CN111401224A - 目标检测方法、装置及电子设备 - Google Patents

目标检测方法、装置及电子设备 Download PDF

Info

Publication number
CN111401224A
CN111401224A CN202010173852.6A CN202010173852A CN111401224A CN 111401224 A CN111401224 A CN 111401224A CN 202010173852 A CN202010173852 A CN 202010173852A CN 111401224 A CN111401224 A CN 111401224A
Authority
CN
China
Prior art keywords
target object
target
detection
identification
identifier
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
Application number
CN202010173852.6A
Other languages
English (en)
Other versions
CN111401224B (zh
Inventor
王旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing ByteDance Network Technology Co Ltd
Original Assignee
Beijing ByteDance Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN202010173852.6A priority Critical patent/CN111401224B/zh
Publication of CN111401224A publication Critical patent/CN111401224A/zh
Application granted granted Critical
Publication of CN111401224B publication Critical patent/CN111401224B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本公开实施例中提供了一种目标检测方法、装置及电子设备，属于目标检测技术领域，该方法包括：利用预设的目标检测器对图像中存在的目标对象进行标识检测，获得第一目标对象集合以及与所述第一目标对象集合对应的第一标识集合；利用同时包含正样本和负样本的预先训练的分类器，对所述第一标识集合中的标识进行识别，用以剔除第一标识集合中的错误标识，以得到第二标识集合；在所述第一目标对象集合中，获取与所述第二标识集合对应的目标对象，形成第二目标对象集合；利用所述分类器，对所述第二目标对象集合中每个目标对象所对应的标识图像进行分类检测，得到目标检测结果。通过本公开的处理方案，能够在移动端上快速的对目标对象进行检测。

Description

目标检测方法、装置及电子设备
技术领域
本公开涉及目标检测技术领域，尤其涉及一种目标检测方法、装置及电子设备。
背景技术
目标检测，也叫目标提取，是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。尤其是在复杂场景中，需要对多个目标进行实时处理时，目标自动提取和识别就显得特别重要。
车牌识别(Vehicle License Plate Recognition，VLPR)是现代智能交通系统中的重要组成部分之一，应用十分广泛。它以数字图像处理、模式识别、计算机视觉等技术为基础，对摄像机所拍摄的车辆图像或者视频序列进行分析，得到每一辆汽车唯一的车牌号码，从而完成识别过程。通过一些后续处理手段可以实现停车场收费管理，交通流量控制指标测量，车辆定位，汽车防盗，高速公路超速自动化监管等等功能。对于维护交通安全和城市治安，防止交通堵塞，实现交通自动化管理有着现实的意义。
在进行车牌识别的过程中，传统的计算设备需要较多的计算资源，对于智能手机等设备，无法提供较多的计算资源，从而导致在智能手机等设备中进行车牌识别时，效果不好。
发明内容
有鉴于此，本公开实施例提供一种目标检测方法、装置及电子设备，以至少部分解决现有技术中存在的问题。
第一方面，本公开实施例提供了一种目标检测方法，包括：
利用预设的目标检测器对图像中存在的目标对象进行标识检测，获得第一目标对象集合以及与所述第一目标对象集合对应的第一标识集合；
利用同时包含正样本和负样本的预先训练的分类器，对所述第一标识集合中的标识进行识别，用以剔除第一标识集合中的错误标识，以得到第二标识集合；
在所述第一目标对象集合中，获取与所述第二标识集合对应的目标对象，形成第二目标对象集合；
利用所述分类器，对所述第二目标对象集合中每个目标对象所对应的标识图像进行分类检测，得到目标检测结果。
根据本公开实施例的一种具体实现方式，所述利用预设的目标检测器对图像中存在的目标对象进行标识检测，获得第一目标对象集合以及与所述第一目标对象集合对应的第一标识集合之前，所述方法还包括：
预先获取目标对象的尺寸特征；
基于所述尺寸特征，获取与所述目标对象对应的标识。
根据本公开实施例的一种具体实现方式，所述利用预设的目标检测器对图像中存在的目标对象进行标识检测，获得第一目标对象集合以及与所述第一目标对象集合对应的第一标识集合，包括：
对图像进行边缘检测，得到多个边缘检测对象；
对所述边缘检测对象进行特征提取，得到边缘检测对象的特征值；
将所述特征值与所述目标对象的标识进行比对，进而确定所述特征值对应的目标对象是否归属于所述第一目标对象集合。
根据本公开实施例的一种具体实现方式，所述利用同时包含正样本和负样本的预先训练的分类器，对所述第一标识集合中的标识进行识别之前，所述方法还包括：
获取包含正样本和负样本的训练样本，对所述分类器进行训练。
根据本公开实施例的一种具体实现方式，所述利用同时包含正样本和负样本的预先训练的分类器，对所述第一标识集合中的标识进行识别，包括：
分别利用正样本和负样本对所述第一标识集合中的标识进行识别；
获取所述正样本不能识别以及所述负样本能够识别的标志，作为需要进行剔除操作的标志集合。
根据本公开实施例的一种具体实现方式，所述在所述第一目标对象集合中，获取与所述第二标识集合对应的目标对象，形成第二目标对象集合，包括：
获取所述第二标识集合中的所有标识；
基于标识和目标对象之间的对应关系，在所述第一目标对象结合中检索与所述第二标识集合中的所有标识对应的目标对象；
基于检索到的目标对象，形成所述第二目标对象集合。
根据本公开实施例的一种具体实现方式，所述利用所述分类器，对所述第二目标对象集合中每个目标对象所对应的标识图像进行分类检测，得到目标检测结果，包括：
利用所述分类器，对所述标识图像进行分类计算，得到分类值；
基于所述分类值，确定所述标识图像是否为特定目标对象；
将标识图像为特定目标对象的标识图像，作为所述目标检测结果。
根据本公开实施例的一种具体实现方式，所述利用所述分类器，对所述第二目标对象集合中每个目标对象所对应的标识图像进行分类检测，得到目标检测结果之后，所述方法还包括：
对所述目标检测结果中标识图像中的内容进行识别；
将识别到的内容进行实时显示。
第二方面，本公开实施例提供了一种目标检测装置，包括：
检测模块，用于利用预设的目标检测器对图像中存在的目标对象进行标识检测，获得第一目标对象集合以及与所述第一目标对象集合对应的第一标识集合；
识别模块，用于利用同时包含正样本和负样本的预先训练的分类器，对所述第一标识集合中的标识进行识别，用以剔除第一标识集合中的错误标识，以得到第二标识集合；
获取模块，用于在所述第一目标对象集合中，获取与所述第二标识集合对应的目标对象，形成第二目标对象集合；
执行模块，用于利用所述分类器，对所述第二目标对象集合中每个目标对象所对应的标识图像进行分类检测，得到目标检测结果。
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的目标检测方法。
第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的目标检测方法。
第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的目标检测方法。
本公开实施例中的目标检测方案，包括利用预设的目标检测器对图像中存在的目标对象进行标识检测，获得第一目标对象集合以及与所述第一目标对象集合对应的第一标识集合；利用同时包含正样本和负样本的预先训练的分类器，对所述第一标识集合中的标识进行识别，用以剔除第一标识集合中的错误标识，以得到第二标识集合；在所述第一目标对象集合中，获取与所述第二标识集合对应的目标对象，形成第二目标对象集合；利用所述分类器，对所述第二目标对象集合中每个目标对象所对应的标识图像进行分类检测，得到目标检测结果。通过本公开的处理方案，能够快速的对目标对象进行检测。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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它的附图。
图1为本公开实施例提供的一种目标检测方法的流程图；
图2为本公开实施例提供的另一种目标检测方法的流程图；
图3为本公开实施例提供的另一种目标检测方法的流程图；
图4为本公开实施例提供的另一种目标检测方法的流程图；
图5为本公开实施例提供的一种目标检测装置的结构示意图；
图6为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种目标检测方法。本实施例提供的目标检测方法可以由一计算装置来执行，该计算装置可以实现为软件，或者实现为软件和硬件的组合，该计算装置可以集成设置在服务器、客户端等中。
参见图1，本公开实施例中的目标检测方法，可以包括如下步骤：
S101，利用预设的目标检测器对图像中存在的目标对象进行标识检测，获得第一目标对象集合以及与所述第一目标对象集合对应的第一标识集合。
图像中通常含有一个或多个目标对象，目标对象可以是任意定义的对象，例如，目标对象可以是人、汽车、楼等对象，作为一种应用场景，本实施例以车牌作为目标对象，进一步的阐述目标检测方法的应用。当然，除了车牌之外，本实施例的方法还可以应用于其他的对象。
对于车牌等目标对象进行识别存在常规的方式，例如，可以采用BP神经网络的方式对车牌进行识别。然而，上述方式通常运行在系统资源较为丰富的计算设备上，对于手机等移动设备，受限于CPU等计算资源的缺乏，通常会导致无法实时的对拍摄视频中的图像进行目标对象的识别。
为此，针对系统计算资源不足的移动设备(例如，手机)，可以预先训练简化的目标检测器，例如，可以利用现有的RCNN网络构建目标检测器。目标检测器算法不是在大量区域上工作，而是在图像中提出了一堆方框，并检查这些方框中是否包含任何对象，从而能够快速的从图像上识别出一系列的目标对象集合，这些目标对象集合构成了第一目标对象集合。第一目标对象集合中每一个目标对象所对应的矩阵值或均值特征值，便构成了目标对象的标识，从而进一步的形成第一标识集合。
S102，利用同时包含正样本和负样本的预先训练的分类器，对所述第一标识集合中的标识进行识别，用以剔除第一标识集合中的错误标识，以得到第二标识集合。
由于目标检测器对于目标对象的识别较为粗糙，第一目标对象集合中会存在错误识别对象。
为此，获得第一目标对象集合之后，需要对第一目标对象集合中错误的识别对象进行识别，从而保证第一目标对象集合中识别到的目标对象的正确性。
为了能够快速的第一目标对象集合中的目标对象进行识别，设置包含正样本和负样本的分类器，通常的分类器只含有正样本，只含有正样本的分类器会存在结果识别慢的问题，本申请的方案通过加入负样本，能够快速的第一目标对象集合中的错误目标对象进行识别。正样本和负样本的选择可以根据实际的需要进行设置，在此对于正样本和负样本的具体设置方式不进行限定。
通过正样本和负样本，可以对分类器进行预先训练，最后得到能够同时识别正样本和负样本的分类器。
在通过分类器进行目标对象识别的过程中，可以对第一标识集合中的标识进行识别，通过将该标识输入到分类器中，能够快速的筛选出第一标识集合中存在的错误标识，通过对错误标识进行剔除操作，能够得到第二标识集合。第二标识集合中保存的是正确识别到的目标对象的标识集合。
S103，在所述第一目标对象集合中，获取与所述第二标识集合对应的目标对象，形成第二目标对象集合。
通过获取第二标识集合，能够基于第二标识集合中的对象标识建立对象标识和目标对象之间的对应关系，基于该对应关系，能够快速的从第一目标对象集合中，查找到与第二标识集合所对应的目标对象，最终将查找到的第一目标对象集合中的对象形成第二目标对象集合。第二目标对象集合中的对象为正确识别的目标对象。
S104，利用所述分类器，对所述第二目标对象集合中每个目标对象所对应的标识图像进行分类检测，得到目标检测结果。
获得包含正确目标对象的第二目标对象集合之后，可以进一步的采用该分类器对第二目标对象集合中的目标对象进行图像识别。具体的，可以获取第二目标对象集合中每一个目标对象在原图像上所对应的图像区域，基于该图像区域，提取目标对象所对应的标识图像。
标识图像可以是原图像中的部分或全部，通过对标识图像进行图像分类检测，能够获得目标检测结果。
目标检测结果可以根据实际的需要进行设置，例如，目标检测结果可以是目标对象的存在区域，或者目标检测结果也可以是目标对象的具体名称(例如，汽车)，或者，目标检测结果也可以是目标对象上存在的内容(例如，车牌号)。
通过该实施例中的内容，能够基于标识检测的方式，快速的获取目标对象，再通过包含正负样本的分类器对检测到的目标对象进行快速的筛选和分类，从而极大的降低了系统资源消耗，提高了目标对象识别的效率。
根据本公开实施例的一种具体实现方式，所述利用预设的目标检测器对图像中存在的目标对象进行标识检测，获得第一目标对象集合以及与所述第一目标对象集合对应的第一标识集合之前，所述方法还包括：预先获取目标对象的尺寸特征；基于所述尺寸特征，获取与所述目标对象对应的标识。其中，目标对象的尺寸特征可以是目标对象的长度或宽度特征，或者是目标对象的长宽比，或者是其他可以描述目标对象的数值特征。
参见图2，根据本公开实施例的一种具体实现方式，所述利用预设的目标检测器对图像中存在的目标对象进行标识检测，获得第一目标对象集合以及与所述第一目标对象集合对应的第一标识集合，包括：
S201，对图像进行边缘检测，得到多个边缘检测对象。
可以采用边缘检测算法对整个图像进行边缘检测，经过将具有完整封闭曲线的目标进行识别，可以获得多个边缘检测对象。例如，可以将任何一个具有完整封闭曲线的对象作为一个边缘检测对象。
S202，对所述边缘检测对象进行特征提取，得到边缘检测对象的特征值。
通过对边缘对象所对应的图像的值进行特征提取，可以得到边缘检测对象的特征值，边缘检测对象的特征值可以是边缘检测对象所对应的图像的矩阵，或者是该矩阵所对应的矩阵特征值。
S203，将所述特征值与所述目标对象的标识进行比对，进而确定所述特征值对应的目标对象是否归属于所述第一目标对象集合。
根据本公开实施例的一种具体实现方式，所述利用同时包含正样本和负样本的预先训练的分类器，对所述第一标识集合中的标识进行识别之前，所述方法还包括：获取包含正样本和负样本的训练样本，对所述分类器进行训练。
根据本公开实施例的一种具体实现方式，所述利用同时包含正样本和负样本的预先训练的分类器，对所述第一标识集合中的标识进行识别，包括：分别利用正样本和负样本对所述第一标识集合中的标识进行识别；获取所述正样本不能识别以及所述负样本能够识别的标志，作为需要进行剔除操作的标志集合。
参见图3，根据本公开实施例的一种具体实现方式，所述在所述第一目标对象集合中，获取与所述第二标识集合对应的目标对象，形成第二目标对象集合，包括：
S301，获取所述第二标识集合中的所有标识。
S302，基于标识和目标对象之间的对应关系，在所述第一目标对象结合中检索与所述第二标识集合中的所有标识对应的目标对象。
S303，基于检索到的目标对象，形成所述第二目标对象集合。
参见图4，根据本公开实施例的一种具体实现方式，所述利用所述分类器，对所述第二目标对象集合中每个目标对象所对应的标识图像进行分类检测，得到目标检测结果，包括：
S401，利用所述分类器，对所述标识图像进行分类计算，得到分类值。
对标识图像的分类计算，可以采用常规的分类计算方式，在此，对于分类计算的具体方式不作限定。
S402，基于所述分类值，确定所述标识图像是否为特定目标对象。
通过计算得到的分类值以及预先设定的阈值，可以通过阈值比较的方式，将大于阈值的分类值所对应的识别图像作为特定目标对象。特定目标对象为最终需要识别的目标对象。
S403，将标识图像为特定目标对象的标识图像，作为所述目标检测结果。
根据本公开实施例的一种具体实现方式，所述利用所述分类器，对所述第二目标对象集合中每个目标对象所对应的标识图像进行分类检测，得到目标检测结果之后，所述方法还包括：对所述目标检测结果中标识图像中的内容进行识别；将识别到的内容进行实时显示。
与上面的方法实施例相对应，参见图5，本公开实施例还提供了一种目标检测装置50，包括：
检测模块501，用于利用预设的目标检测器对图像中存在的目标对象进行标识检测，获得第一目标对象集合以及与所述第一目标对象集合对应的第一标识集合；
识别模块502，用于利用同时包含正样本和负样本的预先训练的分类器，对所述第一标识集合中的标识进行识别，用以剔除第一标识集合中的错误标识，以得到第二标识集合；
获取模块503，用于在所述第一目标对象集合中，获取与所述第二标识集合对应的目标对象，形成第二目标对象集合；
执行模块504，用于利用所述分类器，对所述第二目标对象集合中每个目标对象所对应的标识图像进行分类检测，得到目标检测结果。
本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
参见图6，本公开实施例还提供了一种电子设备60，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的目标检测方法。
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的目标检测方法。
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的的目标检测方法。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备60可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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，该模块、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，两个接连地表示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操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。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开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公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (11)

1.一种目标检测方法，其特征在于，包括：
利用预设的目标检测器对图像中存在的目标对象进行标识检测，获得第一目标对象集合以及与所述第一目标对象集合对应的第一标识集合；
利用同时包含正样本和负样本的预先训练的分类器，对所述第一标识集合中的标识进行识别，用以剔除第一标识集合中的错误标识，以得到第二标识集合；
在所述第一目标对象集合中，获取与所述第二标识集合对应的目标对象，形成第二目标对象集合；
利用所述分类器，对所述第二目标对象集合中每个目标对象所对应的标识图像进行分类检测，得到目标检测结果。
2.根据权利要求1所述的方法，其特征在于，所述利用预设的目标检测器对图像中存在的目标对象进行标识检测，获得第一目标对象集合以及与所述第一目标对象集合对应的第一标识集合之前，所述方法还包括：
预先获取目标对象的尺寸特征；
基于所述尺寸特征，获取与所述目标对象对应的标识。
3.根据权利要求1所述的方法，其特征在于，所述利用预设的目标检测器对图像中存在的目标对象进行标识检测，获得第一目标对象集合以及与所述第一目标对象集合对应的第一标识集合，包括：
对图像进行边缘检测，得到多个边缘检测对象；
对所述边缘检测对象进行特征提取，得到边缘检测对象的特征值；
将所述特征值与所述目标对象的标识进行比对，进而确定所述特征值对应的目标对象是否归属于所述第一目标对象集合。
4.根据权利要求1所述的方法，其特征在于，所述利用同时包含正样本和负样本的预先训练的分类器，对所述第一标识集合中的标识进行识别之前，所述方法还包括：
获取包含正样本和负样本的训练样本，对所述分类器进行训练。
5.根据权利要求1所述的方法，其特征在于，所述利用同时包含正样本和负样本的预先训练的分类器，对所述第一标识集合中的标识进行识别，包括：
分别利用正样本和负样本对所述第一标识集合中的标识进行识别；
获取所述正样本不能识别以及所述负样本能够识别的标志，作为需要进行剔除操作的标志集合。
6.根据权利要求1所述的方法，其特征在于，所述在所述第一目标对象集合中，获取与所述第二标识集合对应的目标对象，形成第二目标对象集合，包括：
获取所述第二标识集合中的所有标识；
基于标识和目标对象之间的对应关系，在所述第一目标对象结合中检索与所述第二标识集合中的所有标识对应的目标对象；
基于检索到的目标对象，形成所述第二目标对象集合。
7.根据权利要求1所述的方法，其特征在于，所述利用所述分类器，对所述第二目标对象集合中每个目标对象所对应的标识图像进行分类检测，得到目标检测结果，包括：
利用所述分类器，对所述标识图像进行分类计算，得到分类值；
基于所述分类值，确定所述标识图像是否为特定目标对象；
将标识图像为特定目标对象的标识图像，作为所述目标检测结果。
8.根据权利要求7所述的方法，其特征在于，所述利用所述分类器，对所述第二目标对象集合中每个目标对象所对应的标识图像进行分类检测，得到目标检测结果之后，所述方法还包括：
对所述目标检测结果中标识图像中的内容进行识别；
将识别到的内容进行实时显示。
9.一种目标检测装置，其特征在于，包括：
检测模块，用于利用预设的目标检测器对图像中存在的目标对象进行标识检测，获得第一目标对象集合以及与所述第一目标对象集合对应的第一标识集合；
识别模块，用于利用同时包含正样本和负样本的预先训练的分类器，对所述第一标识集合中的标识进行识别，用以剔除第一标识集合中的错误标识，以得到第二标识集合；
获取模块，用于在所述第一目标对象集合中，获取与所述第二标识集合对应的目标对象，形成第二目标对象集合；
执行模块，用于利用所述分类器，对所述第二目标对象集合中每个目标对象所对应的标识图像进行分类检测，得到目标检测结果。
10.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述利要求1-8中任一项所述的目标检测方法。
11.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述利要求1-8中任一项所述的目标检测方法。
CN202010173852.6A 2020-03-13 2020-03-13 目标检测方法、装置及电子设备 Active CN111401224B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010173852.6A CN111401224B (zh) 2020-03-13 2020-03-13 目标检测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010173852.6A CN111401224B (zh) 2020-03-13 2020-03-13 目标检测方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN111401224A true CN111401224A (zh) 2020-07-10
CN111401224B CN111401224B (zh) 2023-05-23

Family

ID=71434514

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010173852.6A Active CN111401224B (zh) 2020-03-13 2020-03-13 目标检测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN111401224B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778474A (zh) * 2015-03-23 2015-07-15 四川九洲电器集团有限责任公司 一种用于目标检测的分类器构建方法及目标检测方法
CN107292229A (zh) * 2017-05-08 2017-10-24 北京三快在线科技有限公司 一种图像识别方法和装置
CN108268869A (zh) * 2018-02-13 2018-07-10 北京旷视科技有限公司 目标检测方法、装置及系统
WO2018232378A1 (en) * 2017-06-16 2018-12-20 Markable, Inc. Image processing system
CN109886998A (zh) * 2019-01-23 2019-06-14 平安科技（深圳）有限公司 多目标跟踪方法、装置、计算机装置及计算机存储介质
CN110288037A (zh) * 2019-06-28 2019-09-27 北京字节跳动网络技术有限公司 图像处理方法、装置及电子设备
CN110458226A (zh) * 2019-08-08 2019-11-15 上海商汤智能科技有限公司 图像标注方法及装置、电子设备和存储介质
CN110569721A (zh) * 2019-08-01 2019-12-13 平安科技（深圳）有限公司 识别模型训练方法、图像识别方法、装置、设备及介质
CN110796649A (zh) * 2019-10-29 2020-02-14 北京市商汤科技开发有限公司 目标检测方法及装置、电子设备和存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778474A (zh) * 2015-03-23 2015-07-15 四川九洲电器集团有限责任公司 一种用于目标检测的分类器构建方法及目标检测方法
CN107292229A (zh) * 2017-05-08 2017-10-24 北京三快在线科技有限公司 一种图像识别方法和装置
WO2018232378A1 (en) * 2017-06-16 2018-12-20 Markable, Inc. Image processing system
CN108268869A (zh) * 2018-02-13 2018-07-10 北京旷视科技有限公司 目标检测方法、装置及系统
CN109886998A (zh) * 2019-01-23 2019-06-14 平安科技（深圳）有限公司 多目标跟踪方法、装置、计算机装置及计算机存储介质
CN110288037A (zh) * 2019-06-28 2019-09-27 北京字节跳动网络技术有限公司 图像处理方法、装置及电子设备
CN110569721A (zh) * 2019-08-01 2019-12-13 平安科技（深圳）有限公司 识别模型训练方法、图像识别方法、装置、设备及介质
CN110458226A (zh) * 2019-08-08 2019-11-15 上海商汤智能科技有限公司 图像标注方法及装置、电子设备和存储介质
CN110796649A (zh) * 2019-10-29 2020-02-14 北京市商汤科技开发有限公司 目标检测方法及装置、电子设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YU LIU: "An Improved Faster R-CNN for Object Detection" *
艾拓等: "基于难负样本挖掘的改进Faster RCNN训练方法" *

Also Published As

Publication number Publication date
CN111401224B (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN110321958B (zh) 神经网络模型的训练方法、视频相似度确定方法
CN110674349B (zh) 视频poi识别方法、装置及电子设备
CN111222509B (zh) 目标检测方法、装置及电子设备
CN110335313B (zh) 音频采集设备定位方法及装置、说话人识别方法及系统
CN111738316B (zh) 零样本学习的图像分类方法、装置及电子设备
CN110069997B (zh) 场景分类方法、装置及电子设备
CN110287816B (zh) 车门动作检测方法、装置和计算机可读存储介质
CN110826619A (zh) 电子卷宗的文件分类方法、装置及电子设备
CN113140012B (zh) 图像处理方法、装置、介质及电子设备
CN111191556A (zh) 人脸识别方法、装置及电子设备
CN113936232A (zh) 一种碎屏识别方法、装置、设备和存储介质
CN111832354A (zh) 目标对象年龄识别方法、装置及电子设备
CN110781809A (zh) 基于注册特征更新的识别方法、装置及电子设备
CN111401224B (zh) 目标检测方法、装置及电子设备
CN113033682B (zh) 视频分类方法、装置、可读介质、电子设备
CN113079052B (zh) 模型训练、物联网数据识别方法、装置、设备及存储介质
CN111488866B (zh) 基于深度学习的入侵物识别方法、装置及电子设备
CN110941455B (zh) 主动唤醒方法、装置及电子设备
CN111681267B (zh) 基于图像识别的轨道防侵入方法
CN111738311A (zh) 面向多任务的特征提取方法、装置及电子设备
CN113721240A (zh) 一种目标关联方法、装置、电子设备及存储介质
CN113971402A (zh) 内容识别方法、装置、介质及电子设备
CN114648713A (zh) 视频分类方法、装置、电子设备及计算机可读存储介质
CN112560700A (zh) 一种基于动作分析的信息关联方法、装置及电子设备
CN114648656A (zh) 图像识别方法、装置、终端设备及可读存储介质

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