层参数，例如，预设yolo目标检测模型能够检测共享单车，识别的单车种类包括A品牌单车，B品牌单车，C品牌单车，D品牌单车以及E品牌单车，即需要进行识别单车的种类为5种，则将预设yolo V3模型的最后一层的识别种类参数设置为5，进一步地，获取预设数量航拍图片，对其进行标注，根据标注后的航拍图片对预设yoloV3模型进行训练，得到预设yolo目标检测模型。
此外，若预设yolo目标检测模型检测到目标禁止停放区域对应的拍摄图片中存在共享单车，则输出该拍摄图片中共享单车的位置信息和共享单车所属类别信息；若预设yolo目标检测模型未检测到目标禁止停放区域对应的拍摄图片中存在共享单车，则继续检测与该拍摄图片对应的下一拍摄图片中是否存在共享单车。
102、提取所述拍摄图片中目标的位置信息和所述目标所属类别信息。
其中，目标的位置信息为共享单车所属边界框信息，目标所属类别信息为共享单车所属厂家，即共享单车属于哪个厂家的单车，例如，A品牌单车，B品牌单车，C品牌单车，D品牌单车以及E品牌单车。对于本方实施例，为了获取共享单车的位置信息和类别信息，步骤102具体包括：当所述第一预设目标检测模型检测到所述拍摄图片中存在目标时，输出所述目标所属边界框信息和所述目标所属类别信息；将所述边界框信息确定为所述目标的位置信息。具体地，该第一预设目标检测模型为预设yolo目标检测模型，将目标禁止停放区域对应的拍摄图片输入至预设yolo目标检测模型进行检测，由于预设yolo目标检测模型会将输出的特征图像缩小到输入的1/32，通常要求输入的拍摄图片大小是32的倍数，因此，将待检测的拍摄图片缩放到256*256大小，之后输入至预设yolo目标检测模型进行检测，如果预设yolo目标检测模型检测出共享单车，则输出该共享单车的位置信息和类别信息，例如，预设yolo目标检测模型检测出拍摄图片中存在两辆共享单车，则输出该两辆共享单车的位置信息分别记做M1(x1,y1,w1,h1),N1(x2,y2,w2,h2)以及该两辆共享单车所属的类别，即该两辆共享单车分别属于哪个厂家，其中，x和y代表共享单车所属边界框的中心点坐标信息，w和h代表共享单车所属边界框的大小。
103、根据所述位置信息和所述类别信息，提示用户查找所述目标。
对于本发明实施例，相关管理部门根据检测出的共享单车的位置信息以及该共享单车所属图片中的相关背景，可以确定该共享单车被丢弃的位置，同时根据检测的共享单车的类别信息，可以确定该共享单车所属的厂家，由此可以通知相关厂家，并告知相关厂家被丢弃共享单车的位置，使该厂家可以及时找回被丢弃的共享单车，提高共享单车的利用率，减少城市垃圾。
104、检测与所述拍摄图片对应的下一拍摄图片中是否存在目标。
对于本发明实施例，当检测目标禁止停放区域对应的拍摄图片中不存在共享单车时，检测与该拍摄图片对应的下一拍摄图片中是否存在共享单车。
本发明实施例提供的一种基于图片分析的目标检测方法，与目前通过各个单车公司指定的共享单车客户端对随意丢弃的共享单车进行定位，查找共享单车的方式相比，本发明能够检测目标禁止停放区域对应的拍摄图片中是否存在目标；若存在，则提取所述拍摄图片中目标的位置信息和所述目标所属类别信息；根据所述位置信息和所述类别信息，提示用户查找所述目标，从而能够帮助单车公司或者城市管理者及时找到被丢弃的目标，提高目标的利用率，减少城市垃圾，方便城市管理。
进一步的，为了更好的说明上述检测拍摄图片中共享单车的过程，本发明实施例提供了另一种基于图片分析的目标检测方法，如图2所示，所述方法包括：
201、利用预设目标检测模型检测目标禁止停放区域对应的拍摄图片中是否存在目标。若是，则执行步骤202；若否，则执行步骤205。
其中，所述预设共享单车检测模型为第二预设目标检测模型，对于本发明实施例，为了检测拍摄图片中是否存在被丢弃的共享单车，步骤201具体包括：将目标禁止停放区域对应的拍摄图片输入至所述第二预设目标检测模型进行检测，进一步地，利用第二预设目标检测模型检测目标禁止停放区域对应的拍摄图片中是否存在目标或相似目标，例如，该目标为共享单车，相似目标为普通自行车和电动车。具体地，第二预设目标检测模型为预设Mask R-CNN目标检测模型，预设Mask R-CNN目标检测模型不仅能够识别共享单车，还可以识别普通自行车和电动，具体地，预设Mask R-CNN模型主要包括三个模块，分别是全卷积网络，ROIAlign和Faster-rcnn，其中，全卷积网络模型共有8层卷积层，第一层卷积层的卷积核的个数、宽度、高度和厚度分别为96*11*11*3，第二层卷积层的卷积核的个数、宽度、高度和厚度分别为256*5*5*48，第三层卷积层的卷积核的个数、宽度、高度和厚度分别为384*3*3*256，第四层卷积层的卷积核的个数、宽度、高度和厚度分别为384*3*3*192，第五层卷积层的卷积核的个数、宽度、高度和厚度分别为256*3*3*192，第6层的卷积核的大小(通道数，宽，高)为(4096,1,1)，第7层的卷积核的大小(通道数，宽，高)为(4096,1,1)，第8层的卷积核的大小(通道数，宽，高)为(1000,1,1)，上述卷积核的步长可以均设置为1，卷积核的填充方式为padding＝SAME，填充是用0填充；ROIAlign模块会遍历每一个候选区域，保持浮点数边界不做量化，之后将候选区域分割成若干单元，每个单元的边界也不做量化，并在每个单元中计算固定四个坐标位置，用双线性内插发计算出这四个位置的值，然后进行最大池化操作；Faster-rcnn模块主要用于通过RPN网络快速生成候选区域，RPN网络前面的结构为ZF网络最后一层卷积层前的结构，之后是卷积核为3*3的卷积层，最后通过卷积核为1*1的卷积层将输出分为两路，一路输出是类别概率，另一路输出为目标边界框的四个参数，分别为边界框的中心坐标、长和宽以及检测目标的掩膜Mask。
进一步地，在对预设Mask R-CNN模型进行训练时，应用Imagenet数据集对全卷积网络进行训练，进一步地，预设Mask R-CNN模型中的超参数都使用全卷积网络中的值，之后根据需要识别的车辆种类，修改预设Mask R-CNN模型的参数，例如，需要进行识别的车辆种类包括共享单车，普通自行车以及电动车，其中，共享单车还包括A品牌单车，B品牌单车，C品牌单车，D品牌单车以及E品牌单车，即需要进行识别车辆的种类为7种，则将预设Mask R-CNN模型的识别种类参数设置为7，进一步地，获取预设数量航拍的图片，对其进行标注，根据标注后的拍摄图片对预设Mask R-CNN模型进行训练，得到预设Mask R-CNN目标检测模型。
202、提取所述目标的特征向量，并输出所述目标所属边界框信息。
对于本发明实施例，将拍摄图片输入至预设Mask R-CNN目标检测模型进行检测，首先将预处理后的拍摄图片输入至全卷积网络获取对应的特征图片，之后对特征图片中的每一点设定预定个候选区域ROI，从而获取多个候选区域ROI，接着将这些候选区域ROI送入RPN网络进行二值分类和边界框回归，过滤掉一部分候选区域ROI，并对剩下的候选区域ROI进行ROIAlign操作，最后对这些候选区域ROI进行分类，边界框回归操作和MASK生成，如果预设Mask R-CNN目标检测模型检测出共享单车、普通自行车或者电动车，则输出该车辆的车辆位置信息和类别信息，包括车辆边界框的大小，中心位置信息，该车辆所属的类别以及该车辆的掩膜Mask，掩膜Mask能够显示物体的轮廓形状，例如，预设Mask R-CNN目标检测模型检测出拍摄图片中存在两辆共享单车，则输出该两辆共享单车所属边界框信息，分别记做M1(x1,y1,w1,h1),N1(x2,y2,w2,h2)，该两辆单车的特征向量m1和n1和两辆单车的Mask图，根据该车辆的特征向量可以计算出车辆所属的类别，其中，x和y代表车辆所属边界框的中心点坐标信息，w和h代表车辆所属边界框的的大小，m1和n1均是2048维的特征向量。
203、根据所述目标的特征向量，确定所述目标所属类别信息，并将所述边界框信息确定为所述目标的位置信息。
对于本发明实施例，为了确定检测出的共享单车所属类别信息，步骤203具体包括：根据所述目标的特征向量，利用预设wordtree算法计算所述目标对应各个预测类别的概率值；选取所述各个预测类别的概率值中的最大值，并将所述最大值对应的预测类别确定为所述目标所属的类别信息。具体地，根据预设Mask R-CNN目标检测模型提取的共享单车特征向量，利用Wordtree算法，计算检测出的共享单车对应各个预测类别的概率，例如，待检测车辆的种类包括共享单车，普通自行车以及电动车，其中，共享单车又包括A品牌单车，B品牌单车，C品牌单车，D品牌单车以及E品牌单车，根据如下公式计算车辆所属类别的概率：
P(D品牌单车)＝P(D品牌单车|共享单车)*P(共享单车|车辆)*P(车辆
|物理实体)*P(物理实体)
P(普通自行车)＝P(普通自行车|车辆)*P(车辆|物理实体)*P(物理
实体)
P(电动车)＝P(电动车|车辆)*P(车辆|物理实体)*P(物理实体)
其中，P(物理实体)＝1，该公式中的其他概率可以根据车辆的2048维特征向量由模型计算得出，由此得到待检测车辆属于各个类别的概率，并将最大概率值对应的类别确定为该车辆所属的类别。
204、根据所述位置信息和所述类别信息，提示用户查找所述目标。
对于本发明实施例，为了协助共享单车厂家找到被对丢弃的共享单车，步骤204具体包括：根据所述类别信息，确定所述目标所属厂家；将所述位置信息发送至所述厂家，提示所述厂家查找所述目标。例如，根据预设Mask R-CNN目标检测模型确定拍摄图片中的共享单车为D品牌单车，则将该共享单车的位置发送至D品牌单车厂家，协助D品牌单车厂家找到被丢弃的共享单车；或者预设Mask R-CNN共享单车检测模型检测出拍摄图片中的车辆为普通自行车，则将该普通自行车的位置发送至城市管理部门，城市管理部门会尽快处理被丢弃的自行车，减少城市垃圾。
205、检测与所述拍摄图片对应的下一拍摄图片中是否存在目标。
本发明实施例提供的另一种基于图片分析的目标检测方法，与目前通过各个单车公司指定的共享单车客户端对随意丢弃的共享单车进行定位，查找共享单车的方式相比，本发明能够检测目标禁止停放区域对应的拍摄图片中是否存在目标；若存在，则提取所述拍摄图片中目标的位置信息和所述目标所属类别信息；根据所述位置信息和所述类别信息，提示用户查找所述目标，从而能够帮助单车公司或者城市管理者及时找到被丢弃的共享单车，提高共享单车的利用率，减少城市垃圾，方便城市管理。
进一步地，作为图1的具体实现，本发明实施例提供了一种基于图片分析的目标检测装置，如图3所示，所述装置包括：检测单元31、提取单元32，提示单元33。
所述检测单元31，可以用于检测目标禁止停放区域对应的拍摄图片中是否存在目标。所述获取单元31是本装置中检测目标禁止停放区域对应的拍摄图片中是否存在目标的主要功能模块。
所述提取单元32，可以用于若检测目标禁止停放区域对应的拍摄图片中存在目标，则提取所述拍摄图片中目标的位置信息和所述目标所属类别信息。所述提取单元32是本装置中提取所述拍摄图片中目标的位置信息和所述目标所属类别信息的主要功能模块，也是核心模块。
所述提示单元33，可以用于根据所述位置信息和所述类别信息，提示用户查找所述目标。所述提示单元33是本装置中根据所述位置信息和所述类别信息，提示用户查找所述目标的主要功能模块，也是核心模块。
对于本发明实施例，为了检测目标禁止停放区域对应的拍摄图片中是否存在共享单车，所述检测单元31，具体可以用于利用预设目标检测模型检测目标禁止停放区域对应的拍摄图片中是否存在目标。
进一步地，所述预设共享单车检测模型为第一预设目标检测模型，将目标禁止停放区域对应的拍摄图片输入至所述第一预设目标检测模型进行检测，所述提取单元32，包括：输出模块321和确定模块322，如图4所示。
所述输出模块321，可以用于当所述第一预设目标检测模型检测到所述拍摄图片中存在目标时，输出所述目标所属边界框信息和所述目标所属类别信息。
所述确定模块322，可以用于将所述边界框信息确定为所述目标的位置信息。
此外，所述预设共享单车检测模型为第二预设目标检测模型，将目标禁止停放区域对应的拍摄图片输入至所述第二预设目标检测模型进行检测，所述输出模块321，还可以用于当所述第二预设目标检测模型检测到所述拍摄图片中存在目标时，提取所述目标的特征向量，并输出所述目标所属边界框信息。
所述确定模块322，还可以用于根据所述目标的特征向量，确定所述目标所属类别信息，并将所述边界框信息确定为所述目标的位置信息。
进一步地，为了确定检测出的共享单车所属类别信息，所述确定模块322，包括：计算子模块和选取子模块。
所述计算子模块，可以用于根据所述目标的特征向量，利用预设wordtree算法计算所述目标对应各个预测类别的概率值。
所述选取子模块，可以用于选取所述各个预测类别的概率值中的最大值，并将所述最大值对应的预测类别确定为所述目标所属的类别信息。
在具体应用场景中，为了提示相应的厂家查找共享单车，所述提示单元33，包括：确定模块331和提示模块332。
所述确定模块331，可以用于根据所述类别信息，确定所述目标所属厂家。
所述提示模块332，可以用于将所述位置信息发送至所述厂家，提示所述厂家查找所述目标。
需要说明的是，本发明实施例提供的一种基于图片分析的目标检测装置所涉及各功能模块的其他相应描述，可以参考图1所示方法的对应描述，在此不再赘述。
基于上述如图1所示方法，相应的，本发明实施例还提供了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以下步骤：检测目标禁止停放区域对应的拍摄图片中是否存在目标；若存在，则提取所述拍摄图片中目标的位置信息和所述目标所属类别信息；根据所述位置信息和所述类别信息，提示用户查找所述目标。
基于上述如图1所示方法和如图3所示装置的实施例，本发明实施例还提供了一种计算机设备的实体结构图，如图5所示，该计算机设备包括：处理器41、存储器42、及存储在存储器42上并可在处理器上运行的计算机程序，其中存储器42和处理器41均设置在总线43上所述处理器41执行所述程序时实现以下步骤：检测目标禁止停放区域对应的拍摄图片中是否存在目标；若存在，则提取所述拍摄图片中目标的位置信息和所述目标所属类别信息；根据所述位置信息和所述类别信息，提示用户查找所述目标。
通过本发明的技术方案，本发明能够检测目标禁止停放区域对应的拍摄图片中是否存在目标；若存在，则提取所述拍摄图片中目标的位置信息和所述目标所属类别信息；根据所述位置信息和所述类别信息，提示用户查找所述目标，从而能够帮助单车公司或者城市管理者及时找到被丢弃的共享单车，提高共享单车的利用率，减少城市垃圾，方便城市管理。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (8)

1.一种基于图片分析的目标检测方法，其特征在于，包括：
检测目标禁止停放区域对应的拍摄图片中是否存在目标；
若存在，则提取所述拍摄图片中目标的位置信息和所述目标所属类别信息；
根据所述位置信息和所述类别信息，提示用户查找所述目标；
其中，所述检测目标禁止停放区域对应的拍摄图片中是否存在目标，包括：
利用预设目标检测模型检测目标禁止停放区域对应的拍摄图片中是否存在目标；
其中，若预设目标检测模型为第一预设目标检测模型，则所述检测目标禁止停放区域对应的拍摄图片中是否存在目标；若存在，则提取所述拍摄图片中目标的位置信息和所述目标所属类别信息，包括：
将目标禁止停放区域对应的拍摄图片输入至第一预设目标检测模型进行检测；
当所述第一预设目标检测模型检测到所述拍摄图片中存在目标时，输出所述目标所属边界框信息和所述目标所属类别信息，其中，所述目标所属类别信息为目标所属厂家；
将所述边界框信息确定为所述目标的位置信息。
2.根据权利要求1所述的方法，其特征在于，所述预设目标检测模型为第二预设目标检测模型，所述利用预设目标检测模型检测目标禁止停放区域对应的拍摄图片中是否存在目标包括：
将目标禁止停放区域对应的拍摄图片输入至所述第二预设目标检测模型进行检测；
当所述第二预设目标检测模型检测到所述拍摄图片中存在目标时，提取所述目标的特征向量，并输出所述目标所属边界框信息；
根据所述目标的特征向量，确定所述目标所属类别信息，并将所述边界框信息确定为所述目标的位置信息。
3.根据权利要求2所述的方法，其特征在于，所述根据所述目标的特征向量，确定所述目标所属类别信息包括：
根据所述目标的特征向量，利用预设wordtree算法计算所述目标对应各个预测类别的概率值；
选取所述各个预测类别的概率值中的最大值，并将所述最大值对应的预测类别确定为所述目标所属的类别信息。
4.根据权利要求2所述的方法，其特征在于，所述利用预设目标检测模型检测目标禁止停放区域对应的拍摄图片中是否存在目标包括：
利用第二预设目标检测模型检测目标禁止停放区域对应的拍摄图片中是否存在目标或相似目标。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述根据所述位置信息和所述类别信息，提示用户查找所述目标包括：
根据所述类别信息，确定所述目标所属厂家；
将所述位置信息发送至所述厂家，提示所述厂家查找所述目标。
6.一种基于图片分析的目标检测装置，其特征在于，包括：
检测单元，用于检测目标禁止停放区域对应的拍摄图片中是否存在目标；
提取单元，用于若检测目标禁止停放区域对应的拍摄图片中存在目标，则提取所述拍摄图片中目标的位置信息和所述目标所属类别信息；
提示单元，用于根据所述位置信息和所述类别信息，提示用户查找所述目标；
其中，所述检测单元，具体用于利用预设目标检测模型检测目标禁止停放区域对应的拍摄图片中是否存在目标；
所述检测单元，具体还用于若利用预设目标检测模型为第一预设目标检测模型，则将目标禁止停放区域对应的拍摄图片输入至第一预设目标检测模型进行检测；
所述提取单元，具体用于当所述第一预设目标检测模型检测到所述拍摄图片中存在目标时，输出所述目标所属边界框信息和所述目标所属类别信息，其中，所述目标所属类别信息为目标所属厂家；将所述边界框信息确定为所述目标的位置信息。
7.一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，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN201910625541.6A 2019-07-11 2019-07-11 基于图片分析的目标检测方法、装置及计算机设备 Active CN110490066B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910625541.6A CN110490066B (zh) 2019-07-11 2019-07-11 基于图片分析的目标检测方法、装置及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910625541.6A CN110490066B (zh) 2019-07-11 2019-07-11 基于图片分析的目标检测方法、装置及计算机设备

Publications (2)

Publication Number Publication Date
CN110490066A CN110490066A (zh) 2019-11-22
CN110490066B true CN110490066B (zh) 2024-05-14

Family

ID=68545962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910625541.6A Active CN110490066B (zh) 2019-07-11 2019-07-11 基于图片分析的目标检测方法、装置及计算机设备

Country Status (1)

Country Link
CN (1) CN110490066B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062915B (zh) * 2019-12-03 2023-10-24 浙江工业大学 一种基于改进YOLOv3模型的实时钢管缺陷检测方法
CN111401215B (zh) * 2020-03-12 2023-10-31 杭州涂鸦信息技术有限公司 一种多类别目标检测的方法及系统
CN112215123B (zh) * 2020-10-09 2022-10-25 腾讯科技（深圳）有限公司 一种目标检测方法、装置及存储介质
CN112733929B (zh) * 2021-01-07 2024-07-19 南京工程学院 一种改进Yolo水下图像小目标和遮挡目标的检测方法
CN113221653A (zh) * 2021-04-09 2021-08-06 浙江工业大学 一种基于Mask-RCNN的非机动车驾驶员正背面匹配方法
CN113361405B (zh) * 2021-06-07 2022-10-21 浪潮软件科技有限公司 一种基于yolo v3的亚洲象识别方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108182797A (zh) * 2017-12-29 2018-06-19 合肥时代智慧高新投资管理有限公司 一种基于无桩共享单车的监管系统及方法
CN109299644A (zh) * 2018-07-18 2019-02-01 广东工业大学 一种基于区域全卷积网络的车辆目标检测方法
CN109993789A (zh) * 2017-12-29 2019-07-09 杭州海康威视数字技术股份有限公司 一种共享单车的违停判定方法、装置及相机
CN109993032A (zh) * 2017-12-29 2019-07-09 杭州海康威视数字技术股份有限公司 一种共享单车目标识别方法、装置及相机

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108182797A (zh) * 2017-12-29 2018-06-19 合肥时代智慧高新投资管理有限公司 一种基于无桩共享单车的监管系统及方法
CN109993789A (zh) * 2017-12-29 2019-07-09 杭州海康威视数字技术股份有限公司 一种共享单车的违停判定方法、装置及相机
CN109993032A (zh) * 2017-12-29 2019-07-09 杭州海康威视数字技术股份有限公司 一种共享单车目标识别方法、装置及相机
CN109299644A (zh) * 2018-07-18 2019-02-01 广东工业大学 一种基于区域全卷积网络的车辆目标检测方法

Also Published As

Publication number Publication date
CN110490066A (zh) 2019-11-22

Similar Documents

Publication Publication Date Title
CN110490066B (zh) 基于图片分析的目标检测方法、装置及计算机设备
CN108681994B (zh) 一种图像处理方法、装置、电子设备及可读存储介质
US20190042888A1 (en) Training method, training apparatus, region classifier, and non-transitory computer readable medium
CN108388879B (zh) 目标的检测方法、装置和存储介质
GB2580671A (en) A computer vision system and method
CN110491132B (zh) 基于视频帧图片分析的车辆违停检测方法及装置
WO2020258077A1 (zh) 一种行人检测方法及装置
US10824881B2 (en) Device and method for object recognition of an input image for a vehicle
CN113160272B (zh) 目标跟踪方法、装置、电子设备及存储介质
CN111127516A (zh) 无搜索框的目标检测和跟踪方法及系统
CN112215188B (zh) 交警姿态识别方法、装置、设备及存储介质
US20240077331A1 (en) Method of predicting road attributers, data processing system and computer executable code
Al Mamun et al. Efficient lane marking detection using deep learning technique with differential and cross-entropy loss.
Ali et al. On-road vehicle detection using support vector machine and decision tree classifications
CN110827340B (zh) 地图的更新方法、装置及存储介质
CN114463685B (zh) 行为识别方法、装置、电子设备及存储介质
CN115223146A (zh) 障碍物检测方法、装置、计算机设备和存储介质
CN114639084A (zh) 一种基于ssd改进算法的路侧端车辆感知方法
CN114140744A (zh) 基于对象的数量检测方法、装置、电子设备及存储介质
Bota et al. A framework for object detection, tracking and classification in urban traffic scenarios using stereovision
CN118314363B (zh) 目标跟踪方法、装置、存储介质及计算机设备
CN115661577B (zh) 用于对象检测的方法、设备和计算机可读存储介质
CN116503695B (zh) 目标检测模型的训练方法、目标检测方法及设备
CN113076811B (zh) 一种航空图像道路提取方法及设备
CN116863446A (zh) 一种目标检测方法

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