CN111259763B - 目标检测方法、装置、电子设备及可读存储介质 - Google Patents
目标检测方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111259763B CN111259763B CN202010030509.6A CN202010030509A CN111259763B CN 111259763 B CN111259763 B CN 111259763B CN 202010030509 A CN202010030509 A CN 202010030509A CN 111259763 B CN111259763 B CN 111259763B
- Authority
- CN
- China
- Prior art keywords
- image
- region
- target
- deep learning
- learning 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 96
- 238000013136 deep learning model Methods 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 238000012544 monitoring process Methods 0.000 claims abstract description 30
- 238000001914 filtration Methods 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 60
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 description 33
- 238000009499 grossing Methods 0.000 description 25
- 230000008569 process Effects 0.000 description 12
- 230000006854 communication Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000005286 illumination Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种目标检测方法、装置、电子设备及可读存储介质。方法包括：从监控视频中获取第一图像；通过滤波算法对第一图像进行预处理得到第二图像，使得第二图像的图像特征强度大于第一图像的图像特征强度；从监控视频对应的参考图像序列确定目标参考图像，根据目标参考图像及第二图像，判断第二图像中是否包括存在运动目标的图区；将从第二图像中检测到的运动目标图区输入经过预训练的深度学习模型，得到深度学习模型检测的第二图像的检测结果。在本方案中，通过对获取的图像进行预处理，增强图像细节特征，再确定存在运动目标的图区，使得在深度学习模型对预处理后的图像进行检测时，可以提高对运动目标检测的准确度。
Description
技术领域
本发明涉及图像处理技术领域，具体而言，涉及一种目标检测方法、装置、电子设备及可读存储介质。
背景技术
在工作或生活中，存在很多的利用肉眼检测目标的场景，这类目标可以是人或物体。例如，通过人眼检测电网作业环境下的工作人员是否佩戴安全帽。随着计算机视觉技术的发展，肉眼检测目标的方式可以通过电子设备来替代，由电子设备通过图像处理技术进行目标检测。然而，电子设备受限于所使用的图像处理技术的能力与方式，存在对目标检测不准确的情况。
发明内容
本申请提供一种目标检测方法、装置、电子设备及可读存储介质，能够改善对目标检测不准确的问题。
为了实现上述目的，本申请实施例所提供的技术方案如下所示：
第一方面，本申请实施例提供一种目标检测方法，应用于电子设备，所述方法包括：
从监控视频中获取第一图像；
通过滤波算法对所述第一图像进行预处理得到第二图像，所述第二图像的图像特征强度大于所述第一图像的图像特征强度；
从所述监控视频对应的参考图像序列确定目标参考图像；
根据所述目标参考图像及所述第二图像，判断所述第二图像中是否包括存在运动目标的图区；
当所述第二图像中包括存在所述运动目标的图区时，将所述第二图像中存在所述运动目标的图区输入经过预训练的深度学习模型，得到所述深度学习模型检测所述第二图像的检测结果。
在上述的实施方式中，通过对获取的图像进行预处理，目的是增强图像的图像特征强度，在深度学习模型对预处理后的图像进行检测时，可以提高对运动目标进行检测的准确度。另外，通过将存在运动目标的图区输入深度学习模型，有利于减少深度学习模型所检测的图区面积，降低运算量，同时降低第一图像中其他图区对检测结果的干扰。
结合第一方面，在一些可选的实施方式中，通过滤波算法对所述第一图像进行预处理得到第二图像，包括：
通过光滑滤波算法及锐化滤波算法对经过灰度处理后的所述第一图像处理得到所述第二图像，其中，所述光滑滤波算法包括：
所述锐化滤波算法包括：
式中，x1为所述第一图像中的像素点的特征值，y1为所述像素点光滑处理后的特征值，x2为光滑处理后的像素点的特征值，y2为所述光滑处理后的像素点经过锐化处理后的特征值，k为光滑化参数，N为大于或等于1的整数；/>l为锐化参数。
在上述的实施方式中，通过光滑滤波算法及锐化滤波算法对第一图像进行预处理，有利于提高预处理后图像的图像特征强度。
结合第一方面，在一些可选的实施方式中，在将所述第二图像中存在所述运动目标的图区输入经过预训练的深度学习模型之前，所述方法还包括：
获取训练图像集，所述训练图像集包括多个存在指定目标的图像及多个未存在所述指定目标的图像；
通过所述训练图像集训练深度学习模型，得到用于识别图像中是否存在指定目标的深度学习模型。
在上述的实施方式中，通过对深度学习模型进行训练，使得深度学习模型具有相应的图像检测的功能，从而有利于实现图像的自动识别检测。
结合第一方面，在一些可选的实施方式中，所述方法还包括：
将所述第一图像或第二图像作为所述训练图像集中的图像，并训练所述深度学习模型。
在上述的实施方式中，通过将所识别的图像作为新的训练图像，有利于提高深度学习模型对图像进行检测的准确度。
结合第一方面，在一些可选的实施方式中，根据所述目标参考图像及所述第二图像，判断所述第二图像中是否存在运动目标的图区，包括：
计算所述目标参考图像与所述第二图像中位置相对应的像素点的特征值的差值；
确定所述第二图像中所述差值大于或等于预设阈值的像素点为目标像素点；
基于所述目标像素点的位置计算相连通的多个所述目标像素点形成的像素面积；
当所述像素面积大于或等于预设面积时，确定多个所述目标像素点所在的区域为所述第二图像中存在所述运动目标的图区。
在上述的实施方式中，通过目标参考图像与第二图像之间的像素差异，有利于快速确定第二图像中的运动目标的图区。
结合第一方面，在一些可选的实施方式中，所述方法还包括：
当所述检测结果表征所述第一图像或所述第二图像中存在未佩戴安全帽的人员图像时，发出报警提示。
在上述的实施方式中，在检测到存在未佩戴安全帽的人员图像时，可以自动发出报警提示，便于管理人员及时进行处理。
结合第一方面，在一些可选的实施方式中，从所述监控视频对应的参考图像序列确定目标参考图像，包括：
基于获取的当前环境光照强度、环境光照强度与所述参考图像序列中的参考图像的关联关系，从所述参考图像序列中选择与所述当前环境光照强度对应的参考图像为所述目标参考图像。
第二方面，本申请实施例还提供一种目标检测装置，应用于电子设备，所述装置包括：
图像获取单元，用于从监控视频中获取第一图像；
预处理单元，用于通过滤波算法对所述第一图像进行预处理得到第二图像，所述第二图像的图像特征强度大于所述第一图像的图像特征强度；
确定单元，用于从所述监控视频对应的参考图像序列确定目标参考图像；
判断单元，用于根据所述目标参考图像及所述第二图像，判断所述第二图像中是否包括存在运动目标的图区；
检测单元，用于当所述第二图像中包括存在所述运动目标的图区时，将所述第二图像中存在所述运动目标的图区输入经过预训练的深度学习模型，得到所述深度学习模型检测所述第二图像的检测结果。
第三方面，本申请实施例还提供一种电子设备，所述电子设备包括相互耦合的存储器、处理器，所述存储器内存储计算机程序，当所述计算机程序被所述处理器执行时，使得所述电子设备执行上述的方法。
第四方面，本申请实施例还提供一种计算机可读存储介质，所述可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行上述的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的电子设备的功能框图
图2为本申请实施例提供的目标检测方法的流程示意图。
图3a为本申请实施例提供的第二图像的示意图。
图3b为图3a所示的运动目标的图区的示意图。
图4为本申请实施例提供的目标检测装置的示意图。
图标：10-电子设备；11-处理模块；12-存储模块；13-摄像头；100-目标检测装置；110-图像获取单元；120-预处理单元；130-确定单元；140-判断单元；150-检测单元。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
按照电网作业规程，电网工作人员需定期开展电力设施的带电巡检，工作人员需要穿戴制式工作服，佩戴制式安全帽。在实际工作中，现场工作人员可能因为忘记佩戴制式安全帽，管理人员也未发现工作人员未佩戴安全帽，从而使得工作人员带电作业存在安全风险。其中，制式安全帽可理解为电网行业中的安全帽。
鉴于上述问题，本申请申请人经过长期研究探索，提出以下实施例以解决上述问题。下面结合附图，对本申请实施例作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参照图1，本申请实施例提供一种电子设备10，可以通过监控视频自动对运动目标进行检测，有利于提高对运动目标检测的效率。例如，电子设备10可以通过监控视频自动检测电网作业环境下的员工是否佩戴安全帽，以提高对作业人员安全检测的效率，无需管理人员通过人工的方式逐个检测作业员工是否佩戴安全帽。
在本实施例中，电子设备10可以包括相互耦合的存储模块12、处理模块11，存储模块12内存储计算机程序，当计算机程序被处理模块11执行时，使得电子设备10执行下述的目标检测方法。
其中，电子设备10可以是但不限于个人电脑(personal computer，PC)、平板电脑、移动上网设备(mobile Internet device，MID)、服务器等。
当然，电子设备10还可以包括其他模块。例如，电子设备10还可以包括用于拍摄监控视频的摄像头13、用于数据通信的通信模块等。处理模块11、存储模块12、摄像头13、通信模块等各个元件之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条数据总线和控制线实现电性连接。
处理模块11可以是一种集成电路芯片，具有信号的处理能力。例如处理模块11可以是通用处理器。比如，该处理器可以是中央处理器(Central Processing Unit，CPU)、图形处理器(Graphics Processing Unit，GPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。
存储模块12可以是但不限于随机存取存储器、只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器等。在本实施例中，所述存储模块12可以用于存储监控视频、第一图像、参考图像等。当然，所述存储模块12还可以用于存储程序，所述处理模块11在接收到执行指令后，执行该程序。
摄像头13可以是但不限于普通摄像头、高清摄像头、红外摄像头等，可以用于拍摄实时的监控视频，摄像头13可以将拍摄的实时监控视频发送至电子设备10的处理模块11进行分析处理。
通信模块用于通过网络建立电子设备10与其他设备的通信连接，并通过所述网络收发数据。其他设备可以是但不限于智能手机、个人电脑、服务器等。
可以理解的是，图1所示的结构仅为电子设备10的一种结构示意图，所述电子设备10还可以包括比图1所示更多的组件。图1中所示的各组件可以采用硬件、软件或其组合实现。
请参照图2，本申请实施例还提供一种目标检测方法，可以应用于上述的电子设备10，由电子设备10执行或实现目标检测方法中的各个步骤。方法可以包括步骤S210至步骤S250，如下：
步骤S210，从监控视频中获取第一图像；
步骤S220，通过滤波算法对所述第一图像进行预处理得到第二图像，所述第二图像的图像特征强度大于所述第一图像的图像特征强度；
步骤S230，从所述监控视频对应的参考图像序列确定目标参考图像；
步骤S240，根据所述目标参考图像及所述第二图像，判断所述第二图像中是否包括存在运动目标的图区；
步骤S250，当所述第二图像中包括存在所述运动目标的图区时，将所述第二图像中存在所述运动目标的图区输入经过预训练的深度学习模型，得到所述深度学习模型检测所述第二图像的检测结果。
在上述的实施方式中，通过对获取的图像进行预处理，目的是增强图像特征强度，在深度学习模型对预处理后的图像进行检测时，有利于提高对运动目标进行检测的准确度。另外，通过将存在运动目标的图区输入深度学习模型，有利于减少深度学习模型所检测的图区的面积，降低运算量，同时降低第一图像中其他图区对检测结果的干扰。
下面将对图2中所示的各步骤进行详细阐述：
步骤S210，从监控视频中获取第一图像。
在本实施例中，电子设备10可以从摄像头13获取到监控视频。摄像头13可以是电子设备10中的电子器件，或者为独立于电子设备10的器件，可以用于拍摄监控场景的监控视频，并将拍摄的监控视频发送至电子设备10的处理模块11或存储模块12，以使电子设备10可以获取到监控视频。
电子设备10在获取到监控视频后，可以从监控视频中获取第一图像。第一图像可理解为监控视频中的图像帧。电子设备10可以每隔预设时长从监控视频中获取一个图像帧作为第一图像。即，第一图像为监控视频中的一个图像帧。另外，预设时长可以根据实际情况进行设置，例如预设时长可以为1秒钟、10秒钟、1分钟等时长。
步骤S220，通过滤波算法对所述第一图像进行预处理得到第二图像，所述第二图像的图像特征强度大于所述第一图像的图像特征强度。
在本实施例中，电子设备10在获取到第一图像后，可以先对第一图像进行预处理，以提高第一图像的图像特征强度。其中，图像特征强度可理解为锐化图像轮廓、图像灰度等。对第一图像进行预处理的方式为以提高第一图像的图像特征强度为目的的预处理方式。例如，预处理包括但不限于对第一图像进行灰度处理、以及对灰度处理后的图像进行锐化、滤波等，以减弱环境噪音的影响，锐化第一图像中物体(比如人体)的边缘信息，使待检测目标的边缘特征更加显著。即，第二图像的图像特征强度大于第一图像的图像特征强度可理解为：第二图像中的轮廓细节特征比第一图像更为明显清晰。
作为一种可选的实施方式，步骤S220可以包括：
通过光滑滤波算法及锐化滤波算法对经过灰度处理后的所述第一图像处理得到所述第二图像，其中，所述光滑滤波算法包括：
所述锐化滤波算法包括：
式中，x1为所述第一图像中的像素点的特征值，y1为所述像素点光滑处理后的特征值，x2为光滑处理后的像素点的特征值，y2为所述光滑处理后的像素点经过锐化处理后的特征值，k为光滑化参数，N为大于或等于1的整数；/>l为锐化参数。其中，像素点的特征值可理解为像素点的RGB值或灰度值。
在本实施例中，电子设备10可以对第一图像进行灰度处理，其灰度处理可以通过以下公式实现：
G(i,j)＝αxR(i,j)+βxG(i,j)+γxB(i,j)
式中，α、β、γ为分别为R(Red，红)、G(Green，绿)、B(Blue，蓝)三种颜色通道的贡献度，该贡献度可理解为对应的RGB值，xR(i,j)、xG(i,j)、xB(i,j)则分别是R、G、B三个颜色通道在像素点(i,j)的亮度值。
在经过灰度处理后，电子设备10便可以继续对灰度化后的第一图像，通过光滑滤波算法及锐化滤波算法进行处理，以提高图像特征强度。
在本实施例中，光滑滤波算法可以应用于LUM(Lower-upper-middle，低-高-中)光滑滤波器，锐化滤波算法可以应用于LUM锐化滤波器。可理解地，LUM光滑滤波器可以通过上述的光滑滤波算法对图像中的像素点进行光滑处理。LUM锐化滤波器可以通过上述的锐化滤波算法对图像中的像素点进行锐化处理。
电子设备10可以通过LUM光滑滤波器对第一图像中的像素点进行光滑处理。或者，电子设备10可以通过LUM锐化滤波器对第一图像中的像素点进行锐化处理。或者，电子设备10先利用LUM光滑滤波器对第一图像中的像素点进行光滑处理，再利用LUM锐化滤波器对经过光滑处理后的第一图像中的像素点进行锐化处理，以得到第二图像。可理解地，经过光滑处理、锐化处理后得到的第二图像的图像特征强度通常会大于第一图像的图像特征强度，从而有利于深度学习模型通过第二图像提高对目标检测的准确度。
在上述的算法公式中，光滑参数k及锐化参数l均可以根据实际情况进行设置。光滑参数k用于控制平滑处理过程中的平滑特性，通过适当地调节k值，可在噪声平滑和细节保留上进行折衷。k值越小，保留细节的特性越突出；k值越大，其噪声平滑的效果就越好。同样地，电子设备10可以通过改变参数l值，得到不同程度的锐化效果。l值越小，锐化效果越明显。由于LUM锐化滤波器在增强图像边缘的同时不会扩大背景噪声，也不会误删除微小的信号，因此能够较好的保留第一图像细节部分，增强图像边缘特征。
步骤S230，从所述监控视频对应的参考图像序列确定目标参考图像。
在本实施例中，与监控视频对应的参考图像序列可以是但不限于：在监控视频中时间点在第一图像之前的多个图像帧，或者为监控场景下的不同时间点的多个背景图像，其背景图像中不包括运动目标。假设截止当前拍摄到的监控视频的总时长为10分钟，第一图像在监控视频中的时间点为第9分钟，则参考图像序列可以为在9分钟之前的多个图像帧，比如，参考图像为监控视频中第1分钟、第2分钟、第5分钟的图像帧。其中，监控场景可理解为摄像头13拍摄视角下的场景，可以根据实际情况进行确定。比如，监控场景可以为变电站场景。参考图像序列可理解为摄像头13在监控场景中不存在运动目标时所拍摄的多个场景图像。运动目标包括但不限于人、动物等。
在本实施例中，步骤S230可以包括：基于获取的当前环境光照强度、环境光照强度与所述参考图像序列中的参考图像的关联关系，从所述参考图像序列中选择与所述当前环境光照强度对应的参考图像为所述目标参考图像。
在本实施例中，电子设备10可以包括用于感测摄像头13拍摄环境的环境光照强度的光传感器。电子设备10可以通过该光传感器获取到当前的环境光照强度以作为所述当前环境光照强度。另外，当前环境光照强度可理解为获取第一图像时环境的光照强度。即，在摄像头13拍摄得到第一图像时，该光传感器便感测环境的光照强度。
其中，环境光照强度所在的区间范围可以预先与相应的参考图像关联。可理解地，可以预先将光照强度划分为多个连续的区间范围，不同区间范围中的光照强度对应一个参考图像。当需要从参考图像序列中确定当前的目标参考图像时，便可以基于当前的环境光照强度确定所在的光照强度的区间范围，然后基于该区间范围确定与该区间范围关联的参考图像即为目标参考图像。基于此，有利于降低获取第一图像的时环境光照强度与获取参考图像的环境光照强度的差异，以使目标参考图像的亮度与第一图像的亮度相接近，从而有利于降低光照强度对后续检测运动目标的影响，提高检测运动目标的准确性。
可理解地，参考图像与第一图像的亮度相接近可理解为拍摄参考图像的环境亮度与拍摄第一图像的环境亮度在预设亮度范围内，预设亮度范围为表示亮度差较小的范围，可以根据实际情况进行设置。
在本实施例中，电子设备10可以自动更新参考图像序列中的参考图像，以减少参考图像中的干扰因素，例如干扰因素可以包括但不限于环境亮度、环境中的固定物体随季节的变化形成的因素，例如树叶的掉落或生长等。其中，更新参考图像序列中的参考图像的方式可以为：每隔指定时长将图像序列中存储时间最长的参考图像替换为当前所确定的参考图像，指定时长可以根据实际情况进行设置，例如，可以为一天、十天、一个月等时长。当前所确定的参考图像可理解为当前从监控视频获取的不包括运动目标的图像帧。
另外，电子设备10还可以对第一图像、第二图像、参考图像的亮度进行调节，以使第一图像与参考图像，或第二图像与参考图像之间的亮度相接近，以降低图像中的外界因素影响对运动目标的检测的准确度。
步骤S240，根据所述目标参考图像及所述第二图像，判断所述第二图像中是否包括存在运动目标的图区。
电子设备10可以基于目标参考图像与第二图像之间的像素差异确定是否存在运动目标。因为目标参考图像为监控视频中不存在运动目标时的图像帧，因此，可以通过比对目标参考图像与第二图像之间的像素差异，来确定第二图像中是否包括存在运动目标的图区。
作为一种可选的实施方式，步骤S230可以包括：计算所述目标参考图像与所述第二图像中位置相对应的像素点的特征值的差值；确定所述第二图像中所述差值大于或等于预设阈值的像素点为目标像素点；基于所述目标像素点的位置计算相连通的多个所述目标像素点形成的像素面积；当所述像素面积大于或等于预设面积时，确定多个所述目标像素点所在的区域为所述第二图像中存在所述运动目标的图区。
另外，确定图像帧为参考图像(背景图像)的方式可以为：在一段监控视频中，间隔一定时长(该时长可以根据实际情况进行设置，例如为1小时、2小时等时长，)的两个图像帧的中，相同像素位置的像素点的RGB值(或灰度值)均相同，或存在像素差异的像素点的数量未超过指定数量，则认为这两个图像帧中的任意一个图像帧均可以作为参考图像。其中，该指定数量可以根据实际情况进行设置，例如可以为10个、50个等数量。
在本实施例中，参考图像序列中的参考图像与第二图像的尺寸通常相同。目标参考图像可以为灰度处理后的图像，电子设备10可以通过遍历的方式，逐个地针对两图像中相同位置的像素点的灰度值的差值来确定第二图像中是否存在目标像素点。当差值大于或等于预设阈值时，确定相应位置的像素点为目标像素点。该预设阈值可以根据实际情况进行设置，这里不做具体限定。
电子设备10在确定出目标像素点后，可以对目标像素点作连通处理。即，电子设备10可以将位置相邻的像素点连通，从而使得多个目标像素点能够形成连通区域。若连通区域的像素面积较大，比如大于或等于预设面积，则表示第二图像中存在运动目标的图区，且连通区域即为运动目标所在的图区位置。其中，像素面积可以理解为像素点的数量。若连通区域的面积较小，比如小于预设面积，则该连通区域为干扰因素导致的像素差异，而不是因为运动目标导致的像素差异。该预设面积可以根据实际情况进行确定。例如，该预设面积可以为第二图像总面积的5％。
在上述的实施方式中，通过目标参考图像与第二图像之间的像素差异，有利于快速确定第二图像中的运动目标的图区。另外，参考图像序列中隐含了更为丰富的随环境因素而变化的图像细节信息，使得在确定与第二图像对应的目标参考图像时，可以更好地适应随环境变化的第二图像，进而有利于增强检测运动目标的稳健性。
步骤S240，当所述第二图像中包括存在所述运动目标的图区时，将所述第二图像中存在所述运动目标的图区输入经过预训练的深度学习模型，得到所述深度学习模型检测所述第二图像的检测结果。
在本实施例中，深度学习模型可以为采用Faster RCNN深度学习算法的模型，在完成训练后，可以自动对图像进行相应的检测。
请结合参照图3a和图3b，假设，图3a所示的图像为第一图像经过预处理后所得到的第二图像。当然，在实际应用过程中，第二图像中通常还包括环境中各类物体的图像，而不一定如图3a中所示的仅为一个人员图像。电子设备10在得到第二图像后，可以自动从第二图像中，以最小矩形框的方式将运动目标所在的图区提取出来，然后将提取的图区输入至深度学习模型，无需将整个第二图像输入深度学习模型。例如，电子设备10可以从图3a所示的第二图像中提取出如图3b所示的图区，然后将图3b所示的图区输入至深度学习模型进行检测。由于减小了所识别的图像的面积，从而有利于降低深度学习模型对图区检测的运算量，缩短确定所识别的图区的时间，进而提高检测的效率。
作为一种可选的实施方式，在步骤S240之前，所述方法还可以包括对深度学习模型进行训练的步骤，例如方法可以包括：获取训练图像集，所述训练图像集包括多个存在指定目标的图像及多个未存在所述指定目标的图像；通过所述训练图像集训练深度学习模型，得到用于识别图像中是否存在指定目标的深度学习模型。
在本实施例中，指定目标可以根据实际检测项目的情况进行确定。检测项目为检测电网工作环境下的工作人员是否佩戴安全帽，则指定目标为佩戴有安全帽的人员图像。未存在指定目标的图像包括未佩戴安全帽的人员图像。在训练过程中，训练图像集中便可以包括佩戴有安全帽的人员图像及未佩戴安全帽的人员图像。当然，指定目标还可以为其他物体，这里不做具体限定。
在训练过程中，对于存在指定目标的图像，可以通过特征提取，从图像中提取包含指定目标的最小矩形图区，并将所有的存在指定目标的图像的最小矩形图区输入深度学习模型进行训练。基于此，有利于快速地确定待识别的图区的位置和数量，从而有利于降低运算量，提高训练效率。
作为一种可选的实施方式，所述方法还可以包括：将所述第一图像或第二图像作为所述训练图像集中的图像，并训练所述深度学习模型。
可理解地，完成检测的图像可以作为新的训练图像。基于此，可以使得训练的深度学习模型能够更加贴合当前的应用场景进行图像的检测，从而有利于提高对图像检测的准确度及可靠性。
下面将基于变电站场景下检测工作人员是否佩戴安全帽，对目标检测方法的训练流程进行举例阐述：
在获取训练图像集的过程中，电子设备10可以利用ImageNet数据库，从ImageNet数据库中选出戴帽和不戴帽的人员图像集进行首批训练，获得Faster RCNN网络的初始网络参数。其中，ImageNet数据库为用于视觉对象识别软件研究的大型可视化数据库，每张图像均包括图像内容的标签或注释。
其中，Faster RCNN网络用内部深层网络代替候选区域方式，新的候选区域网络(Region Proposal Network，RPN)在生成ROI(Region Of Interest,感兴趣区域)时效率更高，因而具有更快的检测速率和更高的检测准确率。
另外，电子设备10利用ImageNet数据库获取训练图像集，可以快速得到用于模型训练的大量图像集，其中，大量图像集所包括的图像的数量可以结合实际应用情况进行设置。例如，训练图像集中的图像的数量级别可以为万、十万、百万等。深度学习模型或深度卷积网络的训练通常需要大量的对应类的图像样本进行训练，目的是更充分地初始化检测网络的参数。例如，对于变电站环境的安全帽检测，单一场景所提供的训练图像的数量较少，其数量通常无法满足模型训练。如果仅依靠变电站环境下的人员图像进行模型训练，容易导致检测网络参数不稳健，进而影响图像检测的准确性及可靠性。本申请实施例中，通过利用ImageNet数据库获取大量的训练图像集，有利于提高训练的深度学习模型对图像检测的准确度。
在首批训练后，基于首批序列得到的检测网络参数，加入变电站场景采集的图像样本(包括变电站场景下人员佩戴安全帽及未佩戴安全帽的图像样本)，进行模型第二批训练，得到改进后的安全帽检测和定位的联合优化网络。此时，可以将变电站场景的安全帽表现形态融入到检测网络中，电子设备10可以自动地对感兴趣区域(即为运动目标，如人员所在的矩形图区)所对应的局部检测网络参数进行训练调整，而保持其他区域的检测网络参数不变，使模型更能表现变电站这种特殊的行业应用场景。
另外，电子设备10可以利用得到的联合优化网络来初始化第二次Faster RCNN网络的训练，以固定共享的卷积网络层参数，进而优化改进Faster RCNN网络。即，保持卷积层的参数不变，并根据以感兴趣区域的矩形框对应的图区所对应的区域推荐网络中的参数通过训练进行微调，以使区域推荐网络的结构更加贴近检测对象的特征。基于此，可以使得RPN给出的检测区域数量既少又准确，可以加快整个检测过程的速率和准确性。相比RCNN和Fast RCNN网络算法中的候选区域方法，本申请实施例中提供的Faster RCNN深度学习算法给出的候选区域数量是前者的1/8-1/4，因而检测速率更快。
当然，电子设备10还可以继续保持共享的卷积层参数固定和区域推荐网络参数不变，再次微调联合优化网络中安全帽，定位优化网络的参数，以再次优化安全帽检测和定位。
在上述的实施方式中，通过将所识别的图像作为新的训练图像，有利于提高深度学习模型对图像进行检测的准确度。
作为一种可选的实施方式，所述方法还包括：当所述检测结果表征所述第一图像或所述第二图像中存在未佩戴安全帽的人员图像时，发出报警提示。
在本实施例中，电子设备10可以自动完成对第二图像的检测。若检测项目为人员是否佩戴安全帽，当检测到第二图像中存在未佩戴安全帽的人员图像，即检测结果表征第一图像或第二图像中存在未佩戴安全帽的人员图像，此时，电子设备10可以自动发出报警提示，以提醒管理人员对作业现场进行查巡，及时让未佩戴安全帽的工作人员佩戴上安全帽，以降低安全风险。
请参照图4，本申请实施例还提供一种目标检测装置100，可以应用于上述的电子设备10，用于执行或实现上述的目标检测方法。目标检测装置100包括至少一个可以软件或固件(Firmware)的形式存储于所述存储模块12中或固化在所述电子设备10操作系统(Operating System，OS)中的软件功能模块。处理模块11用于执行存储模块12中存储的可执行模块，例如，目标检测装置100所包括的软件功能模块及计算机程序等。其中，目标检测装置100可以包括图像获取单元110、预处理单元120、确定单元130、判断单元140及检测单元150。
图像获取单元110，用于从监控视频中获取第一图像。
预处理单元120，用于通过滤波算法对所述第一图像进行预处理得到第二图像，所述第二图像的图像特征强度大于所述第一图像的图像特征强度。
确定单元130，用于从所述监控视频对应的参考图像序列确定目标参考图像。
判断单元140，用于根据所述目标参考图像及所述第二图像，判断所述第二图像中是否包括存在运动目标的图区。
检测单元150，用于当所述第二图像中包括存在所述运动目标的图区时，将所述第二图像中存在所述运动目标的图区输入经过预训练的深度学习模型，得到所述深度学习模型检测所述第二图像的检测结果。
可选地，预处理单元120还可以用于：
通过光滑滤波算法及锐化滤波算法对经过灰度处理后的所述第一图像处理得到所述第二图像，其中，所述光滑滤波算法包括：
所述锐化滤波算法包括：
式中，x1为所述第一图像中的像素点的特征值，y1为所述像素点光滑处理后的特征值，x2为光滑处理后的像素点的特征值，y2为所述光滑处理后的像素点经过锐化处理后的特征值，k为光滑化参数，N为大于或等于1的整数；/>l为锐化参数。
可选地，目标检测装置100还可以包括训练单元。在检测单元150将所述第二图像中存在所述运动目标的图区输入经过预训练的深度学习模型之前，图像获取单元110还可以用于获取训练图像集，所述训练图像集包括多个存在指定目标的图像及多个未存在所述指定目标的图像。训练单元用于：通过所述训练图像集训练深度学习模型，得到用于识别图像中是否存在指定目标的深度学习模型。
可选地，目标检测装置100还可以包括训练单元，用于将所述第一图像或第二图像作为所述训练图像集中的图像，并训练所述深度学习模型。
可选地，判断单元140还可以用于：计算所述目标参考图像与所述第二图像中位置相对应的像素点的特征值的差值；确定所述第二图像中所述差值大于或等于预设阈值的像素点为目标像素点；基于所述目标像素点的位置计算相连通的多个所述目标像素点形成的像素面积；当所述像素面积大于或等于预设面积时，确定多个所述目标像素点所在的区域为所述第二图像中存在所述运动目标的图区。
可选地，确定单元130还可以用于，基于获取的当前环境光照强度、环境光照强度与所述参考图像序列中的参考图像的关联关系，从所述参考图像序列中选择与所述当前环境光照强度对应的参考图像为所述目标参考图像。
可选地，目标检测装置100还可以包括提示单元，用于当所述检测结果表征所述第一图像或所述第二图像中存在未佩戴安全帽的人员图像时，发出报警提示。
需要说明的是，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的电子设备10、目标检测装置100的具体工作过程，可以参考前述方法中的各步骤对应过程，在此不再过多赘述。
本申请实施例还提供一种计算机可读存储介质。可读存储介质中存储有计算机程序，当计算机程序在计算机上运行时，使得计算机执行如上述实施例中所述的目标检测方法。
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本申请可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现，基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景所述的方法。
综上所述，本申请提供一种目标检测方法、装置、电子设备及可读存储介质。方法包括：从监控视频中获取第一图像；通过滤波算法对第一图像进行预处理得到第二图像，使得第二图像的图像特征强度大于第一图像的图像特征强度；从监控视频对应的参考图像序列确定目标参考图像，根据目标参考图像及第二图像，判断第二图像中是否包括存在运动目标的图区；当第二图像中包括存在运动目标的图区时；将从第二图像中检测到的运动目标图区输入经过预训练的深度学习模型，得到深度学习模型检测的第二图像的检测结果。在本方案中，通过对获取的图像进行预处理，以增强图像的图像特征强度，在深度学习模型对预处理后的图像进行检测时，便有利于提高对运动目标进行检测的准确度。另外，通过将存在运动目标的图区输入深度学习模型，有利于减少深度学习模型所检测的图区的面积，降低运算量，以及降低第一图像中其他图区对检测结果的干扰。
在本申请所提供的实施例中，应该理解到，所揭露的装置、系统和方法，也可以通过其它的方式实现。以上所描述的装置、系统和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (7)
1.一种目标检测方法，其特征在于，应用于电子设备，所述方法包括：
从监控视频中获取第一图像；
通过滤波算法对所述第一图像进行预处理得到第二图像，所述第二图像的图像特征强度大于所述第一图像的图像特征强度；
从所述监控视频对应的参考图像序列确定目标参考图像；
根据所述目标参考图像及所述第二图像，判断所述第二图像中是否包括存在运动目标的图区；
当所述第二图像中包括存在所述运动目标的图区时，将所述第二图像中存在所述运动目标的图区输入经过预训练的深度学习模型，得到所述深度学习模型检测所述第二图像的检测结果；
在将所述第二图像中存在所述运动目标的图区输入经过预训练的深度学习模型之前，所述方法还包括：
从ImageNet数据库中获取训练图像集，所述训练图像集包括多个存在指定目标的图像及多个未存在所述指定目标的图像；
通过所述训练图像集训练深度学习模型，得到所述深度学习模型的初始网络参数；
将所述第一图像或第二图像作为所述训练图像集中的图像训练所述初始网络参数，得到联合优化网络；
通过所述指定目标相应的感兴趣区域的矩形框对应图区训练所述联合优化网络，以对所述联合优化网络中所述矩形框对应的局部检测网络参数进行微调，得到用于识别图像中是否存在指定目标的深度学习模型；
所述当所述第二图像中包括存在所述运动目标的图区时，将所述第二图像中存在所述运动目标的图区输入经过预训练的深度学习模型，得到所述深度学习模型检测所述第二图像的检测结果，包括：
当所述第二图像中包括存在所述运动目标的图区时，从所述第二图像中以最小矩形框的方式将所述运动目标所在的图区提取出来；
将提取的图区输入所述预训练的深度学习模型，得到所述深度学习模型检测所述第二图像的检测结果。
2.根据权利要求1所述的方法，其特征在于，根据所述目标参考图像及所述第二图像，判断所述第二图像中是否存在运动目标的图区，包括：
计算所述目标参考图像与所述第二图像中位置相对应的像素点的特征值的差值；
确定所述第二图像中所述差值大于或等于预设阈值的像素点为目标像素点；
基于所述目标像素点的位置计算相连通的多个所述目标像素点形成的像素面积；
当所述像素面积大于或等于预设面积时，确定多个所述目标像素点所在的区域为所述第二图像中存在所述运动目标的图区。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当所述检测结果表征所述第一图像或所述第二图像中存在未佩戴安全帽的人员图像时，发出报警提示。
4.根据权利要求1所述的方法，其特征在于，从所述监控视频对应的参考图像序列确定目标参考图像，包括：
基于获取的当前环境光照强度、环境光照强度与所述参考图像序列中的参考图像的关联关系，从所述参考图像序列中选择与所述当前环境光照强度对应的参考图像为所述目标参考图像。
5.一种目标检测装置，其特征在于，应用于电子设备，所述装置包括：
图像获取单元，用于从监控视频中获取第一图像；
预处理单元，用于通过滤波算法对所述第一图像进行预处理得到第二图像，所述第二图像的图像特征强度大于所述第一图像的图像特征强度；
确定单元，用于从所述监控视频对应的参考图像序列确定目标参考图像；
判断单元，用于根据所述目标参考图像及所述第二图像，判断所述第二图像中是否包括存在运动目标的图区；
检测单元，用于当所述第二图像中包括存在所述运动目标的图区时，将所述第二图像中存在所述运动目标的图区输入经过预训练的深度学习模型，得到所述深度学习模型检测所述第二图像的检测结果；
所述图像获取单元，还用于从ImageNet数据库中获取训练图像集，所述训练图像集包括多个存在指定目标的图像及多个未存在所述指定目标的图像；
训练单元，用于通过所述训练图像集训练深度学习模型，得到所述深度学习模型的初始网络参数；
所述训练单元，还用于将所述第一图像或第二图像作为所述训练图像集中的图像训练所述初始网络参数，得到联合优化网络；通过所述指定目标相应的感兴趣区域的矩形框对应图区训练所述联合优化网络，以对所述联合优化网络中所述矩形框对应的局部检测网络参数进行微调，得到用于识别图像中是否存在指定目标的深度学习模型；
所述检测单元，还用于当所述第二图像中包括存在所述运动目标的图区时，从所述第二图像中以最小矩形框的方式将所述运动目标所在的图区提取出来；将提取的图区输入所述预训练的深度学习模型，得到所述深度学习模型检测所述第二图像的检测结果。
6.一种电子设备，其特征在于，所述电子设备包括相互耦合的存储器、处理器，所述存储器内存储计算机程序，当所述计算机程序被所述处理器执行时，使得所述电子设备执行如权利要求1-4中任一项所述的方法。
7.一种计算机可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行如权利要求1-4中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010030509.6A CN111259763B (zh) | 2020-01-13 | 2020-01-13 | 目标检测方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010030509.6A CN111259763B (zh) | 2020-01-13 | 2020-01-13 | 目标检测方法、装置、电子设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111259763A CN111259763A (zh) | 2020-06-09 |
| CN111259763B true CN111259763B (zh) | 2024-02-02 |
Family
ID=70950427
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010030509.6A Active CN111259763B (zh) | 2020-01-13 | 2020-01-13 | 目标检测方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111259763B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111898581B (zh) * | 2020-08-12 | 2024-05-17 | 成都佳华物链云科技有限公司 | 动物检测方法、装置、电子设备及可读存储介质 |
| CN113822859B (zh) * | 2021-08-25 | 2024-02-27 | 日立楼宇技术（广州）有限公司 | 基于图像识别的物品检测方法、系统、装置和存储介质 |
| CN114419491A (zh) * | 2021-12-28 | 2022-04-29 | 云从科技集团股份有限公司 | 视频识别方法、装置及计算机存储介质 |
| CN116664849B (zh) * | 2023-05-18 | 2024-01-16 | 中关村科学城城市大脑股份有限公司 | 数据处理方法、装置、电子设备和计算机可读介质 |
| CN118097492B (zh) * | 2024-01-22 | 2024-08-02 | 中国安全生产科学研究院 | 基于人工智能深度学习的矿山违法行为智能识别方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101271516A (zh) * | 2008-04-02 | 2008-09-24 | 范九伦 | 指纹图像的方向滤波增强方法 |
| CN105469038A (zh) * | 2015-11-19 | 2016-04-06 | 国网福建省电力有限公司泉州供电公司 | 一种用于电力开闭所的安全帽视频检测方法 |
| JP2016161397A (ja) * | 2015-03-02 | 2016-09-05 | コニカミノルタ株式会社 | 流体漏れ検知装置 |
| CN106372662A (zh) * | 2016-08-30 | 2017-02-01 | 腾讯科技（深圳）有限公司 | 安全帽佩戴的检测方法和装置、摄像头、服务器 |
| WO2018121690A1 (zh) * | 2016-12-29 | 2018-07-05 | 北京市商汤科技开发有限公司 | 对象属性检测、神经网络训练、区域检测方法和装置 |
| CN108647619A (zh) * | 2018-05-02 | 2018-10-12 | 安徽大学 | 一种基于深度学习的视频中安全帽佩戴的检测方法及装置 |
| CN109241896A (zh) * | 2018-08-28 | 2019-01-18 | 腾讯科技（深圳）有限公司 | 一种通道安全检测方法、装置及电子设备 |
| CN110503112A (zh) * | 2019-08-27 | 2019-11-26 | 电子科技大学 | 一种增强特征学习的小目标检测及识别方法 |
| WO2019232830A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技（深圳）有限公司 | 机场异物检测方法、装置、计算机设备及存储介质 |
| WO2019232831A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技（深圳）有限公司 | 机场异物识别方法、装置、计算机设备及存储介质 |
| CN110619314A (zh) * | 2019-09-24 | 2019-12-27 | 杭州宇泛智能科技有限公司 | 安全帽检测方法、装置及电子设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110263686A (zh) * | 2019-06-06 | 2019-09-20 | 温州大学 | 一种基于深度学习的施工工地图像安全帽检测方法 |
-
2020
- 2020-01-13 CN CN202010030509.6A patent/CN111259763B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101271516A (zh) * | 2008-04-02 | 2008-09-24 | 范九伦 | 指纹图像的方向滤波增强方法 |
| JP2016161397A (ja) * | 2015-03-02 | 2016-09-05 | コニカミノルタ株式会社 | 流体漏れ検知装置 |
| CN105469038A (zh) * | 2015-11-19 | 2016-04-06 | 国网福建省电力有限公司泉州供电公司 | 一种用于电力开闭所的安全帽视频检测方法 |
| CN106372662A (zh) * | 2016-08-30 | 2017-02-01 | 腾讯科技（深圳）有限公司 | 安全帽佩戴的检测方法和装置、摄像头、服务器 |
| WO2018121690A1 (zh) * | 2016-12-29 | 2018-07-05 | 北京市商汤科技开发有限公司 | 对象属性检测、神经网络训练、区域检测方法和装置 |
| CN108647619A (zh) * | 2018-05-02 | 2018-10-12 | 安徽大学 | 一种基于深度学习的视频中安全帽佩戴的检测方法及装置 |
| WO2019232830A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技（深圳）有限公司 | 机场异物检测方法、装置、计算机设备及存储介质 |
| WO2019232831A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技（深圳）有限公司 | 机场异物识别方法、装置、计算机设备及存储介质 |
| CN109241896A (zh) * | 2018-08-28 | 2019-01-18 | 腾讯科技（深圳）有限公司 | 一种通道安全检测方法、装置及电子设备 |
| CN110503112A (zh) * | 2019-08-27 | 2019-11-26 | 电子科技大学 | 一种增强特征学习的小目标检测及识别方法 |
| CN110619314A (zh) * | 2019-09-24 | 2019-12-27 | 杭州宇泛智能科技有限公司 | 安全帽检测方法、装置及电子设备 |
Non-Patent Citations (9)
| Title |
|---|
| Russell C. Hardie等.LUM Filters：A Class of Rank-Order-Based Filters for Smoothing and Sharpening.《IEEE Transactions On Signal Processing》.1993,第41卷(第3期),全文. * |
| Underwater Manipulation Training Simulation System for Manned DeepSubmarine Vehicle;X. Zhang等;《IEEE Conference on Virtual Reality and 3D User Interfaces (VR)》;第2019卷;1271-1272 * |
| 基于机器学习方法的安全帽佩戴行为检测;杨莉琼等;《中国安全生产科学技术》;第15卷(第10期);152-157 * |
| 张明媛等.基于深度学习的建筑工人安全帽佩戴识别研究.《安全与环境学报》.2019,第19卷(第2期),全文. * |
| 智能视频监控下的安全帽佩戴检测系统的设计与实现;王忠玉;《中国优秀硕士学位论文全文数据库 信息科技辑》;第2018卷(第10期);I136-461 * |
| 曾钢燕等.自适应LUM滤波器.《量子电子学报》.2006,第23卷(第02期),145-149. * |
| 李千登等.钻井作业典型违章行为视频监控智能分析技术研究.《工业安全与环保》.2019,第45卷(第12期),46-49. * |
| 蔡友杰.运动目标检测与识别算法研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2009,I138-590. * |
| 赵光明.视频监控中运动目标检测算法研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2016,I136-598. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111259763A (zh) | 2020-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111259763B (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
| JP7151814B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
| CN108197546B (zh) | 人脸识别中光照处理方法、装置、计算机设备及存储介质 | |
| WO2020078229A1 (zh) | 目标对象的识别方法和装置、存储介质、电子装置 | |
| CN108875619B (zh) | 视频处理方法和装置、电子设备、计算机可读存储介质 | |
| US10445590B2 (en) | Image processing apparatus and method and monitoring system | |
| CN102147856B (zh) | 图像识别设备及其控制方法 | |
| CN112396658B (zh) | 一种基于视频的室内人员定位方法及定位系统 | |
| WO2018161289A1 (zh) | 基于深度的控制方法、基于深度的控制装置和电子装置 | |
| US10671887B2 (en) | Best image crop selection | |
| CN111444555B (zh) | 一种测温信息显示方法、装置及终端设备 | |
| CN108318773B (zh) | 一种输电导线断股检测方法及系统 | |
| JP2007264860A (ja) | 顔領域抽出装置 | |
| US11620728B2 (en) | Information processing device, information processing system, information processing method, and program | |
| WO2019061659A1 (zh) | 人脸图像眼镜去除方法、装置及存储介质 | |
| CN109089041A (zh) | 拍摄场景的识别方法、装置、电子设备和存储介质 | |
| CN112287823A (zh) | 一种基于视频监控的面部口罩识别方法 | |
| KR102299250B1 (ko) | 복합 영상 데이터를 이용한 입출력 인원 계수 장치 및 방법 | |
| CN108875477B (zh) | 曝光控制方法、装置和系统及存储介质 | |
| CN113947795A (zh) | 口罩佩戴检测方法、装置、设备及存储介质 | |
| CN117934897A (zh) | 一种设备异常检测方法、装置、设备以及存储介质 | |
| CN108710843B (zh) | 用于考勤的面部检测方法和装置 | |
| CN114885096B (zh) | 拍摄模式切换方法、电子设备及存储介质 | |
| CN110688926A (zh) | 主体检测方法和装置、电子设备、计算机可读存储介质 | |
| CN107403192B (zh) | 一种基于多分类器的快速目标检测方法及系统 |
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 |