CN111275036A - 目标检测方法、装置、电子设备及计算机可读存储介质 - Google Patents
目标检测方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111275036A CN111275036A CN201811476122.2A CN201811476122A CN111275036A CN 111275036 A CN111275036 A CN 111275036A CN 201811476122 A CN201811476122 A CN 201811476122A CN 111275036 A CN111275036 A CN 111275036A
- Authority
- CN
- China
- Prior art keywords
- frame image
- image
- target frame
- motion
- target
- 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.)
- Pending
Links
Images
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
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- 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
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种目标检测方法、装置、电子设备及计算机可读存储介质,涉及目标识别技术领域,其中,该方法包括:根据视频中目标帧图像与其他至少一帧图像,确定目标帧图像中的最小检测区域,其中,最小检测区域包括目标帧图像中的运动对象;在最小检测区域中,检测识别所述目标帧图像中的运动对象。本申请提供的目标检测方法,能够通过确定目标帧图像中的最小检测区域,并在最小检测区域中,检测识别目标帧图像中的运动对象,解决现有技术中存在的需要对视频中每一帧图像中的所有像素点进行检测的问题,达到提高检测效率,减少检测时间的效果。
Description
技术领域
本申请涉及目标识别技术领域,具体而言,涉及一种目标检测方法、装置、电子设备及计算机可读存储介质。
背景技术
行人检测(Pedestrian Detection)是利用计算机视觉技术判断图像或者视频序列中是否存在行人并给予精确定位,可以被广泛的应用在视频监控安防、无人驾驶等领域,通过对视频场景中行人、交通工具等其他运动物体来完成如人数统计、行人跟踪等任务。
现有的行人检测算法,大都是采用目标检测算法对每幅图像的全部像素点进行检测,其中像素点中包括运动对象的像素点和静止目标的像素点,通过对整幅图像的所有像素点进行检测,进而实现对视频中运动对象的检测。
但采用现有的检测算法对视频中的运动行人进行检测时,需要对视频中每一帧图像中的所有像素点进行检测,检测效率较低。
发明内容
有鉴于此,本申请实施例的目的在于提供一种目标检测方法、装置以及系统,能够通过确定目标帧图像中的最小检测区域,并在最小检测区域中,检测识别目标帧图像中的运动对象,解决现有技术中检测效率低、检测效果不佳的问题。
本申请第一方面,提供一种目标检测方法,包括:
根据视频中目标帧图像与其他至少一帧图像,确定目标帧图像中的最小检测区域,其中,最小检测区域包括目标帧图像中的运动对象。在最小检测区域中,检测识别目标帧图像中的运动对象。
可选地,根据视频中目标帧图像与其他至少一帧图像,确定目标帧图像中的最小检测区域,包括:根据视频中目标帧图像与其他至少一帧图像,获取目标帧图像与其他至少一帧图像中任一帧图像的帧差图像。根据帧差图像,确定目标帧图像中的运动区域和非运动区域。根据目标帧图像中的运动区域,确定目标帧图像中的最小检测区域。
可选地,根据帧差图像,确定目标帧图像中的运动区域和非运动区域之后,还包括将目标帧图像中非运动区域的像素点值置为预设值。
可选地,根据帧差图像,确定目标帧图像中的运动区域和非运动区域,包括将帧差图像中,灰度值为0的区域确定为非运动区域、灰度值为非0的区域确定为运动区域。
其中,最小检测区域包含目标帧图像中所有运动区域。
可选地,根据目标帧图像中的运动区域,确定目标帧图像中的最小检测区域,包括以目标帧图像中一组对角点为起点遍历像素点,查找到运动区域的边缘像素点。根据运动区域的边缘像素点,确定目标帧图像中的最小检测区域。
可选地,根据视频中目标帧图像与其他至少一帧图像,获取目标帧图像与其他至少一帧图像中任一帧图像的帧差图像,包括在其他至少一帧图像中确定待比较帧图像。获取目标帧图像的灰度图像和待比较帧图像的灰度图像。计算目标帧图像的灰度图像和待比较帧图像的灰度图像之间的帧差图像。
可选地,根据帧差图像,确定目标帧图像中的运动区域和非运动区域,包括对帧差图像进行二值化,获取二值化后的帧差图像。根据二值化后的帧差图像,确定目标帧图像中的运动区域和非运动区域。
可选地,在最小检测区域中,检测识别目标帧图像中的运动对象之后,还包括获取运动对象在最小检测区域中的坐标信息。根据最小检测区域与目标帧图像的坐标关系,获取运动对象在目标帧图像中的坐标信息。
本申请第二方面,还提供一种目标检测装置,包括:确定模块和检测模块。
确定模块,用于根据视频中目标帧图像与其他至少一帧图像,确定目标帧图像中的最小检测区域。
检测模块,用于在最小检测区域中,检测识别目标帧图像中的运动对象。
可选地,确定模块,具体用于根据视频中目标帧图像与其他至少一帧图像,获取目标帧图像与其他至少一帧图像中任一帧图像的帧差图像。根据帧差图像,确定目标帧图像中的运动区域和非运动区域。根据目标帧图像中的运动区域,确定目标帧图像中的最小检测区域。
可选地,还包括设置模块,用于将目标帧图像中非运动区域的像素点值置为预设值。
可选地,确定模块,具体用于将帧差图像中,灰度值为0的区域确定为非运动区域、灰度值为非0的区域确定为运动区域。
其中,最小检测区域包含目标帧图像中所有运动区域。
可选地,确定模块,具体用于以目标帧图像中一组对角点为起点遍历像素点,查找到运动区域的边缘像素点。根据运动区域的边缘像素点,确定目标帧图像中的最小检测区域。
可选地,确定模块,具体用于在其他至少一帧图像中确定待比较帧图像。获取目标帧图像的灰度图像和待比较帧图像的灰度图像。计算目标帧图像的灰度图像和待比较帧图像的灰度图像之间的帧差图像。
可选地,确定模块,具体用于对帧差图像进行二值化,获取二值化后的帧差图像。根据二值化后的帧差图像,确定目标帧图像中的运动区域和非运动区域。
可选地,还包括获取模块,用于获取运动对象在最小检测区域中的坐标信息。根据最小检测区域与目标帧图像的坐标关系,获取运动对象在目标帧图像中的坐标信息。
本申请还提供了一种电子设备,包括:处理器、存储介质和总线,存储介质存储有处理器可执行的机器可读指令,当电子设备运行时,处理器与存储介质之间通过总线通信,处理器执行机器可读指令,以执行上述的目标检测方法。
此外,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述的目标检测方法。
基于上述任一方面,本申请提供的一种目标检测方法,能够通过确定目标帧图像中的最小检测区域,并在最小检测区域中,检测识别目标帧图像中的运动对象,实现了在目标帧图像的部分区域进行检测即可识别运动对象,从而提高检测效率,减少检测时间的效果。
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示出了本申请一实施例提供的目标检测方法的应用场景图;
图2示出了本申请一实施例提供的目标检测方法的流程示意图;
图3示出了本申请另一实施例提供的目标检测方法的流程示意图;
图4示出了本申请另一实施例提供的目标检测方法的流程示意图;
图5示出了本申请另一实施例提供的目标检测方法的流程示意图;
图6示出了本申请另一实施例提供的目标检测方法的流程示意图;
图7示出了本申请一实施例提供的目标检测方法中最小检测区域裁剪示意图;
图8示出了本申请一实施例提供的目标检测方法的结果示意图;
图9示出了本申请又一实施例提供的目标检测方法的流程示意图;
图10示出了本申请一实施例提供的目标检测装置的结构示意图;
图11示出了本申请另一实施例提供的目标检测装置的结构示意图;
图12示出了本申请又一实施例提供的目标检测装置的结构示意图;
图13示出了本申请一实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容,结合特定应用场景“行人检测”,给出以下实施例。对于本领域技术人员来说,在不脱离本申请的精神和范围的情况下,可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕行人检测进行描述,但是应该理解,这仅是一个示例性实施例。本申请可以应用于任何其他的检测类型。例如,本申请可以应用于车辆检测、物体检测等需要检测运动对象的场景或其任意组合。本申请还可以包括用于行人检测的任何服务系统,例如,用于监控行人的监控系统、用于识别罪犯的识别系统等。本申请方法的应用可以包括网页、浏览器的插件、客户端终端、定制系统、内部分析系统、或人工智能机器人等,或其任意组合。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
图1示出了本申请一实施例提供的目标检测方法的应用场景图。
如图1所示,本申请给出了一种可能的目标检测方法的应用场景,其中,包括:视频获取设备、服务器、终端。
视频获取设备可以为可旋转监控摄像头、监控摄像头、摄像机等。该视频获取设备通过网络连接至服务器,将拍摄的视频发送至服务器,终端通过网络访问服务器,获取视频获取设备拍摄的视频。可选地,视频获取设备也可以直接与终端连接、视频获取设备还可以集成于终端。
可选地,网络可以是有线网络和无线网络,有线网络包括局域网(Local AreaNetwork,LAN)、广域网(Wide Area Network,WAN)、城域网(Metropolitan Area Network,MAN)等,或其任意组合。
无线网络包括蜂窝移动网络,例如第二代移动通信技术(Second Generation,2G)、第三代移动通信技术(Third Generation,3G)、第四代移动通信技术(FourthGeneration,4G)、4G+或第五代移动通信技术(Fifth Generation,5G)等,典型的4G网络包括长期演进(Long Term Evolution,LET)网络等;还可以是物联网,例如紫蜂协议(ZigBee)、无线保真(Wireless-Fidelity,Wi-fi)、窄带物联网(Narrow Band Internet ofThings,NB-IoT)、超长距低功耗数据传输技术(Long Range,LoRa)、增强型机器类型通信(enhanced Machine-Type Communication,eMTC)等,或其任意组合。在一些实施方式中,也可以是有线网络和无线网络的组合,例如视频获取设备使用无线网络将视频发送给服务器,终端通过有线网络访问服务器等。
本申请提供的目标检测方法可以由上述终端或服务器执行,其中,终端可以是电脑,包括台式电脑和笔记本电脑,还可以是移动端,如平板电脑、智能手机等,也可以是其任意组合,只要能够执行本申请给出的目标检测方法的设备,均可作为终端使用。
可选地,服务器可以是单个服务器,也可以是服务器组。服务器组可以是集中式的,也可以是分布式的。在一些实施方式中,服务器相对于终端,可以是本地的、也可以是远程的。例如,终端可以经由网络访问存储服务器中的数据,终端也可以与服务器为同一设备,例如服务器直接执行本申请提供的目标检测方法来检测接收到的视频。在一些实施方式中,服务器可以在云平台上实现;仅作为示例,云平台可以包括私有云、公有云、混合云、社区云(community cloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等,或者它们的任意组合。
可选地,服务器可以包括处理器。处理器可以处理与服务请求有关的信息和/或数据,以执行本申请中描述的一个或多个功能。例如,处理器可以基于从视频获取设备获得的视频来检测目标。在一些实施方式中,处理器可以包括一个或多个处理核(例如,单核处理器(S)或多核处理器(S))。仅作为举例,处理器可以包括中央处理单元(CentralProcessing Unit,CPU)、专用集成电路(Application Specific Integrated Circuit,ASIC)、专用指令集处理器(Application Specific Instruction-set Processor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics ProcessingUnit,PPU)、数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(Reduced Instruction Set Computing,RISC)、或微处理器等,或其任意组合。
图2示出了本申请一实施例提供的目标检测方法的流程示意图。
如图2所示,该目标检测方法包括:
S101、根据视频中目标帧图像与其他至少一帧图像,确定目标帧图像中的最小检测区域。
该最小检测区域可以指包括上述目标帧图像中的运动对象。运动对象指识别出图像中处于运动状态的事物。
可选地,其他至少一帧图像可以是目标帧图像的前x帧的帧图像和/或后y帧的帧图像,其中,x、y可以根据需要取任意大于0的整数,但不以此为限,例如,帧图像的数量可以更多,帧图像距离目标帧图像的距离可以更远,在此不做限制。
需要说明的是,确定目标帧图像中的最小检测区域指的是目标帧图像中,运动对象的所在的最小区域。其中,运动对象可以为一个,也可以为多个。当运动对象为一个时,最小检测区域为框住该运动对象的最小的框;当运动对象为多个时,最小检测区域为同时框住多个运动对象的最小的框。
S102、在最小检测区域中,检测识别目标帧图像中的运动对象。
可选地,最小检测区域中的运动对象种类可能有多种,例如,车、人、动物等。其中,检测识别目标帧图像中的运动对象,可以识别特定的运动对象,也可以识别所有的运动对象并对其分类。
例如,应用于行人检测时,可以只识别运动对象中的人;而应用于物体检测时,则可以识别车、人、动物等所有的运动对象,并在识别后,对其标记对应的标签。
本实施例中,能够通过确定目标帧图像中的最小检测区域,并在最小检测区域中,检测识别目标帧图像中的运动对象,实现了在目标帧图像的部分区域进行检测即可识别运动对象,从而达到提高检测效率,减少检测时间的效果。
图3示出了本申请另一实施例提供的目标检测方法的流程示意图。
如图3所示,可选地,上述S101可以包括:
S101a、根据视频中目标帧图像与其他至少一帧图像,获取目标帧图像与其他至少一帧图像中任一帧图像的帧差图像。
其中,帧差图像可以通过像素值相减获取,在此不做限制。
S101b、根据帧差图像,确定目标帧图像中的运动区域和非运动区域。
需要说明的是,运动区域指包含运动对象的区域,相应地,非运动区域指不包含运动对象的区域。
S101c、根据目标帧图像中的运动区域,确定目标帧图像中的最小检测区域。
图4示出了本申请另一实施例提供的目标检测方法的流程示意图。
如图4所示,可选地,S101a可以包括以下步骤:
S101a1、在其他至少一帧图像中确定待比较帧图像。
可选地,待比较帧图像可以有多种确定方法,例如,可以根据不同需求选取不同的时间间隔获取帧图像,可以只获取一帧作为待比较帧图像,也可以获取多帧作为待比较帧图像。
在此,仅作为举例,下文中以获取目标帧图像的后一帧的帧图像作为待比较帧图像进行解释。
S101a2、获取目标帧图像的灰度图像和待比较帧图像的灰度图像。
其中,灰度图像指的是灰度数字图像,灰度数字图像是每个像素只有一个采样颜色的图像。灰度数字图像通常显示为从最暗黑色(灰度值为0)到最亮的白色(灰度值为255)的灰度,灰度图像在黑色与白色之间还有许多级的颜色深度。
灰度图像的获取方法包括:先获取当前图像中每个像素的灰度值(Gray),然后将当前图像中原来的每个像素红绿蓝(红,绿,蓝)(RedGreenBlue(Red,Green,Blue),RGB(R,G,B))中的R,G,B统一用Gray替换,形成当前像素新的RGB(Gray,Gray,Gray),最后用新的RGB替换原来每个像素的RGB(R,G,B),得到灰度图像。
其中,获取Gray的方法包括:
浮点算法:Gray=R×0.3+G×0.59+B×0.11。
整数方法:Gray=(R×30+G×59+B×11)/100。
移位方法:Gray=(R×76+G×151+B×28)>>8。
平均值法:Gray=(R+G+B)/3。
取绿色:Gray=G等,具体使用何种方法获取Gary,在此不做限制。
S101a3、计算目标帧图像的灰度图像和待比较帧图像的灰度图像之间的帧差图像。
可选地,计算目标帧图像的灰度图像和待比较帧图像的灰度图像之间的帧差图像,可以通过将目标帧图像的灰度图像和待比较帧图像的灰度图像中对应的像素点相减。其中,目标帧图像中和待比较帧图像中均为静止的像素点在两张图像中的灰度值接近或相同,相减之后该像素点的灰度值接近于0,这样可以突出目标帧图像和待比较帧图像中运动部分的轮廓。
可选地,S101b可以包括:对帧差图像进行二值化,获取二值化后的帧差图像。根据二值化后的帧差图像,确定目标帧图像中的运动区域和非运动区域。
其中,由于图片噪声等多种影响因素,帧差图像中的非运动区域无法保证其中的灰度值均为0,因此,需要对帧差图像进行二值化,二值化指的是将帧差图像上的像素点的灰度值设置为0或255,获得只有黑和白的图像。
其中,二值化的方法有多种,仅作为举例说明,可以包括大津法(Otsu)或者基特勒法(Kittler),但不以此为限。
Otsu又称为最大类间方差法,其中,在Otsu中,需要设置阈值t,对于一幅图像,运动对象与静止对象的阈值为t。运动对象占图像比例为w0,均值为u0,静止对象占图像比例为w1,均值为u1。则整个图像的均值u为:u=w0×u0+w1×u1。
建立目标函数g(t)=w0×(u0-u)2+w1×(u1-u)2,g(t)就是当阈值为t时的类间方差表达式。Otsu可以使g(t)取得全局最大值,使目标与背景之间的反差最大,当g(t)为最大时所对应的t称为最佳阈值。然后将灰度值大于t的像素的灰度值设为255,将灰度值小于t的像素的灰度值设为0,获得二值化后的帧差图像。
Kittler与Otsu效果接近,但速度更快,更适宜应用于像素质量较高的图像中。Kittler会计算整幅图像灰度的平均值,以此平均值作为阈值t,然后将灰度值大于t的像素的灰度值设为255,将灰度值小于t的像素的灰度值设为0,获得二值化后的帧差图像。
可选地,将帧差图像中,灰度值为0的区域确定为非运动区域、灰度值为非0的区域确定为运动区域。
帧差图像经过二值化后,整幅图像中像素点的灰度值有两种值,一种是0,一种是255(即灰度值非0),将其中灰度值为0的区域确定为非运动区域,灰度值为255的区域确定为运动区域。
可选地,帧差图像的二值化,还可以将帧差图像中,灰度值大于t的像素组成的区域内的像素灰度值设为一个数值,如254、253、0、1、等,并将该区域确定为运动区域;将灰度值小于t的像素组成的区域内的像素灰度值设为另一个数值,如1、2、253、254等,并将该区域确定为非运动区域。例如,可以将像素灰度值大于125的区域内的像素灰度值设为0,则像素灰度值为0的区域为运动区域,将像素灰度值小于125的区域内的像素灰度值设为255,则像素灰度值为255的区域为非运动区域。
可选地,将帧差图像二值化之后,还可以将二值化后的帧差图像进行降噪、优化,例如,进行腐蚀和膨胀的形态学处理,消除小的孔洞,获得更加平滑的图像。其中,降噪、优化的方式不做限制。
可选地,二值化后的帧差图像中,所有运动区域的面积之和小于预设值,则认为该目标帧图像中不存在运动对象,可以跳过该帧,并将该帧标记为无运动对象图像。例如,二值化后的帧差图像中,所有运动区域的面积之和小于整幅画面的5%,则认为该帧中不存在运动对象,其中,预设值的确定以实际应用时的情况为准,在此不做限制。如上所述,过滤掉视频中不存在运动对象的帧,可以有效的减少不必要的计算,提高运算速度。
需要说明的是,在确定帧差图像中的运动区域和非运动区域之后,还可以将目标帧图像中,与帧差图像中运动区域对应的区域设为目标帧图像中的运动区域,将目标帧图像中,与帧差图像中非运动区域对应的区域设为目标帧图像中的非运动区域。
可选地,S101b之后,还包括将目标帧图像中非运动区域的像素点值置为预设值。
在目标帧图像中确定了运动区域和非运动区域后,保留运动区域的像素点的数值,将非运动区域中像素点的数值置为预设数值,例如,置为0,即将非运动区域置为黑色,还可以置为1,即将非运动区域置为白色。将非运动区域中像素点的数值置为何值在此不做限制。
图5示出了本申请另一实施例提供的目标检测方法的流程示意图。
如图5所示,可选地,S101c包括:
S101c1、以目标帧图像中一组对角点为起点遍历像素点,查找到运动区域的边缘像素点。
例如,可以从目标帧图像的左上角开始,以递增的方式,按照先行后列的顺序对目标帧图像进行扫描,查找到运动区域左侧和上方的边缘像素点;从目标帧图像的右下角开始,以递减的方式,按照先行后列的顺序,对目标帧图像进行扫描,查找到运动区域右侧和下方的边缘像素点。
可选地,还可以采取不同的查找方式。例如,从上方开始,以递增的方式,按照行对目标帧图像进行扫描,查找到运动区域上方的边缘像素点;从下方开始,以递减的方式,按照行对目标帧图像进行扫描,查找到运动区域下方的边缘像素点;从左侧开始,以递增的方式,按照列对目标帧图像进行扫描,查找到运动区域左侧的边缘像素点;从右侧开始,以递减的方式,按照列对目标帧图像进行扫描,查找到运动区域右侧的边缘像素点。查找运动区域边缘像素点的方式还可以有多种,在此不做限制。
S101c2、根据运动区域的边缘像素点,确定目标帧图像中的最小检测区域。
可选地,可以使用多种方法确定目标帧图像中的最小检测区域,例如,在查找到运动区域边缘像素点之后,根据运动区域边缘像素点的坐标,设置一个能够将所有边缘像素点框住的最小矩形框,该矩形框框住的范围即目标帧图像中的最小检测区域。
可选地,还可以根据运动区域的边缘像素点的坐标,设置一个能将所有边缘像素点框住的不规则图形框、圆形框、三角形框、多边形框等,该框框住的范围即目标帧图像中的最小检测区域,使用何种方式确定目标帧图像中的最小检测区域在此不做限制。
需要说明的是,最小检测区域包含目标帧图像中所有运动区域。
可选地,目标帧图像中可能有多个运动区域,例如,一幅街道的图像,可能存在车辆、行人等运动对象,每个运动对象对应一个运动区域,最小检测区域中包含了该图像中所有车辆、行人等对应的运动区域。
以最小检测区域为矩形为例,若目标帧图像的尺寸为1920*1080,采用本申请提供的方法获取到目标帧图像中的最小检测区域,对目标帧图像进行裁剪,生成只包含最小检测区域的检测图像,例如裁剪后生成的检测图像的尺寸为900*800。
图6示出了本申请另一实施例提供的目标检测方法的流程示意图。
如图6所示,可选地,在最小检测区域中,检测识别目标帧图像中的运动对象之后,还包括:
S103、获取运动对象在最小检测区域中的坐标信息。
可选地,可以将上述检测图像输入检测算法中,检测出其中的运动对象的坐标信息。其中,检测算法可以有一阶(one stage)算法,典型的使用one stage算法的检测算法包括:你只看一次(You Only Look Once,Yolo)、单次多框检测器(Single Shot MultiBoxDetector,SSD)等;检测算法还可以包括二阶(two stage)算法,例如,快速区域卷积神经网络(Fast Region-Convolutional Neural Networks,Fast R-CNN)、更快速区域卷积神经网络(Faster Region-Convolutional Neural Networks,Faster R-CNN)、视觉几何组网络(Visual Geometry Group Network,VGGnet)等,在此不限制检测算法的类型。
需要说明的是,目前,常规的图像检测算法对图像的大小有规定,检测时会对图像进行缩放,若图像太大,缩放后会导致图像中较小的目标不清晰,而无法被检测出。裁剪之后的图像中,较小的目标相应变大,即使输入图像检测算法后,图像检测算法对图像进行缩放也不会影响小目标的检测。
对将上述检测图像输入检测算法中,检测出其中的运动对象的坐标信息,举例进行说明。
例如,一种可能的实施方式中,在进行行人检测时,上述检测图像中可能存在多个行人,在将检测图像输入检测算法后,检测算法检测出多个行人,并将检测图像中存在的每个行人都用框框出,其中,框住行人的框的坐标信息即为该行人在最小检测区域中的坐标信息。
可选地,在进行分类检测时,检测图像中可能存在机动车辆、非机动车辆、行人、动物或其他运动的物体等,在将检测图像输入检测算法后,检测算法检测出多个不同类型的运动对象,并将检测图像中存在的每个运动对象都用框框出,并标记类型,其中,框住运动对象的框的坐标信息即为该运动对象在最小检测区域中的坐标信息。
当然不以上述实施方式为例,也可以取运动对象在最小检测区域中的重心坐标点作为运动对象在最小检测区域中的坐标信息。或者,获取运动对象在最小检测区域中边缘轮廓的像素点坐标作为运动对象在最小检测区域中的坐标信息等。
S104、根据最小检测区域与目标帧图像的坐标关系,获取运动对象在目标帧图像中的坐标信息。
可选地,由于包含最小检测区域的检测图像是目标帧图像经过裁剪后生成的,因此检测图像中每个像素的坐标都可以对应目标帧图像最小检测区域中的坐标,根据最小检测区域与目标帧图像的坐标关系即可获取运动对象在目标帧图像中的坐标信息。
其中,最小检测区域与目标帧图像的坐标关系可以根据最小检测区域在原目标帧图像中的坐标位置计算获取,本申请不作限制。
图7示出了本申请一实施例提供的目标检测方法中最小检测区域裁剪示意图。
在此以图7的情况为例,对如何将框住每个运动对象的框在目标帧图像中进行标记予以说明,但不以此为限。
其中,在S103中,获取了每个运动对象在最小检测区域中的坐标信息,即获取了框住每个运动对象的框的坐标信息,同时,在S101c中,可以获得最小检测区域在目标帧图像中的坐标。
如图7所示,获取框住每个运动对象的矩形框左上角在检测图像中的坐标,例如,左上角的坐标为(xi,yi)。同时,设目标帧图像中左下角坐标为(0,0),最小检测区域左下角在目标帧图像中的左下角坐标为(x1,y1),则可获取检测图像相对于目标帧图像的坐标差值,即该矩形框的左上角坐标在目标帧图像中的坐标值为(xi+x1,yi+y1)。其中,如果该矩形框是使用左上角坐标和框的长宽定义的,如长L,宽W,则可以直接获取运动对象在目标帧图像中的坐标信息,即左上角的坐标为(xi+x1,yi+y1),右上角的坐标为(xi+x1+L,yi+y1),左下角的坐标为(xi+x1,yi+y1-W),右下角的坐标为(xi+x1+L,yi+y1-W);若矩形框是使用左上角坐标和右下角坐标定义的,则还需要获取矩形框右下角坐标在目标帧图像中的坐标值,例如,矩形框的右下角坐标为(xj,yj)时,则框右下角坐标在目标帧图像中的坐标值为(xj+x1,yj+y1),然后,以矩形框左上角在目标帧图像中的坐标和右下角在目标帧图像中的坐标获取运动对象在目标帧图像中的坐标信息,即左上角的坐标为(xi+x1,yi+y1),右上角的坐标为(xj+x1+L,yi+y1),左下角的坐标为(xi+x1,yj+y1),右下角的坐标为(xj+x1,yj+y1)。
图8示出了本申请一实施例提供的目标检测方法的结果示意图。
如图8所示,可选地,在获取运动对象在目标帧图像中的坐标信息后,还可以在目标帧图像中将每个运动对象使用矩形框进行标记,例如,检测到了运动区域,且于运动对象为汽车,则在目标帧图像中,根据上述方法将运动区域框住。在用矩形框标记出运动对象后,还可以为该矩形框添加类型标识,例如,识别出框内为汽车时,添加标记“车”、识别出框内为行人时,添加标记“人”等。
需要说明的是,在目标帧图像中对运动对象标记的方式有多种,例如使用圆形框、椭圆框、不规则形框、多边形框等,但不以此为限;同时,是否对运动对象添加类型标识,在此也不做限制。
图9示出了本申请又一实施例提供的目标检测方法的流程示意图。
如图9所示,该实施例包括:
S201、在其他至少1帧图像中确定待比较帧图像。
S202、获取目标帧图像的灰度图像和待比较帧图像的灰度图像。
S203、计算目标帧图像的灰度图像和待比较帧图像的灰度图像之间的帧差图像。
S204、对帧差图像进行二值化,获取二值化后的帧差图像。
S205、根据二值化后的帧差图像,确定目标帧图像中的运动区域和非运动区域。
S206、将帧差图像中,像素值为0的区域确定为非运动区域、像素值为非0的区域确定为运动区域。
S207、将目标帧图像中非运动区域的像素点值置为预设值。
S208、目标帧图像中一组对角点为起点遍历像素点,查找到运动区域的边缘像素点。
S209、根据运动区域的边缘像素点,确定目标帧图像中的最小检测区域。
S210、获取运动对象在最小检测区域中的坐标信息。
S211、根据最小检测区域与目标帧图像的坐标关系,获取运动对象在目标帧图像中的坐标信息。
图10示出了本申请一实施例提供的目标检测装置的结构示意图。
本申请的另一方面,还提供一种目标检测装置,该目标检测装置实现的功能对应上述方法执行的步骤。该装置可以理解为上述服务器或终端,上述装置也可以集成于服务器或终端,也可以理解为独立于上述服务器或处理器之外的在服务器控制下实现本申请功能的组件。
如图10所示,目标检测装置包括:确定模块301和检测模块302。
确定模块301,用于根据视频中目标帧图像与其他至少一帧图像,确定目标帧图像中的最小检测区域。
检测模块302,用于在最小检测区域中,检测识别目标帧图像中的运动对象。
可选地,确定模块301,具体用于根据视频中目标帧图像与其他至少一帧图像,获取目标帧图像与其他至少一帧图像中任一帧图像的帧差图像。根据帧差图像,确定目标帧图像中的运动区域和非运动区域。根据目标帧图像中的运动区域,确定目标帧图像中的最小检测区域。
图11示出了本申请另一实施例提供的目标检测装置的结构示意图。
可选地,如图11所示,还包括设置模块303,用于将目标帧图像中非运动区域的像素点值置为预设值。
可选地,确定模块301,具体用于将帧差图像中,灰度值为0的区域确定为非运动区域、灰度值为非0的区域确定为运动区域。
其中,最小检测区域包含目标帧图像中所有运动区域。
可选地,确定模块301,具体用于以目标帧图像中一组对角点为起点遍历像素点,查找到运动区域的边缘像素点。根据运动区域的边缘像素点,确定目标帧图像中的最小检测区域。
可选地,确定模块301,具体用于在其他至少一帧图像中确定待比较帧图像。获取目标帧图像的灰度图像和待比较帧图像的灰度图像。计算目标帧图像的灰度图像和待比较帧图像的灰度图像之间的帧差图像。
可选地,确定模块301,具体用于对帧差图像进行二值化,获取二值化后的帧差图像。根据二值化后的帧差图像,确定目标帧图像中的运动区域和非运动区域。
图12示出了本申请又一实施例提供的目标检测装置的结构示意图。
可选地,如图12所示,还包括获取模块304,用于获取运动对象在最小检测区域中的坐标信息。根据最小检测区域与目标帧图像的坐标关系,获取运动对象在目标帧图像中的坐标信息。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(DigitalSingnalProcessor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(CentralProcessing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(System-On-a-Chip,简称SOC)的形式实现。
上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等,或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee等形式的连接,或其任意组合。两个或更多个模块可以组合为单个模块,并且任何一个模块可以分成两个或更多个单元。
图13示出了本申请一实施例提供的电子设备的结构示意图。
如图13所示,本申请还提供了一种电子设备,包括:处理器401、存储介质402和总线403,存储介质402存储有处理器401可执行的机器可读指令,当电子设备运行时,处理器401与存储介质402之间通过总线403通信,处理器401执行机器可读指令,以执行上述的目标检测方法。
此外,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述的目标检测方法。
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,上述描述的系统和装置的具体工作过程,可以参考方法实施例中的对应过程,本申请中不再赘述。在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元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。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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一个存储介质中,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例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施例,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (20)
1.一种目标检测方法,其特征在于,包括:
根据视频中目标帧图像与其他至少一帧图像,确定所述目标帧图像中的最小检测区域,其中,所述最小检测区域包括所述目标帧图像中的运动对象;
在所述最小检测区域中,检测识别所述目标帧图像中的运动对象。
2.根据权利要求1所述的方法,其特征在于,所述根据视频中目标帧图像与其他至少一帧图像,确定所述目标帧图像中的最小检测区域,包括:
根据视频中目标帧图像与其他至少一帧图像,获取目标帧图像与其他至少一帧图像中任一帧图像的帧差图像;
根据所述帧差图像,确定所述目标帧图像中的运动区域和非运动区域;
根据所述目标帧图像中的运动区域,确定所述目标帧图像中的最小检测区域。
3.根据权利要求2所述的方法,其特征在于,所述根据所述帧差图像,确定所述目标帧图像中的运动区域和非运动区域之后,还包括:
将所述目标帧图像中所述非运动区域的像素点值置为预设值。
4.根据权利要求2所述的方法,其特征在于,所述根据所述帧差图像,确定所述目标帧图像中的运动区域和非运动区域,包括:
将所述帧差图像中,灰度值为0的区域确定为非运动区域、灰度值为非0的区域确定为运动区域。
5.根据权利要求2-4任一项所述的方法,其特征在于,所述最小检测区域包含所述目标帧图像中所有所述运动区域。
6.根据权利要求2-4任一项所述的方法,其特征在于,所述根据所述目标帧图像中的运动区域,确定所述目标帧图像中的最小检测区域,包括:
以所述目标帧图像中一组对角点为起点遍历像素点,查找到所述运动区域的边缘像素点;
根据所述运动区域的边缘像素点,确定所述目标帧图像中的最小检测区域。
7.根据权利要求2所述的方法,其特征在于,所述根据视频中目标帧图像与其他至少一帧图像,获取目标帧图像与其他至少一帧图像中任一帧图像的帧差图像,包括:
在其他至少一帧图像中确定待比较帧图像;
获取所述目标帧图像的灰度图像和所述待比较帧图像的灰度图像;
计算所述目标帧图像的灰度图像和所述待比较帧图像的灰度图像之间的帧差图像。
8.根据权利要求7所述的方法,其特征在于,所述根据所述帧差图像,确定所述目标帧图像中的运动区域和非运动区域,包括:
对所述帧差图像进行二值化,获取二值化后的帧差图像;
根据所述二值化后的帧差图像,确定所述目标帧图像中的运动区域和非运动区域。
9.根据权利要求1所述的方法,其特征在于,所述在所述最小检测区域中,检测识别所述目标帧图像中的运动对象之后,还包括:
获取所述运动对象在所述最小检测区域中的坐标信息;
根据所述最小检测区域与所述目标帧图像的坐标关系,获取所述运动对象在所述目标帧图像中的坐标信息。
10.一种目标检测装置,其特征在于,包括:确定模块和检测模块;
所述确定模块,用于根据视频中目标帧图像与其他至少一帧图像,确定所述目标帧图像中的最小检测区域,其中,所述最小检测区域包括所述目标帧图像中的运动对象;
所述检测模块,用于在所述最小检测区域中,检测识别所述目标帧图像中的运动对象。
11.根据权利要求10所述的装置,其特征在于,所述确定模块,具体用于根据视频中目标帧图像与其他至少一帧图像,获取目标帧图像与其他至少一帧图像中任一帧图像的帧差图像;根据所述帧差图像,确定所述目标帧图像中的运动区域和非运动区域;根据所述目标帧图像中的运动区域,确定所述目标帧图像中的最小检测区域。
12.根据权利要求11所述的装置,其特征在于,还包括:
设置模块,用于将所述目标帧图像中所述非运动区域的像素点值置为预设值。
13.根据权利要求11所述的装置,其特征在于,所述确定模块,具体用于将所述帧差图像中,灰度值为0的区域确定为非运动区域、灰度值为非0的区域确定为运动区域。
14.根据权利要求11-13任一项所述的装置,其特征在于,所述最小检测区域包含所述目标帧图像中所有所述运动区域。
15.根据权利要求11-13任一项所述的装置,其特征在于,所述确定模块,具体用于以所述目标帧图像中一组对角点为起点遍历像素点,查找到所述运动区域的边缘像素点;
根据所述运动区域的边缘像素点,确定所述目标帧图像中的最小检测区域。
16.根据权利要求11所述的装置,其特征在于,所述确定模块,具体用于在其他至少一帧图像中确定待比较帧图像;获取所述目标帧图像的灰度图像和所述待比较帧图像的灰度图像;计算所述目标帧图像的灰度图像和所述待比较帧图像的灰度图像之间的帧差图像。
17.根据权利要求16所述的装置,其特征在于,所述确定模块,具体用于对所述帧差图像进行二值化,获取二值化后的帧差图像;根据所述二值化后的帧差图像,确定所述目标帧图像中的运动区域和非运动区域。
18.根据权利要求10所述的装置,其特征在于,还包括:
获取模块,用于获取所述运动对象在所述最小检测区域中的坐标信息;根据所述最小检测区域与所述目标帧图像的坐标关系,获取所述运动对象在所述目标帧图像中的坐标信息。
19.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1-9任一项所述的目标检测方法。
20.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1-9任一项所述的目标检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811476122.2A CN111275036A (zh) | 2018-12-04 | 2018-12-04 | 目标检测方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811476122.2A CN111275036A (zh) | 2018-12-04 | 2018-12-04 | 目标检测方法、装置、电子设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111275036A true CN111275036A (zh) | 2020-06-12 |
Family
ID=70998669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811476122.2A Pending CN111275036A (zh) | 2018-12-04 | 2018-12-04 | 目标检测方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111275036A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112347875A (zh) * | 2020-10-26 | 2021-02-09 | 清华大学 | 基于区域划分的边缘协同目标检测方法及装置 |
CN112433193A (zh) * | 2020-11-06 | 2021-03-02 | 山东产研信息与人工智能融合研究院有限公司 | 一种基于多传感器的模位置定位方法及系统 |
CN113393487A (zh) * | 2021-05-26 | 2021-09-14 | 深圳市宏电技术股份有限公司 | 运动目标检测方法、装置、电子设备及介质 |
CN113435287A (zh) * | 2021-06-21 | 2021-09-24 | 深圳拓邦股份有限公司 | 草地障碍物识别方法、装置、割草机器人及可读存储介质 |
CN113538337A (zh) * | 2021-06-17 | 2021-10-22 | 杭州涂鸦信息技术有限公司 | 检测方法、检测装置及计算机可读存储介质 |
CN114943909A (zh) * | 2021-03-31 | 2022-08-26 | 华为技术有限公司 | 运动区域识别的方法、装置、设备及系统 |
CN116718791A (zh) * | 2023-04-13 | 2023-09-08 | 东莞市杜氏诚发精密弹簧有限公司 | 扭矩弹簧的转速检测方法、设备、系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222346A (zh) * | 2011-05-23 | 2011-10-19 | 北京云加速信息技术有限公司 | 一种车辆检测和跟踪方法 |
CN102270346A (zh) * | 2011-07-27 | 2011-12-07 | 宁波大学 | 一种交互式视频中的目标对象的提取方法 |
US20130259310A1 (en) * | 2012-03-30 | 2013-10-03 | Canon Kabushiki Kaisha | Object detection method, object detection apparatus, and program |
CN106488133A (zh) * | 2016-11-17 | 2017-03-08 | 维沃移动通信有限公司 | 一种运动对象的检测方法及移动终端 |
-
2018
- 2018-12-04 CN CN201811476122.2A patent/CN111275036A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222346A (zh) * | 2011-05-23 | 2011-10-19 | 北京云加速信息技术有限公司 | 一种车辆检测和跟踪方法 |
CN102270346A (zh) * | 2011-07-27 | 2011-12-07 | 宁波大学 | 一种交互式视频中的目标对象的提取方法 |
US20130259310A1 (en) * | 2012-03-30 | 2013-10-03 | Canon Kabushiki Kaisha | Object detection method, object detection apparatus, and program |
CN106488133A (zh) * | 2016-11-17 | 2017-03-08 | 维沃移动通信有限公司 | 一种运动对象的检测方法及移动终端 |
Non-Patent Citations (2)
Title |
---|
刘永森: "行人检测与跟踪方法研究", 中国优秀硕士学位论文全文数据库, no. 2, pages 138 - 3087 * |
郭溪溪 等: "静态背景下运动目标边缘提取", vol. 40, no. 13, pages 62 - 65 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112347875A (zh) * | 2020-10-26 | 2021-02-09 | 清华大学 | 基于区域划分的边缘协同目标检测方法及装置 |
CN112433193A (zh) * | 2020-11-06 | 2021-03-02 | 山东产研信息与人工智能融合研究院有限公司 | 一种基于多传感器的模位置定位方法及系统 |
CN112433193B (zh) * | 2020-11-06 | 2023-04-07 | 山东产研信息与人工智能融合研究院有限公司 | 一种基于多传感器的模位置定位方法及系统 |
CN114943909A (zh) * | 2021-03-31 | 2022-08-26 | 华为技术有限公司 | 运动区域识别的方法、装置、设备及系统 |
CN114943909B (zh) * | 2021-03-31 | 2023-04-18 | 华为技术有限公司 | 运动区域识别的方法、装置、设备及系统 |
CN113393487A (zh) * | 2021-05-26 | 2021-09-14 | 深圳市宏电技术股份有限公司 | 运动目标检测方法、装置、电子设备及介质 |
CN113393487B (zh) * | 2021-05-26 | 2023-12-29 | 深圳市宏电技术股份有限公司 | 运动目标检测方法、装置、电子设备及介质 |
CN113538337A (zh) * | 2021-06-17 | 2021-10-22 | 杭州涂鸦信息技术有限公司 | 检测方法、检测装置及计算机可读存储介质 |
CN113538337B (zh) * | 2021-06-17 | 2024-02-27 | 杭州涂鸦信息技术有限公司 | 检测方法、检测装置及计算机可读存储介质 |
CN113435287A (zh) * | 2021-06-21 | 2021-09-24 | 深圳拓邦股份有限公司 | 草地障碍物识别方法、装置、割草机器人及可读存储介质 |
CN116718791A (zh) * | 2023-04-13 | 2023-09-08 | 东莞市杜氏诚发精密弹簧有限公司 | 扭矩弹簧的转速检测方法、设备、系统及存储介质 |
CN116718791B (zh) * | 2023-04-13 | 2024-04-26 | 东莞市杜氏诚发精密弹簧有限公司 | 扭矩弹簧的转速检测方法、设备、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275036A (zh) | 目标检测方法、装置、电子设备及计算机可读存储介质 | |
US9158985B2 (en) | Method and apparatus for processing image of scene of interest | |
EP3036730B1 (en) | Traffic light detection | |
CN106683100B (zh) | 一种图像分割去雾方法及终端 | |
JP2009064175A (ja) | 物体検出装置および物体検出方法 | |
CN106919883B (zh) | 一种qr码的定位方法及装置 | |
CN111079621B (zh) | 检测对象的方法、装置、电子设备和存储介质 | |
CN110991310A (zh) | 人像检测方法、装置、电子设备及计算机可读介质 | |
CN116168351A (zh) | 电力设备巡检方法及装置 | |
CN111614959B (zh) | 一种视频打码方法、装置以及电子设备 | |
EP2989611A1 (en) | Moving object detection | |
CN115049954A (zh) | 目标识别方法、装置、电子设备和介质 | |
CN108805838B (zh) | 一种图像处理方法、移动终端及计算机可读存储介质 | |
CN113628202A (zh) | 一种确定方法、清洁机器人和计算机存储介质 | |
CN110765875B (zh) | 交通目标的边界检测方法、设备及装置 | |
CN114639159A (zh) | 移动行人检测方法、电子设备及机器人 | |
Fang et al. | 1-D barcode localization in complex background | |
Chowdhury et al. | A background subtraction method using color information in the frame averaging process | |
Liu et al. | Modified grey world method to detect and restore colour cast images | |
JP6831396B2 (ja) | 映像監視装置 | |
KR102150661B1 (ko) | 객체를 검출하기 위한 전처리 장치 및 방법 | |
CN116310889A (zh) | 无人机环境感知数据的处理方法、控制终端以及存储介质 | |
CN114494680A (zh) | 积水检测方法、装置、设备及存储介质 | |
Yang et al. | A novel binarization approach for license plate | |
CN114550060A (zh) | 周界入侵识别方法、系统及电子设备 |
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 |