CN111242128B - 目标检测方法、装置、计算机可读存储介质和计算机设备 - Google Patents
目标检测方法、装置、计算机可读存储介质和计算机设备 Download PDFInfo
- Publication number
- CN111242128B CN111242128B CN201911421190.3A CN201911421190A CN111242128B CN 111242128 B CN111242128 B CN 111242128B CN 201911421190 A CN201911421190 A CN 201911421190A CN 111242128 B CN111242128 B CN 111242128B
- Authority
- CN
- China
- Prior art keywords
- target
- image
- differential image
- image block
- block
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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)
- Image Processing (AREA)
Abstract
本申请涉及一种目标检测方法、装置、计算机可读存储介质和计算机设备,所述方法包括:获取由监控器采集的目标图像;按照指定栅格尺寸依次对所述目标图像和指定帧图像进行区域划分,分别得到各栅格区域内的目标图像块和对应的指定帧图像块;对所述目标图像块和对应的指定帧图像块分别进行差分,得到差分图像块;计算各所述差分图像块的图像活跃度;从所述差分图像块中按照所述图像活跃度提取目标差分图像块;对所提取的目标差分图像块进行目标检测,得到目标对象的热力图;将所述热力图与所述目标图像进行叠加并输出显示。本申请提供的方案可以提高目标检测的准确率。
Description
技术领域
本申请涉及目标检测技术领域,特别是涉及一种目标检测方法、装置、计算机可读存储介质和计算机设备。
背景技术
目标检测是计算机视觉领域中一个基础性的研究课题,其在人脸识别、安全监控以及动态追踪等很多方面都有广泛的应用前景。在目标检测中,通常会采用神经网络模型来进行目标检测,神经网络模型是一种大规模、多参数优化的工具,能够学习出数据中难以总结的隐藏特征,从而目标检测的任务。
传统方案中,在利用神经网络进行目标检测时,首先会将原图像压缩成神经网络模型能接受的规格,通常是几倍的压缩,这样造成很多关键信息的丢失,影响目标检测的准确率。
发明内容
基于此,有必要针对因压缩原图像丢失关键信息而影响目标检测的准确性的技术问题,提供一种目标检测方法、装置、计算机可读存储介质和计算机设备。
一种目标检测方法,包括:
获取由监控器采集的目标图像;
按照指定栅格尺寸依次对所述目标图像和指定帧图像进行区域划分,分别得到各栅格区域内的目标图像块和对应的指定帧图像块;
对所述目标图像块和对应的指定帧图像块分别进行差分,得到差分图像块;
计算各所述差分图像块的图像活跃度;
从所述差分图像块中按照所述图像活跃度提取目标差分图像块;
对所提取的目标差分图像块进行目标检测,得到目标对象的热力图;
将所述热力图与所述目标图像进行叠加并输出显示。
一种目标检测装置,所述装置包括:
获取模块,用于获取由监控器采集的目标图像;
划分模块,用于按照指定栅格尺寸依次对所述目标图像和指定帧图像进行区域划分,分别得到各栅格区域内的目标图像块和对应的指定帧图像块;
差分模块,用于对所述目标图像块和对应的指定帧图像块分别进行差分,得到差分图像块;
计算模块,用于计算各所述差分图像块的图像活跃度;
提取模块,用于从所述差分图像块中按照所述图像活跃度提取目标差分图像块;
检测模块,用于对所提取的目标差分图像块进行目标检测,得到目标对象的热力图;
输出模块,用于将所述热力图与所述目标图像进行叠加并输出显示。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行所述目标检测方法的步骤。
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,所述计算机程序被所述处理器执行时,使得所述处理器执行所述目标检测方法的步骤。
上述目标检测方法、装置、计算机可读存储介质和计算机设备,获取由监控器采集的目标图像;按照指定栅格尺寸依次对目标图像和指定帧图像进行区域划分,分别得到各栅格区域内的目标图像块和对应的指定帧图像块;对目标图像块和对应的指定帧图像块分别进行差分,得到差分图像块;计算各差分图像块的图像活跃度;从差分图像块中按照图像活跃度提取目标差分图像块;因此只需对所提取的目标差分图像块进行目标检测,得到目标对象的热力图;将热力图与目标图像进行叠加并输出显示,由于无需对所获取的图像进行压缩,不会丢失关键信息,因此提高了目标检测的准确率。
附图说明
图1为一个实施例中目标检测方法的应用环境图;
图2为一个实施例中目标检测方法的流程示意图;
图3为一个实施例中对目标图像划分栅格区域的示意图;
图4(a)为一个实施例中对目标图像进行差分前的示意图;
图4(b)为一个实施例中对目标图像进行差分后的示意图;
图5为一个实施例中像素块中运动目标点的示意图;
图6为一个实施例中根据像素块的图像活跃度计算差分图像块的图像活跃度的示意图;
图7为另一个实施例中像素块中运动目标点的示意图;
图8为一个实施例中目标图像中检测区域的示意图;
图9为另一个实施例中目标检测方法的流程示意图;
图10为一个实施例中目标检测装置的结构框图;
图11为另一个实施例中目标检测装置的结构框图;
图12为一个实施例中计算机设备的结构框图。
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,此处所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。
图1为一个实施例中目标检测方法的应用环境图。参照图1,该目标检测方法应用于目标检测系统。该目标检测系统包括终端110、服务器120和监控器130。终端110、服务器120和监控器130之间通过网络连接。目标检测方法可以应用于终端110,也可以应用于服务器120。当应用于服务器120时,服务器120获取由监控器130采集的目标图像;按照指定栅格尺寸依次对目标图像和指定帧图像进行区域划分,分别得到各栅格区域内的目标图像块和对应的指定帧图像块;对目标图像块和对应的指定帧图像块分别进行差分,得到差分图像块;计算各差分图像块的图像活跃度;从差分图像块中按照图像活跃度提取目标差分图像块;对所提取的目标差分图像块进行目标检测,得到目标对象的热力图;将热力图与目标图像进行叠加并输出至终端110进行显示。
当应用于终端110时,终端110获取由监控器130采集的图像;按照指定栅格尺寸依次对目标图像和指定帧图像进行区域划分,分别得到各栅格区域内的目标图像块和对应的指定帧图像块;对目标图像块和对应的指定帧图像块分别进行差分,得到差分图像块;计算各差分图像块的图像活跃度;从差分图像块中按照图像活跃度提取目标差分图像块;对所提取的目标差分图像块进行目标检测,得到目标对象的热力图;将热力图与目标图像进行叠加并输出显示。
终端110具体可以是台式终端或移动终端,移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。监控器130可以是摄像头或由摄像头组成的设备。
如图2所示,在一个实施例中,提供了一种目标检测方法。本实施例主要以该方法应用于上述图1中的终端110来举例说明。参照图2,该目标检测方法具体包括如下步骤:
S202,获取由监控器采集的目标图像。
在一个实施例中,监控器拍摄有目标对象的环境得到目标图像,然后将所拍摄的目标图像通过网络或数据线发送至服务器,从而服务器获得由监控器采集的图像。
在一个实施例中,监控器拍摄有目标对象环境得到视频,然后将所拍摄的视频通过网络或数据线发送至服务器,服务器在接收到视频后,对所接收的视频进行解码得到一系列的视频帧图像,然后从解码所得的视频帧图像中选取当前需要检测的图像作为目标图像,并且获取目标图像对应的上一帧图像,将该上一帧图像作为指定图像。
例如,若终端首次进行目标检测,则从解码所得的一系列视频帧图像中选取第二帧图像作为目标图像,将第一帧图像作为该目标图像的上一帧图像(即第一帧图像为指定帧图像),然后进行后续的目标检测;当对第二帧图像进行目标检测完成之后,将第三帧图像作为目标图像,将第二帧图像作为该目标图像的上一帧图像(即第二帧图像为指定帧图像),然后进行后续的目标检测,直至将所解码的所有图像完成目标检测为止。
例如,若终端为非首次进行目标检测,则从解码视频(如视频A)所得的一系列视频帧图像中选取第一帧图像作为目标图像,获取上一段视频(如视频B)解码所得的最后一帧图像,并将该最后一帧图像作为该目标图像的上一帧图像(即该最后一帧图像为指定帧图像),然后进行后续的目标检测;当对第该第一帧图像进行目标检测完成之后,将第二帧图像作为目标图像,将该第一帧图像作为该目标图像的上一帧图像(即该第一帧图像为指定帧图像),然后进行后续的目标检测,直至将视频(如视频A)解码所得的每个图像均完成目标检测为止。
在另一个实施例中,终端还可以将监控器拍摄无目标对象的环境所得的图像,作为指定图像。
S204,按照指定栅格尺寸依次对目标图像和指定帧图像进行区域划分,分别得到各栅格区域内的目标图像块和对应的指定帧图像块。
其中,上述的指定帧图像可以是目标图像的上一帧图像,也可以是监控器拍摄无目标对象时的环境所得的图像。上述的指定栅格尺寸可以是指栅格区域的尺寸,即栅格区域的宽度值和高度值,该宽度值和高度值可以相等,也可以不相等。
指定栅格尺寸可以是预设的栅格尺寸,也可以是计算出来的栅格尺寸。在一个实施例中,终端计算指定栅格尺寸的步骤,具体可以包括:终端首先确定目标图像的宽度值和高度值,然后对宽度值与高度值的比值(宽度值/宽度值)进行约分,得到宽度值和高度值的最简分数,然后将最简分数中的分子和分母分别作为栅格矩阵的行数和列数。其中,该栅格矩阵为栅格区域的矩阵。
例如,如图3所示,假设目标图像的分辨率为3840×2160,约分得出 则栅格矩阵横向有16个单元,纵向有9行单元,得出一个16×9的栅格矩阵,一共144个单元。因此,W/Wr=3840/16=240,则每个栅格区域中目标图像块和指定帧图像块的分辨率均为240×240。
在另一个实施例中,终端按照随机尺寸将目标图像划分为多个栅格区域,得到每个栅格区域内的目标图像块。然后,终端按照划分目标图像的方式,对指定帧图像进行相同的划分,得到每个栅格区域内的指定帧图像块。
S206,对目标图像块和对应的指定帧图像块分别进行差分,得到差分图像块。
其中,上述的差分可以是帧间差分。例如,由于因为监控器的位置固定,可根据帧间差分去除前景,从而判断差分图像块中的运动物体。上述的差分也可以是背景差分,由于监控器的位置固定,可根据视频的各帧图像中目标图像与背景图像之间的关系,判断物体是否运动。
在一个实施例中,S206具体可以包括:终端对目标图像块进行灰度转换,得到与该目标图像块对应的目标灰度图块;终端对指定帧图像块分别进行灰度转换,得到与该指定帧图像对应的指定帧灰度图块。终端对目标灰度图块和对应的指定帧灰度图块进行差分运算,得到差分图像块,即把目标灰度图块和对应的指定帧灰度图块中对应像素点的像素值相减,差分图像块。其中,终端可以通过判断差分图像块中各灰度差的绝对值,当绝对值超过一定阈值时,即可判断为运动目标。
作为一个示例,当指定帧图像为监控器拍摄无目标对象时的环境所得的图像时。如图4所示,图4(a)为目标图像,将目标图像划分为多个栅格区域,得到目标图像块a1、目标图像块a2、...、目标图像块an。将指定帧图像分别划分为指定帧图像块b1、指定帧图像块b2、...、指定帧图像块bn,然后将目标图像块a1、目标图像块a2、...、目标图像块an分别于指定帧图像块b1、指定帧图像块b2、...、指定帧图像块bn,分别得到差分图像块c1、c2、…、cn。将差分图像块c1、c2、…、cn进行拼接,便可得到与原始的目标图像尺寸相同的差分图像,如图4(b)所示。
在一个实施例中,终端还可以对所得的差分图像块依次进行二值化处理和膨胀处理,得到处理后的差分图像块。
例如,若对监控器采集的视频进行解析得到视频帧图像,令视频帧图像中第n帧图像fn为目标图像,令第n-1帧图像fn-1为指定帧图像,那么,当目标图像和指定帧图像两帧分别划分多个目标图像块和指定帧图像块时,目标图像块和指定帧图像块两帧对应像素点的像素值记为fn(x,y)和fn-1(x,y),按照如下计算式将目标图像块和指定帧图像块对应像素点的像素值进行相减,然后取绝对值,得到差分图像块Dn,将各个差分图像块Dn进行组合,即可得到整个目标图像和指定帧图像的差分图像:
Dn(x,y)=|fn(x,y)-fn-1(x,y)|
设定阈值T,按照如下计算式逐个对像素点进行二值化处理,得到二值化图像块Rn’。其中,像素值为255的点即为运动目标点,像素值为0的点即为背景点。
终端对二值化图像块Rn’进行膨胀处理,然后对膨胀处理的二值化图像块进行像素点腐蚀处理,得到所需的差分图像块。
S208,计算各差分图像块的图像活跃度。
其中,图像活跃度可以是差分图像块中像素点的活跃程度,例如,计算差分图像块中非零像素点(即运动目标点)占所有像素点的比值为50%(即0.5),则图像活跃度为50。
在一个实施例中,在各差分图像块中,重度分别计算像素点的像素值达到像素阈值时所对应的第一像素点个数;计算第一像素点个数与对应差分图像块的像素点总数之间的第一比值;根据第一比值确定对应差分图像块的图像活跃度。
例如,差分图像块中像素点的像素值为255或0,其中,像素值为255的像素点为运动目标点,计算运动目标点占差分图像块中所有像素点的百分比,假设该百分比为16.4%,则图像活跃度为16.4。
在一个实施例中,终端还可以将差分图像块划分为多个像素块,计算各像素块的图像活跃度,根据各像素块的图像活跃度计算差分图像块的图像活跃度。
具体地,终端分别将各差分图像块划分为多个像素块;在属于同一差分图像块的各像素块中,分别计算像素点的像素值达到像素阈值时所对应的第二像素点个数;根据各第二像素点个数与对应像素块的像素点总数之间的第二比值,确定对应像素块的图像活跃度;根据属于同一差分图像块中各像素块的图像活跃度,确定同一差分图像块的图像活跃度。
如图5所示,统计像素块(尺寸为15×15)中运动目标点的个数为n,计算运动目标点占像素块中所有像素点的百分比,即n/(15×15)=37/(15×15)=16.4%,因此该像素块的图像活跃度为16(去除了小数点),然后,将该像素块中的像素值均置为16,当该差分图像块中的所有像素块的图像活跃度计算出来后,可以得到差分图像块的图像活跃度,如图6所示。
又例如,在差分图像中,当某个像素块的图像活跃度大于或等于活跃度阈值时,将该像素块记为1,即表示该像素块为活跃的像素块,如此,可以得到差分图像块中所有活跃的像素块,如图7所示。根据差分图像块中活跃的像素块占所有像素块的比值,可以得到差分图像块的图像活跃度。
S210,从差分图像块中按照图像活跃度提取目标差分图像块。
其中,对于目标图像,其差分图像块的数量与目标图像的栅格区域的数量一致。对于指定帧图像,其差分图像块的数量与栅格区域的数量一致。目标差分图像块是图像活跃度满足预设条件的差分图像块,也即活跃区域。
在一个实施例中,终端以上一帧差分图像块为参考,在所有的差分图像块中提取图像活跃度满足预设条件的目标差分图像块。
在一个实施例中,S210之前,终端对差分图像块进行图像增强处理;对增强处理后的差分图像块进行边缘检测处理,得到边缘差分图像块;在边缘差分图像块中确定像素变化点;将像素变化点对应的像素值进行归一化处理,得到归一化的边缘差分图像块。S210具体可以包括:从归一化的边缘差分图像块中,提取图像活跃度满足预设条件的目标差分图像块。
在一个实施例中,终端可以采用直方图均衡化的方式对差分图像块进行图像增强处理,具体可以是终端利用图像直方图对差分图像块的对比度进行调整。
在另一个实施例中,终端还可以采用对数图像增强算法、指数图像增强算法、加Masaic算法、曝光过度问题处理、高反差保留、拉普拉斯算子图像增强或Gamma校正的方式,对差分图像块进行图像增强处理。
在一个实施例中,终端采用Sobel边缘检测算子、或Canny边缘检测算子、或二阶边缘检测算子、或Laplacian算子、或Marr-Hildreth算子、或Laplacian of Gaussian算子,对增强处理后的差分图像块进行边缘检测处理,得到边缘差分图像块。
在一个实施例中,终端将像素变化点对应的像素值与预设阈值进行对比,将小于预设阈值的像素值置为零,将大于或等于预设阈值的像素值置为一,得到归一化的边缘差分图像块。
在一个实施例中,终端以上一帧差分图像块为参考,在归一化的边缘差分图像块中提取图像活跃度满足预设条件的目标差分图像块。
S212,对所提取的目标差分图像块进行目标检测,得到目标对象的热力图。
在一个实施例中,S212之前,终端从所提取的目标差分图像块中获取互不相连的第一目标差分图像块,以及获取彼此存在相连的第二目标差分图像块;将彼此相连的第二目标差分图像块进行组合,得到组合差分图像块;S212具体可以包括:终端分别对第一目标差分图像块和组合差分图像块进行目标检测。
在一个实施例中,终端可以只对所提取的目标差分图像块进行目标检测,得到目标对象的热力图;对提取的目标差分图像块以及其相连的其它不活跃的差分图像块一起进行检测。具体地,终端可以设置多个检测框,利用该检测框将所提取的目标差分图像块以及其相连的不活跃的差分图像块进行框定,将该检测框的区域作为待检区域,将属于该检测框中的所有差分图像块进行目标检测,如图8所示。
在另一个实施例中,在差分图像中,终端将图像活跃度不满足预设条件的差分图像块进行降采样;将降采样所得的目标差分图像块与满足预设条件的目标差分图像块进行拼接,得到第二拼接图像;通过目标检测模型对第二拼接图像进行目标检测,得到目标对象的热力图。其中,对图像活跃度不满足预设条件的差分图像块进行降采样,通过低分辨率目标检测引擎对第二拼接图像进行目标检测,可以提高检测速度。
S214,将热力图与目标图像进行叠加并输出显示。
上述实施例中,获取由监控器采集的目标图像;按照指定栅格尺寸依次对目标图像和指定帧图像进行区域划分,分别得到各栅格区域内的目标图像块和对应的指定帧图像块;对目标图像块和对应的指定帧图像块分别进行差分,得到差分图像块;计算各差分图像块的图像活跃度;从差分图像块中按照图像活跃度提取目标差分图像块;因此只需对所提取的目标差分图像块进行目标检测,得到目标对象的热力图;将热力图与目标图像进行叠加并输出显示,由于无需对所获取的图像进行压缩,不会丢失关键信息,因此提高了目标检测的准确率。
作为一个示例,如图9所示,对输入的目标图像中运动物体进行实时检测,检测的步骤如下:
(1)将图像划分为64个栅格区域。
(2)将当前画面帧与先前帧进行差分,获取差分图像。
(3)对差分图像进行图像增强、边缘检测等一系列处理,获取像素变化点。并将像素变化点进行像素归一化处理。
(4)提取画面活跃度。即:监控画面中像素点运动活跃度。
(5)画面活跃度数据实时分析。实时分析画面中运动活跃区域。
若区域的活跃度达到一定的标准,即可判断区域存在运动物体,将该区域提取出来,作为运动物体识别跟踪系统的输入区域。跳转步骤(2)。
(6)按每天时间段对每个月中画面活跃度区域进行统计分析,对冷区域进行降采样操作,提高热区域检测效率。
(7)若有区域活跃度达到设定阈值。
(8)则通过(最小矩形算法)确定出检测区域。
(9)若过多子区域数量过多,则使用聚合算法进行区域聚合
检测区域初始化处理。合理处理运动物体监控系统中输入的检测区域。
若:①一帧图像中有多个检测区域,一下步骤进行合并融合:
A:将所有区域按照面积大小,从大到小排序
B:按照A中的排序顺序,依次找出于自己相交的区域
C:将相交的区域进行融合扩充,得到新的检测区域(新区域1:1,确保物体不产生形变,提高物体识别率)
D:重复A-C的步骤,直到获得的区域中任意两个区域都不相交为止
②一帧图像中只有一个检测区域:
A:将该区域进行扩充,得到新的检测区域(新区域1:1,确保物体不产生形变,提高物体识别率)
(10)把识别到的一个或多个区域通过目标低分辨率目标检测引擎进行检测。
(11)目标检测会在识别率低的情况下,动态融合多帧检测结果,减少误检概率。
图2为一个实施例中目标检测方法的流程示意图。应该理解的是,虽然图2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2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。
如图10所示,在一个实施例中,提供了一种目标检测装置,该装置包括:获取模块1002、划分模块1004、差分模块1006、计算模块1008、提取模块1010、检测模块1012和输出模块1014;其中:
获取模块1002,用于获取由监控器采集的目标图像;
划分模块1004,用于按照指定栅格尺寸依次对目标图像和指定帧图像进行区域划分,分别得到各栅格区域内的目标图像块和对应的指定帧图像块;
差分模块1006,用于对目标图像块和对应的指定帧图像块分别进行差分,得到差分图像块;
计算模块1008,用于计算各差分图像块的图像活跃度;
提取模块1010,用于从差分图像块中按照图像活跃度提取目标差分图像块;
检测模块1012,用于对所提取的目标差分图像块进行目标检测,得到目标对象的热力图;
输出模块1014,用于将热力图与目标图像进行叠加并输出显示。
在一个实施例中,如图11所示,装置还包括:图像处理模块1016;其中:
图像处理模块1016,用于对差分图像块进行图像增强处理;对增强处理后的差分图像块进行边缘检测处理,得到边缘差分图像块;在边缘差分图像块中确定像素变化点;将像素变化点对应的像素值进行归一化处理;
差分模块1006,还用于从归一化所得的边缘差分图像块中,提取图像活跃度满足预设条件的目标差分图像块。
在一个实施例中,计算模块1008,还用于:
在各差分图像块中,分别计算像素点的像素值达到像素阈值时所对应的第一像素点个数;
计算第一像素点个数与对应差分图像块的像素点总数之间的第一比值;
根据第一比值确定对应差分图像块的图像活跃度。
在一个实施例中,计算模块1008,还用于:
分别将各差分图像块划分为多个像素块;
在属于同一差分图像块的各像素块中,分别计算像素点的像素值达到像素阈值时所对应的第二像素点个数;
根据各第二像素点个数与对应像素块的像素点总数之间的第二比值,确定对应像素块的图像活跃度;
根据属于同一差分图像块中各像素块的图像活跃度,确定同一差分图像块的图像活跃度。
在一个实施例中,如图11所示,该装置还包括:组合模块1018;
组合模块1018,用于对所提取的目标差分图像块进行目标检测之前,从所提取的目标差分图像块中获取互不相连的第一目标差分图像块,以及获取彼此存在相连的第二目标差分图像块;将彼此相连的第二目标差分图像块进行组合,得到组合差分图像块;
检测模块1012,还用于分别对第一目标差分图像块和组合差分图像块进行目标检测。
在一个实施例中,如图11所示,该装置还包括:采样模块1020;其中:
采样模块1020,用于在差分图像中,将图像活跃度不满足预设条件的差分图像块进行降采样;
组合模块1018,还用于将降采样所得的目标差分图像块与满足预设条件的目标差分图像块进行拼接,得到第二拼接图像;
检测模块1012,还用于通过目标检测模型对第二拼接图像进行目标检测,得到目标对象的热力图。
上述实施例中,获取由监控器采集的目标图像;按照指定栅格尺寸依次对目标图像和指定帧图像进行区域划分,分别得到各栅格区域内的目标图像块和对应的指定帧图像块;对目标图像块和对应的指定帧图像块分别进行差分,得到差分图像块;计算各差分图像块的图像活跃度;从差分图像块中按照图像活跃度提取目标差分图像块;因此只需对所提取的目标差分图像块进行目标检测,得到目标对象的热力图;将热力图与目标图像进行叠加并输出显示,由于无需对所获取的图像进行压缩,不会丢失关键信息,因此提高了目标检测的准确率。
图12示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的终端110。如图12所示,该计算机设备包括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、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现目标检测方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行目标检测方法。
本领域技术人员可以理解,图12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,本申请提供的目标检测装置可以实现为一种计算机程序的形式,计算机程序可在如图12所示的计算机设备上运行。计算机设备的存储器中可存储组成该目标检测装置的各个程序模块,比如,图10所示的获取模块1002、划分模块1004、差分模块1006、计算模块1008、提取模块1010、检测模块1012和输出模块1014。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的目标检测方法中的步骤。
例如,图12所示的计算机设备可以通过如图10所示的目标检测装置中的获取模块1002执行S202。计算机设备可通过划分模块1004执行S204。计算机设备可通过差分模块1006执行S206。计算机设备可通过计算模块1008执行S208a。计算机设备可通过提取模块1010执行S210。计算机设备可通过检测模块1012执行S212。计算机设备可通过输出模块1014执行S214。
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,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述目标检测方法的步骤。此处目标检测方法的步骤可以是上述各个实施例的目标检测方法中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述目标检测方法的步骤。此处目标检测方法的步骤可以是上述各个实施例的目标检测方法中的步骤。
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,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,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本申请专利范围的限制。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,包括:
获取由监控器采集的目标图像;
按照指定栅格尺寸依次对所述目标图像和指定帧图像进行区域划分,分别得到各栅格区域内的目标图像块和对应的指定帧图像块;
对所述目标图像块和对应的指定帧图像块分别进行差分,得到差分图像块;
计算各所述差分图像块的图像活跃度;所述图像活跃度是差分图像块中非零像素点占所有像素点的比值;
从所述差分图像块中按照所述图像活跃度提取目标差分图像块;
通过检测框将所述目标差分图像块,以及,与所述目标差分图像块相连的不活跃差分图像块框定为待检测区域;对所述待检测区域中的各差分图像块进行目标检测,得到目标对象的热力图;
将所述热力图与所述目标图像进行叠加并输出显示。
2.根据权利要求1所述的方法,其特征在于,所述从所述差分图像块中,按照所述图像活跃度提取目标差分图像块之前,所述方法还包括:
对所述差分图像块进行图像增强处理;
对增强处理后的差分图像块进行边缘检测处理,得到边缘差分图像块;
在所述边缘差分图像块中确定像素变化点;
将所述像素变化点对应的像素值进行归一化处理;
所述从所述差分图像块中按照所述图像活跃度提取目标差分图像块包括:
从归一化所得的边缘差分图像块中,提取图像活跃度满足预设条件的目标差分图像块。
3.根据权利要求1所述的方法,其特征在于,所述计算各所述差分图像块的图像活跃度包括:
在各所述差分图像块中,分别计算像素点的像素值达到像素阈值时所对应的第一像素点个数;
计算所述第一像素点个数与对应差分图像块的像素点总数之间的第一比值;
根据所述第一比值确定所述对应差分图像块的图像活跃度。
4.根据权利要求1所述的方法,其特征在于,所述计算各所述差分图像块的图像活跃度包括:
分别将各所述差分图像块划分为多个像素块;
在属于同一差分图像块的各像素块中,分别计算像素点的像素值达到像素阈值时所对应的第二像素点个数;
根据各所述第二像素点个数与对应像素块的像素点总数之间的第二比值,确定所述对应像素块的图像活跃度;
根据属于同一差分图像块中各像素块的图像活跃度,确定所述同一差分图像块的图像活跃度。
5.根据权利要求1所述的方法,其特征在于,所述对所述待检测区域中的各差分图像块进行目标检测之前,所述方法还包括:
从所提取的目标差分图像块中获取互不相连的第一目标差分图像块,以及获取彼此存在相连的第二目标差分图像块;
将彼此相连的第二目标差分图像块进行组合,得到组合差分图像块;
所述对所述待检测区域中的各差分图像块进行目标检测,包括:
分别对所述第一目标差分图像块和所述组合差分图像块进行目标检测。
6.根据权利要求1至4任一项所述的方法,其特征在于,所述方法还包括:
在所述差分图像中,将所述图像活跃度不满足预设条件的差分图像块进行降采样;
将降采样所得的目标差分图像块与满足所述预设条件的目标差分图像块进行拼接,得到第二拼接图像;
通过目标检测模型对所述第二拼接图像进行目标检测,得到目标对象的热力图。
7.一种目标检测装置,其特征在于,所述装置包括:
获取模块,用于获取由监控器采集的目标图像;
划分模块,用于按照指定栅格尺寸依次对所述目标图像和指定帧图像进行区域划分,分别得到各栅格区域内的目标图像块和对应的指定帧图像块;
差分模块,用于对所述目标图像块和对应的指定帧图像块分别进行差分,得到差分图像块;
计算模块,用于计算各所述差分图像块的图像活跃度;所述图像活跃度是差分图像块中非零像素点占所有像素点的比值;
提取模块,用于从所述差分图像块中按照所述图像活跃度提取目标差分图像块;
检测模块,用于通过检测框将所述目标差分图像块,以及,与所述目标差分图像块相连的不活跃差分图像块框定为待检测区域;对所述待检测区域中的各差分图像块进行目标检测,得到目标对象的热力图;
输出模块,用于将所述热力图与所述目标图像进行叠加并输出显示。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
图像处理模块,用于对所述差分图像块进行图像增强处理;对增强处理后的差分图像块进行边缘检测处理,得到边缘差分图像块;在所述边缘差分图像块中确定像素变化点;将所述像素变化点对应的像素值进行归一化处理;
所述差分模块,还用于从归一化所得的边缘差分图像块中,提取图像活跃度满足预设条件的目标差分图像块。
9.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911421190.3A CN111242128B (zh) | 2019-12-31 | 2019-12-31 | 目标检测方法、装置、计算机可读存储介质和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911421190.3A CN111242128B (zh) | 2019-12-31 | 2019-12-31 | 目标检测方法、装置、计算机可读存储介质和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111242128A CN111242128A (zh) | 2020-06-05 |
CN111242128B true CN111242128B (zh) | 2023-08-04 |
Family
ID=70868650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911421190.3A Active CN111242128B (zh) | 2019-12-31 | 2019-12-31 | 目标检测方法、装置、计算机可读存储介质和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242128B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882550A (zh) * | 2020-07-31 | 2020-11-03 | 上海眼控科技股份有限公司 | 冰雹检测方法、装置、计算机设备和可读存储介质 |
CN113129227A (zh) * | 2021-03-29 | 2021-07-16 | 影石创新科技股份有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN113129229A (zh) * | 2021-03-29 | 2021-07-16 | 影石创新科技股份有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN113192101B (zh) * | 2021-05-06 | 2024-03-29 | 影石创新科技股份有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN113362371A (zh) * | 2021-05-18 | 2021-09-07 | 北京迈格威科技有限公司 | 目标跟踪方法及装置、电子设备、存储介质 |
CN117710235B (zh) * | 2024-02-06 | 2024-05-14 | 浙江华感科技有限公司 | 图像目标增强方法、装置、计算机设备和存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184552B (zh) * | 2011-05-11 | 2013-06-26 | 上海理工大学 | 一种基于差分融合与图像边缘信息的运动目标检测方法 |
CN103826102B (zh) * | 2014-02-24 | 2018-03-30 | 深圳市华宝电子科技有限公司 | 一种运动目标的识别方法、装置 |
CN110309808B (zh) * | 2019-07-09 | 2021-03-12 | 北京林业大学 | 一种大范围尺度空间下的自适应烟雾根节点检测方法 |
CN110580710A (zh) * | 2019-08-21 | 2019-12-17 | 深圳码隆科技有限公司 | 物体追踪方法、装置、计算机可读存储介质和计算机设备 |
-
2019
- 2019-12-31 CN CN201911421190.3A patent/CN111242128B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111242128A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111242128B (zh) | 目标检测方法、装置、计算机可读存储介质和计算机设备 | |
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN111401205A (zh) | 动作识别方法及装置、电子设备、计算机可读存储介质 | |
CN110930434B (zh) | 目标对象跟随方法、装置、存储介质和计算机设备 | |
CN110059666B (zh) | 一种注意力检测方法及装置 | |
CN111968134B (zh) | 目标分割方法、装置、计算机可读存储介质及计算机设备 | |
CN109903272B (zh) | 目标检测方法、装置、设备、计算机设备和存储介质 | |
CN108647587B (zh) | 人数统计方法、装置、终端及存储介质 | |
CN111753782B (zh) | 一种基于双流网络的假脸检测方法、装置及电子设备 | |
CN113496208B (zh) | 视频的场景分类方法及装置、存储介质、终端 | |
CN111275743B (zh) | 目标追踪方法、装置、计算机可读存储介质和计算机设备 | |
CN110796472A (zh) | 信息推送方法、装置、计算机可读存储介质和计算机设备 | |
CN111104841A (zh) | 暴力行为检测方法及系统 | |
CN109308704B (zh) | 背景剔除方法、装置、计算机设备及存储介质 | |
CN112883983B (zh) | 特征提取方法、装置和电子系统 | |
CN111091146B (zh) | 图片相似度获取方法、装置、计算机设备及存储介质 | |
CN112381107A (zh) | 基于深度学习的物品x光检测方法、装置和计算机设备 | |
CN110909691A (zh) | 动作检测方法、装置、计算机可读存储介质和计算机设备 | |
CN110929605A (zh) | 视频关键帧的保存方法、装置、设备及存储介质 | |
CN116431857B (zh) | 一种用于无人场景的视频处理方法和系统 | |
CN111291716B (zh) | 精子细胞识别方法、装置、计算机设备和存储介质 | |
CN112330618A (zh) | 图像偏移检测方法、设备及存储介质 | |
CN111914118A (zh) | 基于大数据的视频分析方法、装置、设备及存储介质 | |
CN113553990B (zh) | 多人脸跟踪识别的方法、装置、计算机设备及存储介质 | |
CN114170090A (zh) | 一种由模糊监控视频重建高分辨率图像的方法与系统 |
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 |