CN110533699B - 基于光流法的像素变化的动态多帧测速方法 - Google Patents
基于光流法的像素变化的动态多帧测速方法 Download PDFInfo
- Publication number
- CN110533699B CN110533699B CN201910694954.XA CN201910694954A CN110533699B CN 110533699 B CN110533699 B CN 110533699B CN 201910694954 A CN201910694954 A CN 201910694954A CN 110533699 B CN110533699 B CN 110533699B
- Authority
- CN
- China
- Prior art keywords
- detected
- target
- speed
- optical flow
- frame
- 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
- 238000000034 method Methods 0.000 title claims abstract description 91
- 230000003287 optical effect Effects 0.000 title claims abstract description 80
- 230000008859 change Effects 0.000 title abstract description 12
- 238000000691 measurement method Methods 0.000 title description 2
- 238000001514 detection method Methods 0.000 claims abstract description 74
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 210000003793 centrosome Anatomy 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 244000025254 Cannabis sativa Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
- G01P3/36—Devices characterised by the use of optical means, e.g. using infrared, visible, or ultraviolet light
- G01P3/38—Devices characterised by the use of optical means, e.g. using infrared, visible, or ultraviolet light using photographic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Electromagnetism (AREA)
- Power Engineering (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于光流法的目标检测方法、装置及计算机可读存储介质,该方法包括:通过目标检测算法获取待检测目标的框体坐标;根据框体坐标,计算出框体内每个待检测目标对应的像素点的速度;将框体的中心点作为进行测速的中心体的中心,及将框体最小边的1/3为半径作为待检测目标的测速中心体;根据待检测目标的测速中心体获取当前帧速度;根据当前帧和上一帧待检测目标的测速中心体的交集的像素的速度计算速度平均值,并将所述速度平均值作为待检测目标的速度;通过本发明的技术方案,可以减少框体变动对目标测速的干扰,减少由于检测带来的误差;并在动态的方法上更进一步地提取有效信息,有效的提高了测速的精度。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于光流法的目标检测方法、装置及计算机可读存储介质。
背景技术
目标检测,也是一种视觉目标检测,是目前机器视觉领域的一个重要的研究方向。一般地,目标检测对图像序列中的感兴趣目标进行检测,以进行提取、识别和跟踪,从而获取待跟踪目标的运动状态参数(例如位置,速度,加速度以及运动轨迹等),从而可以进一步处理与分析,以便实现对运动目标的行为理解,为其他技术领域(例如视觉导航,位姿估计与运动分析等)提供参考数据,目标检测在智能监控、人机交互、机器人导航等领域有着广泛的应用。在这些应用中,目标检测是机器人感知外界环境并作出反应的基础,是理解图像的关键。
目前,在目标检测算法中,常用的是光流法。由于光流法仅仅是针对每个像素进行检测其变化,而在针对区域或是多个像素进行检测却存在很大问题。在进行目标检测时,为了测量行人的运动速度,一般都采用光流法,但是行人并不是一个像素,而是多个像素的集合,并且由于对行人的检测是一种估算,因此行人的框体是存在一定的变化,而这种变化在计算的过程中会带了很大的干扰。
发明内容
本发明提供一种基于光流法的目标检测方法、装置及计算机可读存储介质,其主要目的在于减少框体变动对目标测速的干扰。
为实现上述目的,本发明提供一种基于光流法的目标检测方法,该方法包括:
步骤A:通过目标检测算法获取待检测目标的框体坐标;
步骤B:根据所述框体坐标,计算出框体内每个待检测目标对应的像素点的速度;
步骤C:将所述框体的中心点作为测速的中心体的中心,及将所述框体最小边的1/3为半径作为待检测目标的测速中心体;
步骤D:根据所述待检测目标的测速中心体获取当前帧速度;
步骤E:根据当前帧和上一帧待检测目标的测速中心体的交集的像素的速度计算速度平均值,并将所述速度平均值作为待检测目标的速度。
可选地,所述步骤A包括:
步骤A1:通过深度学习对待检测目标的图像进行特征提取;
步骤A21:将特征进行分割,针对不同特征进行分类识别;及
步骤A22:当特征分类分数超过阈值时,则判定该特征属于行人特征。
可选地,所述步骤A还包括:
步骤A31:将行人特征结合得到行人的特征坐标位置信息;
步骤A32:将行人的特征坐标位置信息结合标注信息进行回归算法;及
步骤A33:获得行人检测的框体坐标。
可选地,所述步骤B包括:
根据所述框体坐标,计算当前图像帧中每个待检测目标所对应的目标区域;
对每一目标区域内的像素分别进行聚类处理,得到每一待检测目标所对应的第一区域和第二区域;其中,每一待检测目标与其中一像素一一对应;
将第一区域的中心像素作为第一中心,将第二区域的中心像素作为第二中心。
可选地,所述步骤B还包括:
计算第一中心到第二中心的距离作为对应待检测目标的运动距离;
根据待检测目标的运动距离与预设时间段计算待检测目标对应的像素点的速度。
可选地,针对每个目标区域,根据像素值的大小对该目标区域内的像素进行聚类处理,得到两类:其中一类中的像素值较小,另一类中的像素值较大;将像素值较小对应的目标区域作为该待检测目标的第一区域,将像素值较大对应的目标区域作为该待检测目标的第二区域。
可选地,通过每一预设时间段采集包括待检测目标的光流图像,每一待检测目标对应光流图像的一像素。
可选地,在所述步骤A中,采用矩形框体包围住每个被检测出的目标并返回矩形框体的坐标位置,作为所述待检测目标的位置。
为实现上述目的,本发明还提供一种基于光流法的目标检测装置,所述装置包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的基于光流法的目标检测程序,所述基于光流法的目标检测程序被所述处理器执行时实现如上所述的基于光流法的目标检测方法。
此外,为实现上述目的,本发明还提供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基于光流法的目标检测程序,所述基于光流法的目标检测程序可被一个或者多个处理器执行,以实现如上所述的基于光流法的目标检测方法的步骤。
本发明提出的基于光流法的目标检测方法装置及计算机可读存储介质中,通过目标检测算法获取待检测目标的框体坐标;然后根据所述框体坐标,计算出框体内每个待检测目标对应的像素点的速度;接着将所述框体的中心点作为进行测速的中心体的中心,及将所述框体最小边的1/3为半径作为待检测目标的测速中心体;再根据待检测目标的测速中心体获取当前帧速度;最后根据当前帧和上一帧待检测目标的测速中心体的交集的像素的速度计算速度平均值,并将所述速度平均值作为待检测目标的速度;通过本发明的技术方案,可以减少框体变动对目标测速的干扰,减少由于检测带来的误差;并在动态的方法上更进一步地提取有效信息,有效的提高了测速的精度。
附图说明
图1为本发明一实施例提供的基于光流法的目标检测方法的流程示意图;
图2为图1中的步骤A的流程示意图;
图3为本发明一实施例提供的两个框体的交集的示意图;
图4为本发明一实施例提供的基于光流法的目标检测装置的内部结构图;
图5为本发明一实施例提供的基于光流法的目标检测装置中基于光流法的目标检测程序的模块示意图。
本发明目的实现、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。
本发明提供一种基于光流法的目标检测方法。参照图1所示,为本发明一实施例提供的基于光流法的目标检测方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,所述基于光流法的目标检测方法包括:
步骤A:通过目标检测算法获取待检测目标的框体坐标;
步骤B:根据所述框体坐标,计算出框体内每个待检测目标对应的像素点的速度;
步骤C:将所述框体的中心点作为测速的中心体的中心,及将所述框体最小边的1/3为半径作为待检测目标的测速中心体;
步骤D:根据所述待检测目标的测速中心体获取当前帧速度;
步骤E:根据当前帧和上一帧待检测目标的测速中心体的交集的像素的速度计算速度平均值,并将所述速度平均值作为待检测目标的速度。
进一步地,在一实施例中,通过所述目标检测算法采集对应待检测目标的光流图像。
更进一步地,在本实施例中,通过每一预设时间段采集包括待检测目标的光流图像。其中,每一待检测目标对应光流图像的一像素。
在一实施例中,在所述步骤A中,通过所述基于光流法的目标检测算法还可以获取到待检测目标的框体;其中,所获取到的待检测目标的框体是矩形。
进一步地,在所述步骤A中采用的是深度学习的方法对目标进行检测,具体地,所述深度学习的方法可以是卷积神经网络(Convolutional Neural Networks,CNN)的目标检测算法,具体地,所述目标检测算法可以是,但不限于是RCNN,Fast-RCNN,Faster-RCNN,Mask-RCNN,YOLO,SSD。本发明的实施例对所采用的目标检测算法不做限制,任何已知或未来可知的目标检测算法均可与本发明的实施例相结合,以实现根据本发明的目标检测方法。
更详细地,在所述步骤A中,通过神经网络结构获取光流图像的特征,针对特征进行分类学习(即训练过程),当获取的特征分类分数超过分类为行人特征的阈值时,该判定该特征为行人。在一实施例中,针对特征进行回归算法获取行人所在位置信息,从而得到行人检测的框体坐标。请参阅图2,所述步骤A步骤包括:
深度学习步骤,即步骤A1:通过深度学习对待检测目标的图像进行特征提取;
训练步骤,包括:
步骤A21:将特征进行分割,针对不同特征进行分类识别;及
步骤A22:当特征分类分数超过阈值时,则判定该特征属于行人特征;及
计算步骤,包括:
步骤A31:将行人特征结合得到行人的特征坐标位置信息;
步骤A32:将行人的特征坐标位置信息结合标注信息进行回归算法;及
步骤A33:获得行人检测的框体坐标。
进一步地,在所述步骤A中,一般地,采用矩形框体包围住每个被检测出的目标并返回矩形框体的坐标位置,作为所述待检测目标的位置。其中,将矩形框体所包围的矩形区域作为待检测目标对应的目标区域;即每个待检测目标对应一个目标区域。
其中,所述待检测目标可以是人物、动物、植物、物体等。所述人物可以是,但不限于是行人、工作状态的人、乘车的人、开车的人或者在预设交通工具上的人等。所述动物可以是,但不限于猫、狗、猪、鸟、鱼等动物。所述植物可以是,但不限于是花、草、树木等对象。所述物体可以是,但不限于是计算机、扫码设备、气球等具有一定形态的物体。
在本实施例中,以行人为例进行说明。
具体地,在一实施例中,所述步骤B中通过光流法计算框体内每个待检测目标对应的像素点的速度。本发明的实施例对所采用的光流法不做限制,任何已知或未来可知的光流法均可与本发明的实施例相结合,以实现根据本发明的光流法。
进一步地,在一实施例中,所述步骤B包括:
根据所述框体坐标,计算当前图像帧中每个待检测目标所对应的目标区域;
对每一目标区域内的像素分别进行聚类处理,得到每一待检测目标所对应的第一区域和第二区域;其中,每一待检测目标与其中一像素一一对应;
将第一区域的中心像素作为第一中心,将第二区域的中心像素作为第二中心;
计算第一中心到第二中心的距离作为对应待检测目标的运动距离;
根据待检测目标的运动距离与预设时间段计算待检测目标对应的像素点的速度。
具体地,在一实施例中,计算第一区域中所有像素坐标的均值,作为第一中心的坐标;计算第二区域中所有像素坐标的均值,作为第二中心的坐标;根据第一中心的坐标及第二中心的坐标计算得出第一中心与第二中心之间的距离,并将第一中心与第二中心之间的距离作为对应待检测目标的运动距离。
具体地,在计算待检测目标对应的像素点的速度时,用待检测目标的运动距离除以预设时间段来计算待检测目标对应的像素点的速度。
在本实施例中,针对每个目标区域,根据像素值的大小对该目标区域内的像素进行聚类处理,得到两类:其中一类中的像素值较小,另一类中的像素值较大;将像素值较小对应的目标区域作为该待检测目标的第一区域,将像素值较大对应的目标区域作为该待检测目标的第二区域。本发明的实施例对采用何种聚类算法进行聚类并不做限制。
进一步地,在所述步骤C中,由于框体的变化会影响像素的剧烈变化,因此我们选择框体的中心点作为进行测速的中心体的中心,并以框体最小边的1/3为半径作为待检测目标的测速中心体。
为了更准确地测量帧与帧间的速度变化,我们在得到当前帧速度的时候对中心体坐标进行保存,在统计下一帧速度时采用当前帧和上一帧中心体的交集,根据所述交集像素的速度计算速度平均值,并将计算得到的速度平均值作为行人的速度。计算平均值的具体原理为:计算所述交集内所有像素的速度的总和,再用所有像素的速度的总和除以像素的个数,即为像素的速度平均值。
具体地,在一实施例中,如图3所示,两个框体(框体1和框体2)分别对应当前帧行人和上一帧行人,两个框体之间的交集即为当前帧和上一帧中心体的交集,并根据交集区域的像素进行速度检测,计算出平均值作为行人的速度。
本发明提供的目标检测方法,是一种基于光流法的动态多帧检测方法,通过目标检测算法获取待检测目标的框体坐标;然后根据所述框体坐标,计算出框体内每个待检测目标对应的像素点的速度;接着将所述框体的中心点作为进行测速的中心体的中心,及将所述框体最小边的1/3为半径作为待检测目标的测速中心体;再根据待检测目标的测速中心体获取当前帧速度;最后根据当前帧和上一帧待检测目标的测速中心体的交集的像素的速度计算速度平均值,并将所述速度平均值作为待检测目标的速度;通过本发明的技术方案,可以减少框体变动对目标测速的干扰,减少由于检测带来的误差;并在动态的方法上更进一步地提取有效信息,有效的提高了测速的精度。
本发明还提供一种基于光流法的目标检测装置。参照图4所示,为本发明一实施例提供的基于光流法的目标检测装置的内部结构图。所述基于光流法的目标检测装置可以是PC(Personal Computer,个人电脑),也可以是智能手机、平板电脑、便携计算机等终端设备。该代码库管理装置至少包括存储器11、处理器12、网络接口13以及通信总线14。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是基于光流法的目标检测装置的内部存储单元,例如该基于光流法的目标检测装置的硬盘。所述存储器11在另一些实施例中也可以是基于光流法的目标检测装置的外部存储设备,例如基于光流法的目标检测装置上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。进一步地,所述存储器11还可以既包括基于光流法的目标检测装置的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于基于光流法的目标检测装置的应用软件及各类数据,例如基于光流法的目标检测程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行所述存储器11中存储的程序代码或处理数据,例如执行基于光流法的目标检测程序等。
所述网络接口13可选的可以包括标准的有线接口、无线接口(如WI-FI接口),通常用于在该基于阅读理解的营销线索提取装置与其他电子设备之间建立通信连接。
所述通信总线14用于实现这些组件之间的连接通信。
图4仅示出了具有组件11至14以及基于光流法的目标检测程序的基于光流法的目标检测装置,本领域技术人员可以理解的是,图4示出的结构并不构成对基于光流法的目标检测装置的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
在图4所示的基于光流法的目标检测装置实施例中,所述存储器11中存储有基于光流法的目标检测程序;所述处理器12执行所述存储器11中存储的基于光流法的目标检测程序时实现如下步骤:
步骤A:通过目标检测算法获取待检测目标的框体坐标;
步骤B:根据所述框体坐标,计算出框体内每个待检测目标对应的像素点的速度;
步骤C:将所述框体的中心点作为测速的中心体的中心,及将所述框体最小边的1/3为半径作为待检测目标的测速中心体;
步骤D:根据所述待检测目标的测速中心体获取当前帧速度;
步骤E:根据当前帧和上一帧待检测目标的测速中心体的交集的像素的速度计算速度平均值,并将所述速度平均值作为待检测目标的速度。
所述基于光流法的目标检测程序根据其不同的功能,可以划分为一个或多个功能模块。一个或者多个模块被存储于所述存储器11中,并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明,本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段,用于描述基于光流法的目标检测程序在基于光流法的目标检测装置中的执行过程。
例如,参照图5所示,为本发明基于光流法的目标检测装置一实施例中的基于光流法的目标检测程序的程序模块示意图,该实施例中,基于光流法的目标检测程序可以被分割为目标检测模块31、速度计算模块32、中心体获取模块33、及处理模块34,示例性地:
目标检测模块31,用于通过目标检测算法获取待检测目标的框体坐标;
速度计算模块32,用于根据所述框体坐标,计算出框体内每个待检测目标对应的像素点的速度;
中心体获取模块33,用于将所述框体的中心点作为测速的中心体的中心,及将所述框体最小边的1/3为半径作为待检测目标的测速中心体;
处理模块32,用于根据所述待检测目标的测速中心体获取当前帧速度;
所述速度计算模块32,还用于根据当前帧和上一帧待检测目标的测速中心体的交集的像素的速度计算速度平均值,并将所述速度平均值作为待检测目标的速度。
上述目标检测模块31、速度计算模块32、中心体获取模块33、及处理模块34等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同,在此不再赘述。
图5仅示出了具有模块31-34以及基于光流法的目标检测程序的基于光流法的目标检测装置,本领域技术人员可以理解的是,图5示出的结构并不构成对所述基于光流法的目标检测装置的限定,可以包括比图示更少或者更多的模块,或者组合某些模块,或者不同的模块布置。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
此外,本发明实施例还提出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基于光流法的目标检测程序,所述基于光流法的目标检测程序可被一个或多个处理器执行,以实现如下操作:
步骤A:通过目标检测算法获取待检测目标的框体坐标;
步骤B:根据所述框体坐标,计算出框体内每个待检测目标对应的像素点的速度;
步骤C:将所述框体的中心点作为测速的中心体的中心,及将所述框体最小边的1/3为半径作为待检测目标的测速中心体;
步骤D:根据所述待检测目标的测速中心体获取当前帧速度;
步骤E:根据当前帧和上一帧待检测目标的测速中心体的交集的像素的速度计算速度平均值,并将所述速度平均值作为待检测目标的速度。本发明计算机可读存储介质具体实施方式与上述基于光流法的目标检测装置和方法各实施例基本相同,在此不作累述。
需要说明的是,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。并且本文中的术语“包括”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、装置、物品或者方法不仅包括那些要素,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、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
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,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 (8)
1.一种基于光流法的目标检测方法,其特征在于,所述基于光流法的目标检测方法包括:
步骤A:通过深度学习对待检测目标的图像进行特征提取;将特征进行分割,针对不同特征进行分类识别;当特征分类分数超过待检测目标特征对应的分数阈值时,判定特征属于待检测目标特征;将待检测目标特征进行结合得到待检测目标的坐标位置信息;将坐标位置信息结合标注信息进行回归算法,获得待检测目标的框体坐标;
步骤B:根据所述框体坐标、待检测目标的运动距离以及预设时间段,计算出框体内每个待检测目标对应的像素点的速度;
步骤C:将所述框体的中心点作为测速的中心体的中心,及将所述框体最小边的1/3为半径作为待检测目标的测速中心体;
步骤D:根据所述待检测目标的测速中心体获取当前帧速度;
步骤E:根据当前帧和上一帧待检测目标的测速中心体的交集的像素的速度计算速度平均值,并将所述速度平均值作为待检测目标的速度。
2.如权利要求1所述的基于光流法的目标检测方法,其特征在于,所述步骤B包括:
根据所述框体坐标,计算当前图像帧中每个待检测目标所对应的目标区域;
对每一目标区域内的像素分别进行聚类处理,得到每一待检测目标所对应的第一区域和第二区域;其中,每一待检测目标与其中一像素一一对应;
将第一区域的中心像素作为第一中心,将第二区域的中心像素作为第二中心。
3.如权利要求2所述的基于光流法的目标检测方法,其特征在于,所述步骤B还包括:
计算第一中心到第二中心的距离作为对应待检测目标的运动距离;
根据待检测目标的运动距离与预设时间段计算待检测目标对应的像素点的速度。
4.如权利要求2或3任一项所述的基于光流法的目标检测方法,其特征在于,针对每个目标区域,根据像素值的大小对该目标区域内的像素进行聚类处理,得到两类:其中一类中的像素值较小,另一类中的像素值较大;将像素值较小对应的目标区域作为该待检测目标的第一区域,将像素值较大对应的目标区域作为该待检测目标的第二区域。
5.如权利要求1所述的基于光流法的目标检测方法,其特征在于,通过每一预设时间段采集包括待检测目标的光流图像,每一待检测目标对应光流图像的一像素。
6.如权利要求1所述的基于光流法的目标检测方法,其特征在于,在所述步骤A中,采用矩形框体包围住每个被检测出的目标并返回矩形框体的坐标位置,作为所述待检测目标的位置。
7.一种基于光流法的目标检测装置,其特征在于,所述基于光流法的目标检测装置包括存储器和处理器,所述存储器上存储有在所述处理器上运行的基于光流法的目标检测程序,所述基于光流法的目标检测程序被所述处理器执行时实现如权利要求1至6任一项所述的基于光流法的目标检测方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有基于光流法的目标检测程序,所述基于光流法的目标检测程序被一个或者多个处理器执行,以实现如权利要求1至6任一项所述的基于光流法的目标检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910694954.XA CN110533699B (zh) | 2019-07-30 | 2019-07-30 | 基于光流法的像素变化的动态多帧测速方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910694954.XA CN110533699B (zh) | 2019-07-30 | 2019-07-30 | 基于光流法的像素变化的动态多帧测速方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110533699A CN110533699A (zh) | 2019-12-03 |
CN110533699B true CN110533699B (zh) | 2024-05-24 |
Family
ID=68662117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910694954.XA Active CN110533699B (zh) | 2019-07-30 | 2019-07-30 | 基于光流法的像素变化的动态多帧测速方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533699B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111830278B (zh) * | 2020-07-29 | 2021-09-14 | 南开大学 | 基于生长域的微管内增量式细胞质的速度场检测方法 |
CN113096151B (zh) * | 2021-04-07 | 2022-08-09 | 地平线征程(杭州)人工智能科技有限公司 | 对目标的运动信息进行检测的方法和装置、设备和介质 |
CN113066085B (zh) * | 2021-04-26 | 2023-05-30 | 华侨大学 | 一种目标实时视频测速方法、装置、设备和介质 |
CN114755444B (zh) * | 2022-06-14 | 2022-10-21 | 天津所托瑞安汽车科技有限公司 | 目标速度测定方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528794A (zh) * | 2016-01-15 | 2016-04-27 | 上海应用技术学院 | 基于混合高斯模型与超像素分割的运动目标检测方法 |
CN107274433A (zh) * | 2017-06-21 | 2017-10-20 | 吉林大学 | 基于深度学习的目标跟踪方法、装置及存储介质 |
CN109102523A (zh) * | 2018-07-13 | 2018-12-28 | 南京理工大学 | 一种运动目标检测和跟踪方法 |
CN109146920A (zh) * | 2018-06-29 | 2019-01-04 | 西北工业大学 | 一种可嵌入式实现的目标跟踪方法 |
CN109544590A (zh) * | 2018-11-27 | 2019-03-29 | 上海芯仑光电科技有限公司 | 一种目标跟踪方法及计算设备 |
CN110009665A (zh) * | 2019-03-12 | 2019-07-12 | 华中科技大学 | 一种遮挡环境下的目标检测跟踪方法 |
-
2019
- 2019-07-30 CN CN201910694954.XA patent/CN110533699B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528794A (zh) * | 2016-01-15 | 2016-04-27 | 上海应用技术学院 | 基于混合高斯模型与超像素分割的运动目标检测方法 |
CN107274433A (zh) * | 2017-06-21 | 2017-10-20 | 吉林大学 | 基于深度学习的目标跟踪方法、装置及存储介质 |
CN109146920A (zh) * | 2018-06-29 | 2019-01-04 | 西北工业大学 | 一种可嵌入式实现的目标跟踪方法 |
CN109102523A (zh) * | 2018-07-13 | 2018-12-28 | 南京理工大学 | 一种运动目标检测和跟踪方法 |
CN109544590A (zh) * | 2018-11-27 | 2019-03-29 | 上海芯仑光电科技有限公司 | 一种目标跟踪方法及计算设备 |
CN110009665A (zh) * | 2019-03-12 | 2019-07-12 | 华中科技大学 | 一种遮挡环境下的目标检测跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110533699A (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533699B (zh) | 基于光流法的像素变化的动态多帧测速方法 | |
CN111160434B (zh) | 目标检测模型的训练方法、装置及计算机可读存储介质 | |
CN110647811A (zh) | 人脸姿态检测方法、装置及计算机可读存储介质 | |
CN113379718A (zh) | 一种目标检测方法、装置、电子设备以及可读存储介质 | |
CN112055172B (zh) | 一种监控视频的处理方法、装置以及存储介质 | |
CN113822910A (zh) | 多目标跟踪方法、装置、电子设备及存储介质 | |
CN111798487A (zh) | 目标跟踪方法、装置和计算机可读存储介质 | |
US20190290493A1 (en) | Intelligent blind guide method and apparatus | |
CN112183307A (zh) | 文本识别方法、计算机设备和存储介质 | |
CN111382637A (zh) | 行人检测跟踪方法、装置、终端设备及介质 | |
CN112818792A (zh) | 车道线检测方法、装置、电子设备及计算机存储介质 | |
CN116563376A (zh) | 基于深度学习的lidar-imu紧耦合语义slam方法及相关装置 | |
CN114241448A (zh) | 障碍物航向角的获取方法、装置、电子设备及车辆 | |
CN111382638A (zh) | 一种图像检测方法、装置、设备和存储介质 | |
CN111709377B (zh) | 特征提取方法、目标重识别方法、装置及电子设备 | |
CN110458004B (zh) | 一种目标对象识别方法、装置、设备以及存储介质 | |
CN116823884A (zh) | 多目标跟踪方法、系统、计算机设备及存储介质 | |
CN110956165A (zh) | 智慧社区未栓绳宠物预警方法及系统 | |
CN111814653A (zh) | 一种视频中异常行为的检测方法、装置、设备及存储介质 | |
CN112232317B (zh) | 用于目标朝向识别的目标检测方法及装置、设备及介质 | |
CN112101139B (zh) | 人形检测方法、装置、设备及存储介质 | |
CN114708616A (zh) | 一种避障方法、装置、设备及存储介质 | |
CN114419564A (zh) | 车辆位姿检测方法、装置、设备、介质及自动驾驶车辆 | |
CN112861711A (zh) | 区域入侵检测方法、装置、电子设备及存储介质 | |
CN112232124A (zh) | 人群态势分析方法、视频处理装置及具有存储功能的装置 |
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 |