CN111179343A - 目标检测方法、装置、计算机设备和存储介质 - Google Patents
目标检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111179343A CN111179343A CN201911323169.XA CN201911323169A CN111179343A CN 111179343 A CN111179343 A CN 111179343A CN 201911323169 A CN201911323169 A CN 201911323169A CN 111179343 A CN111179343 A CN 111179343A
- Authority
- CN
- China
- Prior art keywords
- detection
- previous
- image
- target
- frame image
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 444
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000004044 response Effects 0.000 claims description 132
- 238000004590 computer program Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 15
- 238000013145 classification model Methods 0.000 claims description 13
- 230000000877 morphologic effect Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 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
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种目标检测方法、装置、计算机设备和存储介质。所述方法包括：获取前一帧图像中检测目标的位置，作为前一目标位置；提取所述前一帧图像中检测目标的图像特征，作为前一检测特征；根据所述前一目标位置和所述前一检测特征对当前帧图像进行跟踪，得到所述当前帧图像中的检测目标。采用本方法能够简化检测过程，提高了对整个视频中所述检测目标的检测速度，避免了检测延迟。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及一种目标检测方法、装置、计算机设备和存储介质。
背景技术
随着机器学习技术的发展，出现了机器学习目标检测技术，用于检测图像中的目标对象，被越来越多的应用于智能视频监视。
传统目标检测方法，是对视频中的每一帧图像进行全面检测，以检测得到目标对象。而全面检测涉及到的算法过程复杂，耗时久，对视频中的所有帧图像均进行全面检测，则会降低对整个视频目标检测的检测速度，导致监视延时。
发明内容
基于此，有必要针对上述技术问题，提供一种目标检测方法、装置、计算机设备和存储介质。
一方面，提供一种目标检测方法，所述方法包括：
获取前一帧图像中检测目标的位置，作为前一目标位置；
提取所述前一帧图像中检测目标的图像特征，作为前一检测特征；
根据所述前一目标位置和所述前一检测特征对当前帧图像进行跟踪，得到所述当前帧图像中的检测目标。
在其中一个实施例中，所述获取前一帧图像中检测目标的位置，作为前一目标位置，包括：
采用检测分类器获取所述前一帧图像中的所述检测目标；其中，所述检测分类器为根据检测目标样本和非检测目标样本训练得到的分类模型；
获取所述前一帧图像中的所述检测目标的中心点在所述前一帧图像中的坐标位置，作为所述前一目标位置。
在其中一个实施例中，在所述提取所述前一帧图像中检测目标的图像特征，作为前一检测特征，之前包括：
采用形态学操作对所述前一帧图像中的检测目标进行二次过滤，以确定所述前一帧图像中的检测目标。
在其中一个实施例中，所述根据所述前一目标位置和所述前一检测特征对当前帧图像进行跟踪，得到所述当前帧图像中的检测目标，包括：
获取所述当前帧图像中所述前一目标位置周围的至少两个第一待选区域；
提取每个所述第一待选区域的图像特征，得到至少两个第一待选特征；
根据每个所述第一待选特征和所述前一检测特征，获取每个所述第一待选特征对应的第一峰值响应值；其中，所述第一峰值响应值用于表征所述第一待选特征和所述前一检测特征的相似度，所述第一峰值响应值、所述第一待选特征和所述第一待选区域一一对应；
将最大的所述第一峰值响应值对应的所述第一待选区域中的图像，作为所述当前帧图像中的检测目标。
在其中一个实施例中，所述将最大的所述第一峰值响应值对应的所述第一待选区域，作为所述当前帧图像中的检测目标所在的区域，之前包括：
判断每个所述第一峰值响应值是否均小于第一预设阈值，
若所有所述第一峰值响应值均小于所述第一预设阈值，则执行所述获取前一帧图像中检测目标的位置，作为前一目标位置的步骤；
若至少一所述第一峰值响应值大于或等于所述第一预设阈值，则执行所述将最大的所述第一峰值响应值对应的所述第一待选区域，作为所述当前帧图像中的检测目标所在的区域的步骤，并根据当前帧图像的当前检测特征和下一帧图像的下一预测位置对下一帧图像进行跟踪，得到所述下一帧图像中的检测目标。
在其中一个实施例中，所述根据当前帧图像的当前检测特征和下一帧图像的下一预测位置对下一帧图像进行跟踪，得到所述下一帧图像中的检测目标所在的区域，包括：
提取所述当前帧图像中检测目标的图像特征，作为所述当前检测特征；
采用跟踪分类器获取所述下一帧图像中的预测检测目标；其中，所述跟踪分类器为根据所述第一待选区域训练得到的分类模型；
获取所述下一帧图像中所述预测检测目标的中心点的坐标位置，作为所述下一预测位置；
获取所述下一预测位置周围的至少两个第二待选区域；
提取每个所述第二待选区域的图像特征，得到至少两个第二待选特征；
根据每个所述第二待选特征和所述当前检测特征，获取每个所述第二待选特征对应的第二峰值响应值；其中，所述第二峰值响应值用于表征所述第二待选特征和所述当前检测特征的相似度，所述第二峰值响应值、所述第二待选特征和所述第二待选区域一一对应；
将最大的所述第二峰值响应值对应的所述第二待选区域，作为所述下一帧图像中检测目标所在的区域。
在其中一个实施例中，所述将最大的所述第二峰值响应值对应的所述第二待选区域，作为所述下一帧图像中检测目标所在的区域，之前包括：
判断每个所述第二峰值响应值是否均小于第二预设阈值，
若所有所述第二峰值响应值均小于所述第二预设阈值，则执行所述获取前一帧图像中检测目标的位置，作为前一目标位置的步骤；
若至少一所述第二峰值响应值大于或等于所述第二预设阈值，则执行所述将最大的所述第二峰值响应值对应的所述第二待选区域中的图像，作为所述下一帧图像中检测目标的步骤。
另一方面，还提供了一种目标检测装置，所述装置包括：
位置获取模块，用于获取前一帧图像中检测目标的位置，作为前一目标位置；
特征提取模块，提取所述前一帧图像中检测目标的图像特征，作为前一检测特征；
目标跟踪模块，根据所述前一目标位置和所述前一检测特征对当前帧图像进行跟踪，得到所述当前帧图像中的检测目标。
另一方面，还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取前一帧图像中检测目标的位置，作为前一目标位置；
提取所述前一帧图像中检测目标的图像特征，作为前一检测特征；
根据所述前一目标位置和所述前一检测特征对当前帧图像进行跟踪，得到所述当前帧图像中的检测目标。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取前一帧图像中检测目标的位置，作为前一目标位置；
提取所述前一帧图像中检测目标的图像特征，作为前一检测特征；
根据所述前一目标位置和所述前一检测特征对当前帧图像进行跟踪，得到所述当前帧图像中的检测目标。
上述目标检测方法、装置、计算机设备和存储介质，所述目标检测方法包括获取前一帧图像中所述检测目标的位置，作为所述前一目标位置，实现对视频中所述前一帧图像中所述检测目标的检测，再提取所述前一帧图像中检测目标的图像特征，作为所述前一检测特征，并根据所述前一目标位置和所述前一检测特征对所述当前帧图像进行跟踪，得到所述当前帧图像中的检测目标，实现对视频中所述前一帧图像的后一帧图像，即所述当前帧图像的跟踪式检测。由于直接检测需要对每一帧进行全区域检测，过程复杂，速度慢，对视频中的每一帧图像均进行全区域检测会大大降低整体的检测速率，造成检测延迟，而采用对当前帧图像的前一帧图像进行检测，再以所述前一帧图像检测得到检测结果为依据进行跟踪式检测，所述跟踪式检测是以上一帧检测结果为依据的，无需重新进行全面检测，因此简化了检测过程，提高了对整个视频中所述检测目标的检测速度，避免了检测延迟。
附图说明
图1为一个实施例中目标检测方法的流程示意图；
图2为一个实施例中S110的流程示意图；
图3为一个实施例中S130的流程示意图；
图4为另一个实施例中目标检测方法的流程示意图；
图5为一个实施例中目标检测装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的目标检测方法，可以应用于智能视频监控系统。所述智能视频监控系统通过本申请提供的目标检测方法检测得到视频序列中的目标对象，并对运动的目标对象进行跟踪，进一步对目标行为进行分析，检测出异常行为片段，识别异常行为类别，从而实现对公共场所的安全防范。
在一个实施例中，如图1所示，提供了一种目标检测方法，包括以下步骤：
S110、获取前一帧图像中检测目标的位置，作为前一目标位置。
其中，所述前一帧图像可以是计算机设备直接获取的或接收其他视频采集装置所采集到的监测视频中的第一帧图像或中间某一帧图像，所述计算机设备中的所述检测目标可以是人或车，也可以是其他目标对象。
具体地，计算机设备可通过支持向量机(Support Vector Machine，SVM)检测得到所述前一帧图像中的检测目标，获取所述检测目标在所述前一帧图像中的位置坐标，作为所述前一目标位置。
S120、提取所述前一帧图像中检测目标的图像特征，作为前一检测特征。
其中，所述图像特征用于表征所述检测目标的图像信息，例如轮廓、颜色、纹理等。
具体地，计算机设备可根据梯度方向直方图(histogram of oriented gradient，HOG)特征提取的方式提取所述前一帧图像中所述检测目标的图像特征，作为所述前一检测特征。
S130、根据所述前一目标位置和所述前一检测特征对当前帧图像进行跟踪，得到所述当前帧图像中的检测目标。
其中，所述当前帧图像即为所述前一帧图像之后的一帧图像。
具体地，计算机设备以所述前一帧图像得到的所述前一目标位置对所述当前帧图像中所述目标位置可能出现的区域进行预测，结合所述当前帧图像中目标位置可能出现的区域的图像特征与所述前一帧图像的所述前一检测特征之间的相似度关系，得到所述目标位置最可能出现的区域，作为所述当前帧图像中所述目标位置出现的区域，并将该区域内的图像作为所述当前帧图像中的检测目标。
本实施例中，对视频中检测目标的检测，包括直接获取前一帧图像中所述检测目标的位置，作为所述前一目标位置，实现对视频中所述前一帧图像中所述检测目标的检测，再提取所述前一帧图像中检测目标的图像特征，作为所述前一检测特征，并根据所述前一目标位置和所述前一检测特征对所述当前帧图像进行跟踪，得到所述当前帧图像中的检测目标，实现对视频中所述前一帧图像的后一帧图像，即所述当前帧图像的跟踪式检测。由于直接检测需要对每一帧进行全区域检测，过程复杂，速度慢，对视频中的每一帧图像均进行全区域检测会大大降低整体的检测速率，造成检测延迟，而采用对当前帧图像的前一帧图像进行检测，再以所述前一帧图像检测得到检测结果为依据进行跟踪式检测，所述跟踪式检测是以上一帧检测结果为依据的，无需重新进行全面检测，因此简化了检测过程，提高了对整个视频中所述检测目标的检测速度，避免了检测延迟。
在另一个实施例中，如图2所示，所述S110、获取前一帧图像中检测目标的位置，作为前一目标位置，包括：
S210、采用检测分类器获取所述前一帧图像中的所述检测目标。
其中，所述检测分类器为根据检测目标样本和非检测目标样本训练得到的分类模型。所述检测目标样本为包括所述检测目标的图片，即正样本，如人，所述非检测目标样本为不包括所述检测目标的图片，即负样本，如人周围的树木、马路等。
具体地，计算机设备采用预先通过所述正样本和所述负样本训练好的所述检测分类器获取所述前一帧图像中的所述检测目标，所述前一帧图像中的所述检测目标可以包括多个。
S220、获取所述前一帧图像中的所述检测目标的中心点在所述前一帧图像中的坐标位置，作为所述前一目标位置。
其中，所述检测目标的中心点可以所述检测分类器检测出所述检测目标时的目标框的几何中心点，也可以是所述检测目标的像素中心点。
具体地，计算机设备将检测出的所述检测目标的目标框的几何中心点在所述前一帧图像中的位置坐标，作为所述前一目标位置；计算机设备也可将所述检测目标的像素中心点在所述前一帧图像中的位置坐标，作为所述前一目标位置。
本实施例中，计算机设备根据检测目标的类别针对性训练得到所述检测分类器，以此检测得到视频中某一帧图像中的所述检测目标，并进一步将所述前一帧图像中的所述检测目标中心点的坐标位置作为所述前一目标位置。其中，对所述检测分类器的训练具体采用了正样本和负样本，不仅可以检测出所述检测目标，也可以检测出所述非检测目标，以此提高了所述检测分类器的分类准确性，从根本上提高了对所述检测目标检测的准确性。
在另一个实施例中，在所述S120、提取所述前一帧图像中检测目标的图像特征，作为前一检测特征，之前包括：
采用形态学操作对所述前一帧图像中的检测目标进行二次过滤，以确定所述前一帧图像中的检测目标。
其中，所述形态学操作是用具有一定形态的结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的。所述形态学操作的基本运算有四个：腐蚀、膨胀、开和闭。基于这些基本运算还可以推导和组合成各种形态学实用算法。一般情况下，所述形态学操作是针对二值图像和灰度图像进行的。
具体地，计算机设备预先对所述前一帧图像进行二值化或灰度化的预处理，再根据所述检测目标的形态结构对所述前一帧图像进行所述形态学操作，对所述前一帧图像中的检测目标进行二次过滤，进一步准确确定所述前一帧图像中的检测目标。
本实施例中，采用形态学操作对所述检测目标进行二次过滤，以过滤掉虚警目标，使得到所述检目标更为准确，从而进一步提高目标检测的准确率。
在另一个实施例中，如图3所示，所述S130、根据所述前一目标位置和所述前一检测特征对当前帧图像进行跟踪，得到所述当前帧图像中的检测目标，包括：
S310、获取所述当前帧图像中所述前一目标位置周围的至少两个第一待选区域。
其中，所述第一待选区域为所述当前帧图像中可能出现所述检测目标的区域。
具体地，计算机设备在所述当前帧图像中，以所述当前帧图像中的所述前一目标位置为环绕中心，获取预设尺度的至少两区域，作为所述第一待选区域。
S320、提取每个所述第一待选区域的图像特征，得到至少两个第一待选特征。
其中，所述第一待选特征用于表征所述第一待选区域中图像的图像特征。
具体地，计算机设备可根据梯度方向直方图(histogram of oriented gradient，HOG)特征提取的方式提取每一个所述第一待选区域的图像特征，得到每个第一待选区域的所述第一待选特征。
S330、根据每个所述第一待选特征和所述前一检测特征，获取每个所述第一待选特征对应的第一峰值响应值。
其中，所述第一峰值响应值用于表征所述第一待选特征和所述前一检测特征的相似度，所述第一峰值响应值、所述第一待选特征和所述第一待选区域一一对应。
具体地，计算机设备根据所述前一检测特征分别与每一所述第一待选特征得到对应的第一峰值响应值。所述第一待选特征包括至少两个，则对应地所述第一峰值响应值也包括至少两个。所述第一峰值响应值越大，则表明所述第一待选特征与所述前一检测特征的相似度越大，反之，所述第一峰值响应值越小则表明所述第一待选特征与所述前一检测特征的相似度越小。
S340、将最大的所述第一峰值响应值对应的所述第一待选区域中的图像，作为所述当前帧图像中的检测目标。
其中，所述当前帧图像中的图像可以是完整的所述检测目标的图像，也可以是所述检测目标的某一部分图像。
具体地，计算机设备比较至少两个所述第一峰值响应值，获取最大的所述第一峰值响应值对应的所述第一待选区域，并将该第一待选区域内的图像作为所述当前帧图像中的检测目标。
本实施例中，在所述当前帧图像中，通过环绕所述前一目标位置，以在所所述前一目标位置周围，按照所述预设尺度获取所述当前帧图像中至少两所述第一待选区域，作为所述检测目标在所述当前帧图像中可能出现的区域，再进一步根据所述第一待选区域的第一待选特征与所述前一检测特征之间的第一峰值响应值得到与所述前一检测特征相似度最高的所述第一待选区域，以确定所述当前帧图像中的所述检测目标。这种以前一帧得到的位置最为后一帧的依据确定待选区域，再从待选区域中得到所述检测目标所在区域的跟踪式检测方式，避免了单纯检测需要对每帧图像中所有区域进行检测，以跟踪式检测代替全区域检测，减少了检测的运算量，提高了检测效率。
在另一个实施例中，所述S340、将最大的所述第一峰值响应值对应的所述第一待选区域，作为所述当前帧图像中的检测目标所在的区域，之前包括：
判断每个所述第一峰值响应值是否均小于第一预设阈值。
其中，所述第一预设阈值为预先设定所述第一待选特征和所述前一检测特征的相似度下限。
若所有所述第一峰值响应值均小于所述第一预设阈值，则执行所述获取前一帧图像中检测目标的位置，作为前一目标位置的步骤。
若至少一所述第一峰值响应值大于或等于所述第一预设阈值，则执行所述将最大的所述第一峰值响应值对应的所述第一待选区域，作为所述当前帧图像中的检测目标所在的区域的步骤，并根据当前帧图像的当前检测特征和下一帧图像的下一预测位置对下一帧图像进行跟踪，得到所述下一帧图像中的检测目标所在的区域。
具体地，计算机设备将所有所述第一峰值响应值与所述第一预设阈值进行比较。若所有所述第一峰值响应值均小于所述第一预设阈值，即所有所述第一待选特征与所述前一帧检测特征的相似度低于所述相似度下限，则认为所有所述第一待选区域中的图像与所述前一帧图像中的检测目标并不相同或并不相似，即所有所述第一待选区域中均没有所述检测目标，则跟踪失效，然后可以执行所述S110，重新对图像进行全区域检测。若至少一所述第一峰值响应值大于所述第一预设阈值，即至少一所述第一待选特征与所述前一帧检测特征的相似度高于所述相似度下限，则认为存在所述第一待选区域中的图像与所述前一帧图像中的检测目标相同或相似，即存在所述第一待选区域中包括所述检测目标，则跟踪有效，然后可以执行所述S340，并继续进行所述跟踪式检测，具体包括根据当前帧图像的当前检测特征和下一帧图像的下一预测位置对下一帧图像进行跟踪，得到所述下一帧图像中的检测目标。
本实施例中，计算机设备通过判断每个所述第一峰值响应值与所述第一预设阈值的大小关系，以确保所述跟踪式检测的准确率，避免错误跟踪。当所有所述第一峰值响应值均小于所述第一预设阈值，则跟踪失效，需重新进行全区域检测，以重新确认所述检测目标，及时纠正错误跟踪，提高所述目标检测的精确度；当至少一所述第一峰值响应值大于所述第一预设阈值，则跟踪有效，则继续所述跟踪式检测，以减少检测运算区域，提高检测效率。
另一实施例中，如图4所示，所述根据当前帧图像的当前检测特征和下一帧图像的下一预测位置对下一帧图像进行跟踪，得到所述下一帧图像中的检测目标，包括：
S410、提取所述当前帧图像中检测目标的图像特征，作为所述当前检测特征。
具体地，计算机设备可根据梯度方向直方图(histogram of oriented gradient，HOG)特征提取的方式提取所述当前帧图像中所述检测目标的图像特征，作为所述当前检测特征。
S420、采用跟踪分类器获取所述下一帧图像中的预测检测目标。
其中，所述跟踪分类器为根据所述第一待选区域训练得到的分类模型。所述跟踪分类器同样为根据所述检测目标样本和所述非检测目标样本训练得到的分类模型。这里所述检测目标样本即为所述第一待选特征与所述前一帧检测特征相似度最高的所述第一待选区域的图片，所述非检测目标样本即为其余所述第一待选区域的图片。所述预测检测目标为根据所述跟踪分类器得到的所述下一帧图像中的所述检测目标，而所述跟踪分类器是根据所述当前帧图像得到的。
具体地，计算机设备采用预先通过所述正样本和所述负样本训练好的所述跟踪分类器获取所述当前帧图像中的所述预测检测目标，所述当前帧图像中的所述预测检测目标可以包括一个或多个目标对象。
S430、获取所述下一帧图像中所述预测检测目标的中心点的坐标位置，作为所述下一预测位置。
其中，所述检测目标的中心点可以是所述跟踪分类器检测出所述预测检测目标时的目标框的几何中心点，也可以是所述预测检测目标的像素中心点。
具体地，计算机设备将根据检测出所述预测检测目标的目标框的几何中心点在所述下一帧图像中的位置坐标，作为所述下一预测位置；计算机设备也可以将所述检测目标的像素中心点在所述下一帧图像中的位置坐标，作为所述下一预测位置。
S440、获取所述下一帧图像中所述下一预测位置周围的至少两个第二待选区域。
其中，所述第二待选区域为所述下一帧图像中可能出现所述检测目标的区域。
具体地，计算机设备在所述下一帧图像中，以所述下一帧图像中的所述下一预测位置为环绕中心，获取预设尺度的至少两区域，作为所述第二待选区域。
S450、提取每个所述第二待选区域的图像特征，得到至少两个第二待选特征。
其中，所述第二待选特征用于表征所述第二待选区域中图像的图像特征。
具体地，计算机设备可根据梯度方向直方图(histogram of oriented gradient，HOG)特征提取的方式提取每一个所述第二待选区域的图像特征，作为每个所述第二待选区域的所述第二待选特征。
S460、根据每个所述第二待选特征和所述当前检测特征，获取每个所述第二待选特征对应的第二峰值响应值。
其中，所述第二峰值响应值用于表征所述第二待选特征和所述当前检测特征的相似度，所述第二峰值响应值、所述第二待选特征和所述第二待选区域一一对应。
其中，所述第一峰值响应值用于表征所述第一待选特征和所述前一检测特征的相似度，所述第一峰值响应值、所述第一待选特征和所述第一待选区域一一对应。
具体地，计算机设备根据所述当前检测特征分别与每一所述第二待选特征得到对应的第二峰值响应值。所述第二待选特征包括至少两个，则对应地所述第二峰值响应值也包括至少两个。所述第二峰值响应值越大，则表明所述第二待选特征与所述当前检测特征的相似度越大，反之，所述第二峰值响应值越小则表明所述第二待选特征与所述当前检测特征的相似度越小。
S470、将最大的所述第二峰值响应值对应的所述第二待选区域，作为所述下一帧图像中检测目标所在的区域。
其中，所述前一帧图像中的检测目标可能是完整的所述检测目标，也可能是所述检测目标的某一部分。
具体地，计算机设备比较至少两个所述第二峰值响应值，获取最大的所述第二峰值响应值对应的所述第二待选区域，并将该第二待选区域内的图像作为所述下一帧图像中的检测目标。
本实施例中，对于所述跟踪式检测得到的图像，继续进行所述跟踪式检测，以所述跟踪式检测代替全区域检测，达到降低检测运算，提高检测效率的效果。
在另一个实施例中，所述S470、将最大的所述第二峰值响应值对应的所述第二待选区域，作为所述下一帧图像中检测目标所在的区域，之前包括：
判断每个所述第二峰值响应值是否均小于第二预设阈值。
其中，所述第二预设阈值为预先设定所述第二待选特征和所述当前检测特征的相似度下限。
若所有所述第二峰值响应值均小于所述第二预设阈值，则执行所述获取前一帧图像中检测目标的位置，作为前一目标位置的步骤。
若至少一所述第二峰值响应值大于或等于所述预设阈值，则执行所述将最大的所述第二峰值响应值对应的所述第二待选区域中的图像，作为所述下一帧图像中的检测目标的步骤。
具体地，计算机设备将所有所述第二峰值响应值与所述第二预设阈值进行比较。若所有所述第二峰值响应值均小于所述第二预设阈值，即所有所述第二待选特征与所述当前帧检测特征的相似度低于所述相似度下限，则认为所有所述第二待选区域中的图像与所述前一帧图像中的检测目标并不相同或并不相似，即所有所述第二待选区域中均没有所述检测目标，则跟踪失效，然后可以执行所述S110，重新对图像进行全区域检测。若至少一所述第二峰值响应值大于所述第二预设阈值，即至少一所述第二待选特征与所述当前帧检测特征的相似度高于所述相似度下限，则认为存在所述第二待选区域中的图像与所述当前帧图像中的检测目标相同或相似，即存在所述第二待选区域中包括所述检测目标，则跟踪有效，然后可以执行所述S470，持续对后续帧图像进行所述跟踪式检测。
本实施例中，整个视频的目标检测过程为对图像全区域检测和跟踪式检测的交替进行，所述全区域检测以确保所述目标检测的准确性，所述跟踪式检测以确保所述目标检测的高效性，所述全区域检测和跟踪式检测的交替进行兼顾了所述目标检测的准确和高效性。
应该理解的是，虽然图1-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种目标检测装置，所述目标检测装置500包括：位置获取模块510、特征提取模块520和目标跟踪模块530，其中：
所述位置获取模块510用于获取前一帧图像中检测目标的位置，作为前一目标位置；
所述特征提取模块520提取所述前一帧图像中检测目标的图像特征，作为前一检测特征；
所述目标跟踪模块530用于根据所述前一目标位置和所述前一检测特征对当前帧图像进行跟踪，得到所述当前帧图像中的检测目标。
在其中一个实施例中，所述目标检测装置500还用于：
采用检测分类器获取所述前一帧图像中的所述检测目标；其中，所述检测分类器为根据检测目标样本和非检测目标样本训练得到的分类模型；
获取所述前一帧图像中的所述检测目标的中心点在所述前一帧图像中的坐标位置，作为所述前一目标位置。
在其中一个实施例中，所述目标检测装置还用于：
在所述提取所述前一帧图像中检测目标的图像特征，作为前一检测特征之前：
采用形态学操作对所述前一帧图像中的检测目标进行二次过滤，以确定所述前一帧图像中的检测目标。
在其中一个实施例中，所述目标检测装置还用于：
获取所述当前帧图像中所述前一目标位置周围的至少两个第一待选区域；
提取每个所述第一待选区域的图像特征，得到至少两个第一待选特征；
根据每个所述第一待选特征和所述前一检测特征，获取每个所述第一待选特征对应的第一峰值响应值；其中，所述第一峰值响应值用于表征所述第一待选特征和所述前一检测特征的相似度，所述第一峰值响应值、所述第一待选特征和所述第一待选区域一一对应；
将最大的所述第一峰值响应值对应的所述第一待选区域中的图像，作为所述当前帧图像中的检测目标。
在其中一个实施例中，所述目标检测装置还用于：
在所述将最大的所述第一峰值响应值对应的所述第一待选区域，作为所述当前帧图像中的检测目标所在的区域之前：
判断每个所述第一峰值响应值是否均小于第一预设阈值，
若所有所述第一峰值响应值均小于所述第一预设阈值，则执行所述获取前一帧图像中检测目标的位置，作为前一目标位置的步骤；
若至少一所述第一峰值响应值大于或等于所述第一预设阈值，则执行所述将最大的所述第一峰值响应值对应的所述第一待选区域，作为所述当前帧图像中的检测目标所在的区域的步骤，并根据当前帧图像的当前检测特征和下一帧图像的下一预测位置对下一帧图像进行跟踪，得到所述下一帧图像中的检测目标。
在其中一个实施例中，所述目标检测装置还用于：
提取所述当前帧图像中检测目标的图像特征，作为所述当前检测特征；
采用跟踪分类器获取所述下一帧图像中的预测检测目标；其中，所述跟踪分类器为根据所述第一待选区域训练得到的分类模型；
获取所述下一帧图像中所述预测检测目标的中心点的坐标位置，作为所述下一预测位置；
获取所述下一预测位置周围的至少两个第二待选区域；
提取每个所述第二待选区域的图像特征，得到至少两个第二待选特征；
根据每个所述第二待选特征和所述当前检测特征，获取每个所述第二待选特征对应的第二峰值响应值；其中，所述第二峰值响应值用于表征所述第二待选特征和所述当前检测特征的相似度，所述第二峰值响应值、所述第二待选特征和所述第二待选区域一一对应；
将最大的所述第二峰值响应值对应的所述第二待选区域，作为所述下一帧图像中检测目标所在的区域。
在其中一个实施例中，所述目标检测装置还用于：
在所述将最大的所述第二峰值响应值对应的所述第二待选区域，作为所述下一帧图像中检测目标所在的区域之前：
判断每个所述第二峰值响应值是否均小于第二预设阈值，
若所有所述第二峰值响应值均小于所述第二预设阈值，则执行所述获取前一帧图像中检测目标的位置，作为前一目标位置的步骤；
若至少一所述第二峰值响应值大于或等于所述第二预设阈值，则执行所述将最大的所述第二峰值响应值对应的所述第二待选区域中的图像，作为所述下一帧图像中检测目标的步骤。
关于目标检测装置的具体限定可以参见上文中对于目标检测方法的限定，在此不再赘述。上述目标检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种目标检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取前一帧图像中检测目标的位置，作为前一目标位置；
提取所述前一帧图像中检测目标的图像特征，作为前一检测特征；
根据所述前一目标位置和所述前一检测特征对当前帧图像进行跟踪，得到所述当前帧图像中的检测目标。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
所述获取前一帧图像中检测目标的位置，作为前一目标位置，包括：
采用检测分类器获取所述前一帧图像中的所述检测目标；其中，所述检测分类器为根据检测目标样本和非检测目标样本训练得到的分类模型；
获取所述前一帧图像中的所述检测目标的中心点在所述前一帧图像中的坐标位置，作为所述前一目标位置。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
在所述提取所述前一帧图像中检测目标的图像特征，作为前一检测特征，之前包括：
采用形态学操作对所述前一帧图像中的检测目标进行二次过滤，以确定所述前一帧图像中的检测目标。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
所述根据所述前一目标位置和所述前一检测特征对当前帧图像进行跟踪，得到所述当前帧图像中的检测目标，包括：
获取所述当前帧图像中所述前一目标位置周围的至少两个第一待选区域；
提取每个所述第一待选区域的图像特征，得到至少两个第一待选特征；
根据每个所述第一待选特征和所述前一检测特征，获取每个所述第一待选特征对应的第一峰值响应值；其中，所述第一峰值响应值用于表征所述第一待选特征和所述前一检测特征的相似度，所述第一峰值响应值、所述第一待选特征和所述第一待选区域一一对应；
将最大的所述第一峰值响应值对应的所述第一待选区域中的图像，作为所述当前帧图像中的检测目标。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
所述将最大的所述第一峰值响应值对应的所述第一待选区域，作为所述当前帧图像中的检测目标所在的区域，之前包括：
判断每个所述第一峰值响应值是否均小于第一预设阈值，
若所有所述第一峰值响应值均小于所述第一预设阈值，则执行所述获取前一帧图像中检测目标的位置，作为前一目标位置的步骤；
若至少一所述第一峰值响应值大于或等于所述第一预设阈值，则执行所述将最大的所述第一峰值响应值对应的所述第一待选区域，作为所述当前帧图像中的检测目标所在的区域的步骤，并根据当前帧图像的当前检测特征和下一帧图像的下一预测位置对下一帧图像进行跟踪，得到所述下一帧图像中的检测目标。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
所述根据当前帧图像的当前检测特征和下一帧图像的下一预测位置对下一帧图像进行跟踪，得到所述下一帧图像中的检测目标所在的区域，包括：
提取所述当前帧图像中检测目标的图像特征，作为所述当前检测特征；
采用跟踪分类器获取所述下一帧图像中的预测检测目标；其中，所述跟踪分类器为根据所述第一待选区域训练得到的分类模型；
获取所述下一帧图像中所述预测检测目标的中心点的坐标位置，作为所述下一预测位置；
获取所述下一预测位置周围的至少两个第二待选区域；
提取每个所述第二待选区域的图像特征，得到至少两个第二待选特征；
根据每个所述第二待选特征和所述当前检测特征，获取每个所述第二待选特征对应的第二峰值响应值；其中，所述第二峰值响应值用于表征所述第二待选特征和所述当前检测特征的相似度，所述第二峰值响应值、所述第二待选特征和所述第二待选区域一一对应；
将最大的所述第二峰值响应值对应的所述第二待选区域，作为所述下一帧图像中检测目标所在的区域。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
所述将最大的所述第二峰值响应值对应的所述第二待选区域，作为所述下一帧图像中检测目标所在的区域，之前包括：
判断每个所述第二峰值响应值是否均小于第二预设阈值，
若所有所述第二峰值响应值均小于所述第二预设阈值，则执行所述获取前一帧图像中检测目标的位置，作为前一目标位置的步骤；
若至少一所述第二峰值响应值大于或等于所述第二预设阈值，则执行所述将最大的所述第二峰值响应值对应的所述第二待选区域中的图像，作为所述下一帧图像中检测目标的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取前一帧图像中检测目标的位置，作为前一目标位置；
提取所述前一帧图像中检测目标的图像特征，作为前一检测特征；
根据所述前一目标位置和所述前一检测特征对当前帧图像进行跟踪，得到所述当前帧图像中的检测目标。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
所述获取前一帧图像中检测目标的位置，作为前一目标位置，包括：
采用检测分类器获取所述前一帧图像中的所述检测目标；其中，所述检测分类器为根据检测目标样本和非检测目标样本训练得到的分类模型；
获取所述前一帧图像中的所述检测目标的中心点在所述前一帧图像中的坐标位置，作为所述前一目标位置。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
在所述提取所述前一帧图像中检测目标的图像特征，作为前一检测特征，之前包括：
采用形态学操作对所述前一帧图像中的检测目标进行二次过滤，以确定所述前一帧图像中的检测目标。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
所述根据所述前一目标位置和所述前一检测特征对当前帧图像进行跟踪，得到所述当前帧图像中的检测目标，包括：
获取所述当前帧图像中所述前一目标位置周围的至少两个第一待选区域；
提取每个所述第一待选区域的图像特征，得到至少两个第一待选特征；
根据每个所述第一待选特征和所述前一检测特征，获取每个所述第一待选特征对应的第一峰值响应值；其中，所述第一峰值响应值用于表征所述第一待选特征和所述前一检测特征的相似度，所述第一峰值响应值、所述第一待选特征和所述第一待选区域一一对应；
将最大的所述第一峰值响应值对应的所述第一待选区域中的图像，作为所述当前帧图像中的检测目标。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
所述将最大的所述第一峰值响应值对应的所述第一待选区域，作为所述当前帧图像中的检测目标所在的区域，之前包括：
判断每个所述第一峰值响应值是否均小于第一预设阈值，
若所有所述第一峰值响应值均小于所述第一预设阈值，则执行所述获取前一帧图像中检测目标的位置，作为前一目标位置的步骤；
若至少一所述第一峰值响应值大于或等于所述第一预设阈值，则执行所述将最大的所述第一峰值响应值对应的所述第一待选区域，作为所述当前帧图像中的检测目标所在的区域的步骤，并根据当前帧图像的当前检测特征和下一帧图像的下一预测位置对下一帧图像进行跟踪，得到所述下一帧图像中的检测目标。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
所述根据当前帧图像的当前检测特征和下一帧图像的下一预测位置对下一帧图像进行跟踪，得到所述下一帧图像中的检测目标所在的区域，包括：
提取所述当前帧图像中检测目标的图像特征，作为所述当前检测特征；
采用跟踪分类器获取所述下一帧图像中的预测检测目标；其中，所述跟踪分类器为根据所述第一待选区域训练得到的分类模型；
获取所述下一帧图像中所述预测检测目标的中心点的坐标位置，作为所述下一预测位置；
获取所述下一预测位置周围的至少两个第二待选区域；
提取每个所述第二待选区域的图像特征，得到至少两个第二待选特征；
根据每个所述第二待选特征和所述当前检测特征，获取每个所述第二待选特征对应的第二峰值响应值；其中，所述第二峰值响应值用于表征所述第二待选特征和所述当前检测特征的相似度，所述第二峰值响应值、所述第二待选特征和所述第二待选区域一一对应；
将最大的所述第二峰值响应值对应的所述第二待选区域，作为所述下一帧图像中检测目标所在的区域。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
所述将最大的所述第二峰值响应值对应的所述第二待选区域，作为所述下一帧图像中检测目标所在的区域，之前包括：
判断每个所述第二峰值响应值是否均小于第二预设阈值，
若所有所述第二峰值响应值均小于所述第二预设阈值，则执行所述获取前一帧图像中检测目标的位置，作为前一目标位置的步骤；
若至少一所述第二峰值响应值大于或等于所述第二预设阈值，则执行所述将最大的所述第二峰值响应值对应的所述第二待选区域中的图像，作为所述下一帧图像中检测目标的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种目标检测方法，其特征在于，所述方法包括：
获取前一帧图像中检测目标的位置，作为前一目标位置；
提取所述前一帧图像中检测目标的图像特征，作为前一检测特征；
根据所述前一目标位置和所述前一检测特征对当前帧图像进行跟踪，得到所述当前帧图像中的检测目标。
2.根据权利要求1所述的方法，其特征在于，所述获取前一帧图像中检测目标的位置，作为前一目标位置，包括：
采用检测分类器获取所述前一帧图像中的所述检测目标；其中，所述检测分类器为根据检测目标样本和非检测目标样本训练得到的分类模型；
获取所述前一帧图像中的所述检测目标的中心点在所述前一帧图像中的坐标位置，作为所述前一目标位置。
3.根据权利要求1所述的方法，其特征在于，在所述提取所述前一帧图像中检测目标的图像特征，作为前一检测特征，之前包括：
采用形态学操作对所述前一帧图像中的检测目标进行二次过滤，以确定所述前一帧图像中的检测目标。
4.根据权利要求1所述的方法，其特征在于，所述根据所述前一目标位置和所述前一检测特征对当前帧图像进行跟踪，得到所述当前帧图像中的检测目标，包括：
获取所述当前帧图像中所述前一目标位置周围的至少两个第一待选区域；
提取每个所述第一待选区域的图像特征，得到至少两个第一待选特征；
根据每个所述第一待选特征和所述前一检测特征，获取每个所述第一待选特征对应的第一峰值响应值；其中，所述第一峰值响应值用于表征所述第一待选特征和所述前一检测特征的相似度，所述第一峰值响应值、所述第一待选特征和所述第一待选区域一一对应；
将最大的所述第一峰值响应值对应的所述第一待选区域中的图像，作为所述当前帧图像中的检测目标。
5.根据权利要求4所述的方法，其特征在于，所述将最大的所述第一峰值响应值对应的所述第一待选区域，作为所述当前帧图像中的检测目标所在的区域，之前包括：
判断每个所述第一峰值响应值是否均小于第一预设阈值，
若所有所述第一峰值响应值均小于所述第一预设阈值，则执行所述获取前一帧图像中检测目标的位置，作为前一目标位置的步骤；
若至少一所述第一峰值响应值大于或等于所述第一预设阈值，则执行所述将最大的所述第一峰值响应值对应的所述第一待选区域，作为所述当前帧图像中的检测目标所在的区域的步骤，并根据当前帧图像的当前检测特征和下一帧图像的下一预测位置对下一帧图像进行跟踪，得到所述下一帧图像中的检测目标。
6.根据权利要求5所述的方法，其特征在于，所述根据当前帧图像的当前检测特征和下一帧图像的下一预测位置对下一帧图像进行跟踪，得到所述下一帧图像中的检测目标所在的区域，包括：
提取所述当前帧图像中检测目标的图像特征，作为所述当前检测特征；
采用跟踪分类器获取所述下一帧图像中的预测检测目标；其中，所述跟踪分类器为根据所述第一待选区域训练得到的分类模型；
获取所述下一帧图像中所述预测检测目标的中心点的坐标位置，作为所述下一预测位置；
获取所述下一预测位置周围的至少两个第二待选区域；
提取每个所述第二待选区域的图像特征，得到至少两个第二待选特征；
根据每个所述第二待选特征和所述当前检测特征，获取每个所述第二待选特征对应的第二峰值响应值；其中，所述第二峰值响应值用于表征所述第二待选特征和所述当前检测特征的相似度，所述第二峰值响应值、所述第二待选特征和所述第二待选区域一一对应；
将最大的所述第二峰值响应值对应的所述第二待选区域，作为所述下一帧图像中检测目标所在的区域。
7.根据权利要求6所述的方法，其特征在于，所述将最大的所述第二峰值响应值对应的所述第二待选区域，作为所述下一帧图像中检测目标所在的区域，之前包括：
判断每个所述第二峰值响应值是否均小于第二预设阈值，
若所有所述第二峰值响应值均小于所述第二预设阈值，则执行所述获取前一帧图像中检测目标的位置，作为前一目标位置的步骤；
若至少一所述第二峰值响应值大于或等于所述第二预设阈值，则执行所述将最大的所述第二峰值响应值对应的所述第二待选区域中的图像，作为所述下一帧图像中检测目标的步骤。
8.一种目标检测装置，其特征在于，所述装置包括：
位置获取模块，用于获取前一帧图像中检测目标的位置，作为前一目标位置；
特征提取模块，提取所述前一帧图像中检测目标的图像特征，作为前一检测特征；
目标跟踪模块，根据所述前一目标位置和所述前一检测特征对当前帧图像进行跟踪，得到所述当前帧图像中的检测目标。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一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7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911323169.XA CN111179343B (zh) | 2019-12-20 | 2019-12-20 | 目标检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911323169.XA CN111179343B (zh) | 2019-12-20 | 2019-12-20 | 目标检测方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111179343A true CN111179343A (zh) | 2020-05-19 |
| CN111179343B CN111179343B (zh) | 2024-03-19 |
Family
ID=70653919
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911323169.XA Active CN111179343B (zh) | 2019-12-20 | 2019-12-20 | 目标检测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111179343B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111612827A (zh) * | 2020-05-21 | 2020-09-01 | 广州海格通信集团股份有限公司 | 基于多摄像头的目标位置确定方法、装置和计算机设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108694724A (zh) * | 2018-05-11 | 2018-10-23 | 西安天和防务技术股份有限公司 | 一种长时间目标跟踪方法 |
| WO2019129255A1 (zh) * | 2017-12-29 | 2019-07-04 | 华为技术有限公司 | 一种目标跟踪方法及装置 |
| CN110490902A (zh) * | 2019-08-02 | 2019-11-22 | 西安天和防务技术股份有限公司 | 应用于智慧城市的目标跟踪方法、装置、计算机设备 |
| CN110517296A (zh) * | 2018-05-21 | 2019-11-29 | 北京京东尚科信息技术有限公司 | 目标跟踪方法、装置、存储介质及电子设备 |
-
2019
- 2019-12-20 CN CN201911323169.XA patent/CN111179343B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019129255A1 (zh) * | 2017-12-29 | 2019-07-04 | 华为技术有限公司 | 一种目标跟踪方法及装置 |
| CN108694724A (zh) * | 2018-05-11 | 2018-10-23 | 西安天和防务技术股份有限公司 | 一种长时间目标跟踪方法 |
| CN110517296A (zh) * | 2018-05-21 | 2019-11-29 | 北京京东尚科信息技术有限公司 | 目标跟踪方法、装置、存储介质及电子设备 |
| CN110490902A (zh) * | 2019-08-02 | 2019-11-22 | 西安天和防务技术股份有限公司 | 应用于智慧城市的目标跟踪方法、装置、计算机设备 |
Non-Patent Citations (1)
| Title |
|---|
| 郑江滨,张艳宁,冯大淦,赵荣椿: "视频监视中运动目标的检测与跟踪算法" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111612827A (zh) * | 2020-05-21 | 2020-09-01 | 广州海格通信集团股份有限公司 | 基于多摄像头的目标位置确定方法、装置和计算机设备 |
| CN111612827B (zh) * | 2020-05-21 | 2023-12-15 | 广州海格通信集团股份有限公司 | 基于多摄像头的目标位置确定方法、装置和计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111179343B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10192107B2 (en) | Object detection method and object detection apparatus | |
| CN109035299B (zh) | 目标跟踪方法、装置、计算机设备及存储介质 | |
| CN109325964B (zh) | 一种人脸追踪方法、装置及终端 | |
| CN108446585B (zh) | 目标跟踪方法、装置、计算机设备和存储介质 | |
| CN111178245B (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
| CN110490902B (zh) | 应用于智慧城市的目标跟踪方法、装置、计算机设备 | |
| WO2019033572A1 (zh) | 人脸遮挡检测方法、装置及存储介质 | |
| CN111950329A (zh) | 目标检测及模型训练方法、装置、计算机设备和存储介质 | |
| CN110852285A (zh) | 对象检测方法、装置、计算机设备和存储介质 | |
| CN111191533B (zh) | 行人重识别的处理方法、装置、计算机设备和存储介质 | |
| CN110781859B (zh) | 图像标注方法、装置、计算机设备和存储介质 | |
| US11321945B2 (en) | Video blocking region selection method and apparatus, electronic device, and system | |
| US20170262723A1 (en) | Method and system for detection and classification of license plates | |
| CN112560796B (zh) | 人体姿态实时检测方法、装置、计算机设备及存储介质 | |
| CN109903272B (zh) | 目标检测方法、装置、设备、计算机设备和存储介质 | |
| CN111126208B (zh) | 行人归档方法、装置、计算机设备及存储介质 | |
| CN110991261A (zh) | 交互行为识别方法、装置、计算机设备和存储介质 | |
| KR20140028809A (ko) | 이미지 피라미드의 적응적 이미지 처리 장치 및 방법 | |
| CN111079621B (zh) | 检测对象的方法、装置、电子设备和存储介质 | |
| CN111508006A (zh) | 一种基于深度学习的运动目标同步检测、识别与跟踪方法 | |
| Li et al. | Coarse-to-fine salient object detection based on deep convolutional neural networks | |
| CN111179343B (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
| CN110516559B (zh) | 适用于精准监控的目标跟踪方法及装置、计算机设备 | |
| JP6852791B2 (ja) | 情報処理装置、制御方法、及びプログラム | |
| CN113870223A (zh) | 设备屏幕漏液检测方法及装置 |
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 |