CN111401282A - 目标检测方法、装置、计算机设备和存储介质 - Google Patents
目标检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111401282A CN111401282A CN202010207471.5A CN202010207471A CN111401282A CN 111401282 A CN111401282 A CN 111401282A CN 202010207471 A CN202010207471 A CN 202010207471A CN 111401282 A CN111401282 A CN 111401282A
- Authority
- CN
- China
- Prior art keywords
- detection result
- wheel vehicle
- image
- target
- detected
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 311
- 238000010586 diagram Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000004590 computer program Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 abstract description 8
- 238000013136 deep learning model Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- 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)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种目标检测方法、装置、计算机设备和存储介质,所述方法包括:通过第一目标检测模型中压缩后的基础网络块对待检测图像进行特征提取得到第一特征图;根据第一特征图得到两轮车区域的检测结果;当两轮车区域的检测结果为存在两轮车区域时,获取两轮车区域图像;通过第二目标检测模型中压缩后的基础网络块对两轮车区域图进行特征提取得到第二特征图;根据第二特征图得到目标对象的检测结果;根据目标对象的检测结果,得到待检测两轮车的目标检测结果。该方法基于深度学习模型自动化得到待检测两轮车的目标对象的检测结果,极大的减少了人力成本;通过采用压缩版的目标检测模型进行检测,减少了计算量且缩短了计算时间,减少了时间成本。
Description
技术领域
本申请涉及车辆检测技术领域,特别是涉及一种目标检测方法、装置、计算机设备和存储介质。
背景技术
在使用两轮车时,如果在两轮车的车把手上悬挂物品,可能会影响骑行过程的时的稳定性,导致在进行转向等操作时难于操控,存在严重的安全隐患。
以两轮车为摩托车为例,为了保证摩托车驾驶员的人身安全,根据摩托车安全驾驶及交通安全方面的规定,在驾驶摩托车时,禁止在车把上悬挂物品。传统技术中,检测摩托车的车把处是否悬挂物品主要依赖人工检查的方式,存在人力成本耗费较大的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够在对两轮车的车把处悬挂物品进行检查时节省人力成本的目标检测方法、装置、计算机设备和存储介质。
第一方面,本申请实施例提供一种目标检测方法,所述方法包括:
采用第一目标检测模型对待检测图像中的待检测两轮车进行检测,通过第一目标检测模型中压缩后的基础网络块对待检测图像进行特征提取得到第一特征图;
根据第一特征图得到两轮车区域的检测结果;
当两轮车区域的检测结果为存在两轮车区域时,获取两轮车区域图像;
采用第二目标检测模型对两轮车区域图像进行检测,通过第二目标检测模型中压缩后的基础网络块对两轮车区域图进行特征提取得到第二特征图;
根据第二特征图得到目标对象的检测结果;
根据目标对象的检测结果,得到待检测两轮车的目标检测结果。
在其中一个实施例中,根据第二特征图得到目标对象的检测结果,包括:
根据第二特征图得到两轮车区域图像中的车牌区域以及车把处的物品的检测结果。
在其中一个实施例中,根据目标对象的检测结果,得到待检测两轮车的目标检测结果,包括:
当获取两轮车区域图像中存在车牌区域且任一个车把处存在物品时,获取车牌区域图像;
识别车牌图像中的车牌字符;
将车牌字符与标准车牌字符进行比较,若一致,则生成待检测两轮车检测未通过的目标检测结果。
在其中一个实施例中,根据目标对象的检测结果,得到待检测两轮车的检测结果,包括:
当获取两轮车区域图像中不存在车牌区域或车把处不存在物品时,生成待检测两轮车检测通过的目标检测结果。
在其中一个实施例中,所述方法还包括:
当两轮车区域的检测结果为不存在两轮车区域时,则生成待检测两轮车检测通过的目标检测结果。
在其中一个实施例中,第一目标检测模型和/或第二目标检测模型为CenterNet模型,CenterNet模型中的压缩后的基础网络块为一个沙漏网络Hourglass网络块。
第二方面,本申请实施例提供一种目标检测装置,所述装置包括:
第一目标检测模块,用于采用第一目标检测模型对待检测图像中的待检测两轮车进行检测,通过第一目标检测模型中压缩后的基础网络块对待检测图像进行特征提取得到第一特征图;
第一检测结果获取模块,用于根据第一特征图得到两轮车区域的检测结果;
图像获取模块,用于当两轮车区域的检测结果为存在两轮车区域时,获取两轮车区域图像;
第二目标检测模块,用于采用第二目标检测模型对两轮车区域图像进行检测,通过第二目标检测模型中压缩后的基础网络块对两轮车区域图进行特征提取得到第二特征图;
第二检测结果获取模块,用于模块,用于根据第二特征图得到目标对象的检测结果;
检测结果生成模块,用于根据目标对象的检测结果,得到待检测两轮车的目标检测结果。
第三方面,本申请实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面任一个实施例所述的目标检测方法。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面任一个实施例所述的目标检测方法。
上述目标检测方法、装置、计算机设备和存储介质,采用包含压缩后的基础网络块的第一目标检测模型对待检测图像中的待检测两轮车进行检测,得到两轮车区域的检测结果;采用包含压缩后的基础网络块的第二目标检测模型对两轮车区域图像进行检测,得到目标对象的检测结果;根据目标对象的检测结果得到待检测两轮车的目标检测结果。该方法通过使用深度学习模型自动化得到待检测两轮车的目标对象的检测结果,极大的减少了人力成本;通过采用压缩版的目标检测模型进行检测,减少了计算量且缩短了计算时间,从而减少了时间成本,提高了检测效率。
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为一个实施例中生成目标检测结果步骤的流程示意图;
图4为一个实施例中目标检测方法的流程示意图;
图5为一个实施例中目标检测装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的目标检测方法,可以应用于如图1所示的应用环境中。该应用环境包括终端110和图像采集装置120,终端110中至少部署有已训练的第一目标检测模型和第二目标检测模型。该第一目标检测模型和第二目标检测模型可以使用终端110外的其他终端预训练完成。图像采集装置120可以是终端110中的,也可以是单独的设备。具体地,终端110采用第一目标检测模型对图像采集装置120采集的待检测图像中的待检测两轮车进行检测,通过第一目标检测模型中压缩后的基础网络块对待检测图像进行特征提取得到第一特征图;根据第一特征图得到两轮车区域的检测结果;当两轮车区域的检测结果为存在两轮车区域时,终端110获取两轮车区域图像;终端110采用第二目标检测模型对两轮车区域图像进行检测,通过第二目标检测模型中压缩后的基础网络块对两轮车区域图进行特征提取得到第二特征图;根据第二特征图得到目标对象的检测结果;根据目标对象的检测结果,得到待检测两轮车的目标检测结果。其中,终端110可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便捷式移动设备,图像采集装置120不限于是各种照相机、摄像机。
在一个实施例中,如图2所示,提供了一种目标检测方法,以该方法应用于图1中的终端120为例进行说明,包括以下步骤:
步骤S210,采用第一目标检测模型对待检测图像中的待检测两轮车进行检测,通过第一目标检测模型中压缩后的基础网络块对待检测图像进行特征提取得到第一特征图。
其中,待检测图像是指待进行目标检测的图像。待检测图像可以是由图像采集装置采集得到,图像采集装置可以是照相机、摄像头或者智能手机等。两轮车不限于是自行车、电动车或者摩托车。基础网络块可以是指由至少一个CNN(Convolutional NeuralNetwork,卷积神经网络)构成的基础特征提取网络。常见的CNN模型不限于包括VGGNet(Visual Geometry Group Networks,一种深度卷积神经网络)、GoogLeNet(一种神经网络)、ResNet(Residual Networks,一种深度残差网络)。压缩后的基础网络块可以是指减少原有基础网络的数量后的基础网络块,例如,原有的第一目标检测模型中的基础网络块包含4个ResNet,则压缩后的基础网络块中ResNet的数量可以少于4个。第一目标检测模型不限于是RefineDet(一种基于单阶段的检测器)、Faster R-CNN(一种目标检测网络)、SSD(Single ShotMultibox Detector)、CornerNet(一种目标检测模型)。具体地,在获取图像采集装置采集的待检测图像后,将待检测图像输入至训练好的第一目标检测模型。通过第一目标检测模型中的压缩后的基础网络块对待检测图像进行特征提取,得到对应的第一特征图。
步骤S220,根据第一特征图得到两轮车区域的检测结果。
步骤S230,当两轮车区域的检测结果为存在两轮车区域时,获取两轮车区域图像。
具体地,在得到待检测图像的第一特征图后,基于该第一特征图预测待检测图像中各个目标对象的检测结果,检测结果不限于包括目标对象的类别得分和位置信息。在本实施例中,待检测图像的目标对象不限于包括两轮车,例如摩托车、电动车。若通过第一目标检测模型检测待检测图像中包含两轮车区域,那么可以根据两轮车区域的位置信息,通过裁剪等方式将两轮车区域提取出来并保存,得到对应的两轮车区域图像。进一步地,在本实施例中,若通过第一目标检测模型检测待检测图像中不存在两轮车区域,那么可以结束本次检测流程。
步骤S240,采用第二目标检测模型对两轮车区域图像进行检测,通过第二目标检测模型中压缩后的基础网络块对两轮车区域图进行特征提取得到第二特征图。
其中,类似于第一目标检测模型,第二目标检测模型中的基础网络块也可以采用压缩后的基础网络块。第二目标检测模型不限于是RefineDet、Faster R-CNN、SSD、CornerNet。具体地,在获取两轮车区域图像后,将两轮车区域图像输入至训练好的第二标检测模型。通过第二目标检测模型中的压缩后的基础网络块对两轮车区域图像进行特征提取,得到对应的第二特征图。
步骤S250,根据第二特征图得到目标区域的检测结果。
具体地,在得到两轮车区域图像的第二特征图后,基于该第二特征图预测两轮车区域图像中各个目标物体的类别得分和位置。两轮车区域图像中的目标物体可以依实际情况而定,例如,可以是车牌、车把、头盔等。第二目标检测模型输出目标对象的检测结果,检测结果不限于包括目标对象的类别得分和位置信息。
步骤S260,根据目标区域的检测结果,得到待检测两轮车的目标检测结果。
具体地,终端获取对两轮车区域图像进行检测得到的目标对象的检测结果,将该检测结果与预设条件进行比较,得到待检测两轮车的目标检测结果。例如,目标对象为头盔,预设条件为检测到头盔,则检测通过;否则检测不通过。若通过第二目标检测模型输出两轮车区域图像中不包含头盔,则生成待检测两轮车的检测不通过的目标检测结果。
上述目标检测方法中,采用包含压缩后的基础网络块的第一目标检测模型对待检测图像中的待检测两轮车进行检测,得到两轮车区域的检测结果;采用包含压缩后的基础网络块的第二目标检测模型对两轮车区域图像进行检测,得到目标区域的检测结果;根据目标区域的检测结果得到待检测两轮车的目标检测结果。该方法基于深度学习模型自动化得到待检测两轮车的目标区域的检测结果,极大的减少了人力成本;通过采用压缩版的目标检测模型进行检测,减少了计算量且缩短了计算时间,减少了时间成本。
在一个实施例中,根据第二特征图得到目标对象的检测结果,包括:根据第二特征图得到两轮车区域图像中的车牌区域以及车把处的物品的检测结果。
具体地,以两轮车为摩托车为例,为了保证摩托车驾驶员的人身安全,根据摩托车安全驾驶及交通安全方面的规定,在驾驶摩托车时,禁止在车把上悬挂物品。因此,在本实施例中,两轮车区域图像中的目标对象不限于包括车牌和车把处的物品。若通过第一目标检测模型检测待检测图像中包含两轮车,则获取两轮车区域图像。将两轮车区域图像输入至第二目标检测模型,通过第二目标检测模型检测两轮车区域图像是否包含车牌区域以及车把处是否包含物品。所得到的检测结果不限于是两轮车区域图像中存在车牌区域以及车把处存在物品、不存在车牌区域以及车把处不存在物品、存在车牌区域或者车把处存在物品。
在一个实施例中,如图3所示,在步骤S260中,根据目标对象的检测结果,得到待检测两轮车的目标检测结果,包括以下步骤。
步骤S261,当获取两轮车区域图像中存在车牌区域且任一个车把处存在物品时,获取车牌区域图像。
具体地,当检测两轮车区域图像中存在车牌区域且任一个车把处存在物品时,可以根据车牌区域的位置信息,通过裁剪等方式将车牌区域提取出来并保存,得到对应的车牌区域图像。
步骤S262,识别车牌区域图像中的车牌字符。
具体地,识别车牌区域图像中的车牌字符可以采用已训练的文本识别模型。文本识别模型不限于是CRNN(Convolutional Recurrent Neural Network,卷积循环神经网络)。将车牌区域图像输入至已训练的文本识别模型,获取文本识别模型输出的车牌字符。
步骤S263,将车牌字符与标准车牌字符进行比较,若一致,则生成待检测两轮车检测未通过的检测结果。
其中,标准车牌字符可以是预先获取的准确的车牌字符。例如,对摩托车的违规情况进行审核,标准车牌字符可以从交通管理部门处获取。具体地,在获取文本识别模型输出的车牌字符后,将该车牌字符与已获取的标准车牌字符进行比较。若两者一致,则表明待检测两轮车违规,即生成待检测两轮车检测未通过的检测结果;否则,表明待检测两轮车未违规,生成待检测两轮车检测通过的检测结果。
在一个实施例中,根据目标对象的检测结果,得到待检测两轮车的目标检测结果,包括:当获取两轮车区域图像中不存在车牌区域或车把处不存在物品时,生成待检测两轮车检测通过的目标检测结果。
具体地,针对两轮车的车把悬挂物品检测情况而言,若通过第二目标检测模型检测两轮车区域图像中不存在车牌区域或车把处不存在物品时,表明待检测两轮车未违规,生成待检测两轮车检测通过的检测结果。本实施例中,通过基于深度学习理论检测两轮车的车牌和车把手处的物品,对待检测两轮车的车把悬挂物品情况进行有效监管,可以有效保证两轮车驾驶人员以及其他司乘人员的人身安全,且减少了人力成本。
在一个实施例中,第一目标检测模型和/或第二目标检测模型为CenterNet模型,CenterNet模型中的压缩后的基础网络块为一个沙漏网络Hourglass网络块。
具体地,传统的CenterNet模型中的基础网络块包含两个沙漏网络Hourglass网络。在本实施例中,第一目标检测模型和/或第二目标检测模型采用改进后的CenterNet模型,将CenterNet模型中的Hourglass网络由原来的两个压缩至一个,从而可以减少计算量且缩短计算时间,提高了对待检测两轮车的检测效率。
在一个实施中,如图4所示,通过一个具体的实施例说明上述目标检测模型。在本实施中,第一目标检测模型和第二目标检测模型的模型采用改进后的CenterNet目标检测模型,即,将原CenterNet目标检测模型中的两个Hourglass网络块压缩至一个。两轮车为摩托车。两轮车图像中的目标物体包括车牌和车把处的物品。包括以下步骤。
步骤S401,将待检测图像输入至第一CenterNet目标检测模型。通过第一CenterNet目标检测模型中的一个Hourglass网络块对待检测图像进行特征提取得到第一特征图。
步骤S402,根据第一特征图得到摩托车区域的检测结果。
具体地,若检测存在摩托车区域,则进入步骤S403,获取摩托车区域图像;否则,表明待检测图像中不包含摩托车区域,进入步骤S410,生成待检测两轮车检测通过的目标检测结果。进一步地,在本实施例中,待检测图像的类别不限于包括背景类,摩托车类以及其他车类。通过增加背景类,使目标物体(摩托车)更容易训练识别,从而提高目标检测的准确率。
步骤S403,获取摩托车区域图像。具体地,根据第一CenterNet目标检测模型输出的摩托车区域的位置信息,通过裁剪等方式得到摩托车区域图像。
步骤S404,将摩托车区域图像输入至第二CenterNet目标检测模型。通过第二CenterNet目标检测模型中的一个Hourglass网络块对摩托车区域图像进行特征提取得到第二特征图。
步骤S405,根据第二特征图得到车牌区域和车把处悬挂物品的检测结果。
具体地,若检测存在车牌区域且任一个车把处存在物品,则进入步骤S406,获取车牌区域图像;否则,表明摩托车行驶未违规,进入步骤S410,生成待检测两轮车检测通过的目标检测结果。进一步地,在本实施例中,摩托车区域图像的类别不限于包括背景类,车牌类以及车把处的物品类。通过增加背景类,使目标物体(车牌以及车把处的物品)更容易训练识别,从而提高目标检测的准确率。
步骤S406,获取车牌区域图像。具体地,根据第二CenterNet目标检测模型输出的车牌区域的位置信息,通过裁剪等方式得到车牌区域图像。
步骤S407,将车牌区域图像输入至文本识别模型。通过文本识别模型识别车牌区域图像中的车牌字符。其中,文本识别模型可以采用LSTM模型(Long Short-TermMemory,长短期记忆网络)。
步骤S408,将车牌字符与标准车牌字符进行比较。若一致,则表明摩托车行驶违规,进入步骤S409,生成待检测两轮车检测未通过的目标检测结果;否则,表明摩托车行驶未违规,进入步骤S410,生成待检测两轮车检测通过的目标检测结果。
以下对本实施中使用的第一CenterNet目标检测模型的训练生成方法进行说明。首先,获取多张不同条件下拍摄的图像样本。对每张图像样本中的类别进行标注,即标注出每张图像样本中的摩托车区域和其他车辆区域,生成样本集。然后,采用损失函数对待训练的第一CenterNet目标检测模型进行迭代训练,在迭代训练过程中更新待训练的第一CenterNet目标检测模型的模型参数。其中,可以采用以下损失函数进行迭代训练:
其中,表示检测角点时的Focal loss(聚焦损失),表示检测中心点时的Focal loss,表示检测角点时的pull loss(位置损失),表示检测角点时的pushloss(位置损失),表示检测角点时的L1loss,表示检测中心点时的L1 loss,α,β,γ表示相应损失的权重,分别可以设为0.1,0.1,1。
其中:Ldet中pcij表示预测热力图中c类位置(i,j)的得分,ycij表示非标准高斯增强后的标签热图在位置(i,j)处的值。
Lpull和Lpush中etk表示左上角点的特征值,ebk表示右下角点的特征值,ek表示左上和右下角点特征值的平均值,Δ的值设为1。
Loff中ok表示偏移量,xk和yk是角点k的x坐标和y坐标。
当达到预设停止条件时,可以根据训练过程中损失值最小或者鲁棒性最好的第一CenterNet目标检测模型的模型参数,生成最终使用的第一CenterNet目标检测模型。
针对第二CenterNet目标检测模型的训练生成方法,可以参照第一CenterNet目标检测模型的训练生成方法,在此不做进一步说明。
以下对本实施中使用的LSTM模型的训练生成方法进行说明。首先,获取多张车牌图像样本。对每张车牌图像样本进行序列标注生成样本集。然后,采用损失函数对待训练的LSTM模型进行迭代训练,在迭代训练过程中更新待训练的LSTM模型的模型参数。可以采用以下损失函数进行迭代训练:
L(s)=-∑log(p(z|x)),(x,z)∈s
其中p(z|x)代表给定输入x,输出序列z的概率,s为训练集。
当达到预设停止条件时,可以根据训练过程中损失值最小或者鲁棒性最好的LSTM模型的模型参数,生成最终使用的LSTM模型。
应该理解的是,虽然图1-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-4中的至少一部分步骤可以包括多个步骤或者多个阶段,这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种目标检测装置500,包括:第一检测结果获取模块501、第一检测结果获取模块502、图像获取模块503、第二目标检测模块504、第二检测结果获取模块505和检测结果生成模块506。
第一目标检测模块501,用于采用第一目标检测模型对待检测图像中的待检测两轮车进行检测,通过第一目标检测模型中压缩后的基础网络块对待检测图像进行特征提取得到第一特征图;
第一检测结果获取模块502,用于根据第一特征图得到两轮车区域的检测结果;
图像获取模块503,用于当两轮车区域的检测结果为存在两轮车区域时,获取两轮车区域图像;
第二目标检测模块504,用于采用第二目标检测模型对两轮车区域图像进行检测,通过第二目标检测模型中压缩后的基础网络块对两轮车区域图进行特征提取得到第二特征图;
第二检测结果获取模块505,用于模块,用于根据第二特征图得到目标对象的检测结果;
检测结果生成模块506,用于根据目标对象的检测结果,得到待检测两轮车的目标检测结果。
在一个实施例中,第二检测结果获取模块505,用于根据第二特征图得到两轮车区域图像中的车牌区域以及车把处的物品的检测结果。
在一个实施例中,检测结果生成模块506,包括:车牌区域图像获取单元,用于当获取两轮车区域图像中存在车牌区域且任一个车把处存在物品时,获取车牌区域图像;识别单元,用于识别车牌图像中的车牌字符;比较单元,将车牌字符与标准车牌字符进行比较;检测结果生成单元,用于在车牌字符与标准车牌字符一致时,则生成所述待检测两轮车检测未通过的目标检测结果。
在一个实施例中,检测结果生成模块506,用于当获取两轮车区域图像中不存在车牌区域或车把处不存在物品时,生成待检测两轮车检测通过的目标检测结果。
在一个实施例中,检测结果生成模块506,用于当两轮车区域的检测结果为不存在两轮车区域时,则生成待检测两轮车检测通过的目标检测结果。
在一个实施例中,第一目标检测模型和/或第二目标检测模型为CenterNet模型,CenterNet模型中的压缩后的基础网络块为一个沙漏网络Hourglass网络块。
关于目标检测装置的具体限定可以参见上文中对于目标检测方法的限定,在此不再赘述。上述目标检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种目标检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
采用第一目标检测模型对待检测图像中的待检测两轮车进行检测,通过第一目标检测模型中压缩后的基础网络块对待检测图像进行特征提取得到第一特征图;根据第一特征图得到两轮车区域的检测结果;当两轮车区域的检测结果为存在两轮车区域时,获取两轮车区域图像;采用第二目标检测模型对两轮车区域图像进行检测,通过第二目标检测模型中压缩后的基础网络块对两轮车区域图进行特征提取得到第二特征图;根据第二特征图得到目标对象的检测结果;根据目标对象的检测结果,得到待检测两轮车的目标检测结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据第二特征图得到两轮车区域图像中的车牌区域以及车把处的物品的检测结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当获取两轮车区域图像中存在车牌区域且任一个车把处存在物品时,获取车牌区域图像;识别车牌图像中的车牌字符;将车牌字符与标准车牌字符进行比较,若一致,则生成待检测两轮车检测未通过的目标检测结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当获取两轮车区域图像中不存在车牌区域或车把处不存在物品时,生成待检测两轮车检测通过的目标检测结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当两轮车区域的检测结果为不存在两轮车区域时,则生成待检测两轮车检测通过的目标检测结果。
在一个实施例中,第一目标检测模型和/或第二目标检测模型为CenterNet模型,CenterNet模型中的压缩后的基础网络块为一个沙漏网络Hourglass网络块。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
采用第一目标检测模型对待检测图像中的待检测两轮车进行检测,通过第一目标检测模型中压缩后的基础网络块对待检测图像进行特征提取得到第一特征图;根据第一特征图得到两轮车区域的检测结果;当两轮车区域的检测结果为存在两轮车区域时,获取两轮车区域图像;采用第二目标检测模型对两轮车区域图像进行检测,通过第二目标检测模型中压缩后的基础网络块对两轮车区域图进行特征提取得到第二特征图;根据第二特征图得到目标对象的检测结果;根据目标对象的检测结果,得到待检测两轮车的目标检测结果。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
根据第二特征图得到两轮车区域图像中的车牌区域以及车把处的物品的检测结果。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
当获取两轮车区域图像中存在车牌区域且任一个车把处存在物品时,获取车牌区域图像;识别车牌图像中的车牌字符;将车牌字符与标准车牌字符进行比较,若一致,则生成待检测两轮车检测未通过的目标检测结果。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
当获取两轮车区域图像中不存在车牌区域或车把处不存在物品时,生成待检测两轮车检测通过的目标检测结果。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
当两轮车区域的检测结果为不存在两轮车区域时,则生成待检测两轮车检测通过的目标检测结果。
在一个实施例中,第一目标检测模型和/或第二目标检测模型为CenterNet模型,CenterNet模型中的压缩后的基础网络块为一个沙漏网络Hourglass网络块。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种目标检测方法,其特征在于,包括:
采用第一目标检测模型对待检测图像中的待检测两轮车进行检测,通过所述第一目标检测模型中压缩后的基础网络块对所述待检测图像进行特征提取得到第一特征图;
根据所述第一特征图得到两轮车区域的检测结果;
当所述两轮车区域的检测结果为存在两轮车区域时,获取两轮车区域图像;
采用第二目标检测模型对所述两轮车区域图像进行检测,通过所述第二目标检测模型中压缩后的基础网络块对所述两轮车区域图进行特征提取得到第二特征图;
根据所述第二特征图得到目标对象的检测结果;
根据所述目标对象的检测结果,得到所述待检测两轮车的目标检测结果。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第二特征图得到目标对象的检测结果,包括:
根据所述第二特征图得到所述两轮车区域图像中的车牌区域以及车把处的物品的检测结果。
3.根据权利要求2所述的方法,其特征在于,所述根据所述目标对象的检测结果,得到所述待检测两轮车的目标检测结果,包括:
当获取所述两轮车区域图像中存在车牌区域且任一个车把处存在物品时,获取车牌区域图像;
识别所述车牌区域图像中的车牌字符;
将所述车牌字符与标准车牌字符进行比较,若一致,则生成所述待检测两轮车检测未通过的目标检测结果。
4.根据权利要求2所述的方法,其特征在于,所述根据所述目标对象的检测结果,得到所述待检测两轮车的检测结果,包括:
当获取所述两轮车区域图像中不存在车牌区域或车把处不存在物品时,生成所述待检测两轮车检测通过的目标检测结果。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当所述两轮车区域的检测结果为不存在两轮车区域时,则生成所述待检测两轮车检测通过的目标检测结果。
6.根据权利要求1~5任一项所述的方法,其特征在于,所述第一目标检测模型和/或第二目标检测模型为CenterNet模型,所述CenterNet模型中的压缩后的基础网络块为一个沙漏网络Hourglass网络块。
7.一种目标检测装置,其特征在于,包括:
第一目标检测模块,用于采用第一目标检测模型对待检测图像中的待检测两轮车进行检测,通过所述第一目标检测模型中压缩后的基础网络块对所述待检测图像进行特征提取得到第一特征图;
第一检测结果获取模块,用于根据所述第一特征图得到两轮车区域的检测结果;
图像获取模块,用于当所述两轮车区域的检测结果为存在两轮车区域时,获取两轮车区域图像;
第二目标检测模块,用于采用第二目标检测模型对所述两轮车区域图像进行检测,通过所述第二目标检测模型中压缩后的基础网络块对所述两轮车区域图进行特征提取得到第二特征图;
第二检测结果获取模块,用于模块,用于根据所述第二特征图得到目标对象的检测结果;
检测结果生成模块,用于根据所述目标对象的检测结果,得到所述待检测两轮车的目标检测结果。
8.根据权利要求7所述的装置,其特征在于,所述第二检测结果获取模块,用于根据所述第二特征图得到所述两轮车区域图像中的车牌区域以及车把处的物品的检测结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010207471.5A CN111401282A (zh) | 2020-03-23 | 2020-03-23 | 目标检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010207471.5A CN111401282A (zh) | 2020-03-23 | 2020-03-23 | 目标检测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111401282A true CN111401282A (zh) | 2020-07-10 |
Family
ID=71432776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010207471.5A Pending CN111401282A (zh) | 2020-03-23 | 2020-03-23 | 目标检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401282A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052774A (zh) * | 2020-08-31 | 2020-12-08 | 杭州飞步科技有限公司 | 行为检测方法及装置 |
CN112233096A (zh) * | 2020-10-19 | 2021-01-15 | 哈尔滨市科佳通用机电股份有限公司 | 一种车辆裙板故障检测方法 |
CN112820116A (zh) * | 2021-01-29 | 2021-05-18 | 上海眼控科技股份有限公司 | 车辆检测方法、装置、计算机设备和存储介质 |
CN112884742A (zh) * | 2021-02-22 | 2021-06-01 | 山西讯龙科技有限公司 | 一种基于多算法融合的多目标实时检测、识别及跟踪方法 |
CN113239746A (zh) * | 2021-04-26 | 2021-08-10 | 深圳市安思疆科技有限公司 | 电动车检测方法、装置、终端设备及计算机可读存储介质 |
CN113822277A (zh) * | 2021-11-19 | 2021-12-21 | 万商云集(成都)科技股份有限公司 | 基于深度学习目标检测的违规广告图片检测方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007223494A (ja) * | 2006-02-24 | 2007-09-06 | Fuji Heavy Ind Ltd | 車両挙動推定予測装置および車両安定化制御システム |
CN107054358A (zh) * | 2015-12-03 | 2017-08-18 | 罗伯特·博世有限公司 | 两轮车的倾斜识别 |
CN109993031A (zh) * | 2017-12-29 | 2019-07-09 | 杭州海康威视数字技术股份有限公司 | 一种畜力车目标违章行驶行为检测方法、装置及相机 |
CN110263913A (zh) * | 2019-05-23 | 2019-09-20 | 深圳先进技术研究院 | 一种深度神经网络压缩方法及相关设备 |
CN110516518A (zh) * | 2018-05-22 | 2019-11-29 | 杭州海康威视数字技术股份有限公司 | 一种非机动车违法载人检测方法、装置及电子设备 |
CN110532928A (zh) * | 2019-08-23 | 2019-12-03 | 安徽大学 | 基于面部区域规范化和可变形沙漏网络的面部关键点检测方法 |
CN110543838A (zh) * | 2019-08-19 | 2019-12-06 | 上海光是信息科技有限公司 | 车辆信息检测的方法及装置 |
CN110648291A (zh) * | 2019-09-10 | 2020-01-03 | 武汉科技大学 | 一种基于深度学习的无人机运动模糊图像的复原方法 |
CN110706261A (zh) * | 2019-10-22 | 2020-01-17 | 上海眼控科技股份有限公司 | 车辆违章检测方法、装置、计算机设备和存储介质 |
CN110728680A (zh) * | 2019-10-25 | 2020-01-24 | 上海眼控科技股份有限公司 | 行车记录仪检测方法、装置、计算机设备和存储介质 |
CN110858290A (zh) * | 2018-08-24 | 2020-03-03 | 比亚迪股份有限公司 | 驾驶员异常行为识别方法、装置、设备及存储介质 |
-
2020
- 2020-03-23 CN CN202010207471.5A patent/CN111401282A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007223494A (ja) * | 2006-02-24 | 2007-09-06 | Fuji Heavy Ind Ltd | 車両挙動推定予測装置および車両安定化制御システム |
CN107054358A (zh) * | 2015-12-03 | 2017-08-18 | 罗伯特·博世有限公司 | 两轮车的倾斜识别 |
CN109993031A (zh) * | 2017-12-29 | 2019-07-09 | 杭州海康威视数字技术股份有限公司 | 一种畜力车目标违章行驶行为检测方法、装置及相机 |
CN110516518A (zh) * | 2018-05-22 | 2019-11-29 | 杭州海康威视数字技术股份有限公司 | 一种非机动车违法载人检测方法、装置及电子设备 |
CN110858290A (zh) * | 2018-08-24 | 2020-03-03 | 比亚迪股份有限公司 | 驾驶员异常行为识别方法、装置、设备及存储介质 |
CN110263913A (zh) * | 2019-05-23 | 2019-09-20 | 深圳先进技术研究院 | 一种深度神经网络压缩方法及相关设备 |
CN110543838A (zh) * | 2019-08-19 | 2019-12-06 | 上海光是信息科技有限公司 | 车辆信息检测的方法及装置 |
CN110532928A (zh) * | 2019-08-23 | 2019-12-03 | 安徽大学 | 基于面部区域规范化和可变形沙漏网络的面部关键点检测方法 |
CN110648291A (zh) * | 2019-09-10 | 2020-01-03 | 武汉科技大学 | 一种基于深度学习的无人机运动模糊图像的复原方法 |
CN110706261A (zh) * | 2019-10-22 | 2020-01-17 | 上海眼控科技股份有限公司 | 车辆违章检测方法、装置、计算机设备和存储介质 |
CN110728680A (zh) * | 2019-10-25 | 2020-01-24 | 上海眼控科技股份有限公司 | 行车记录仪检测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (5)
Title |
---|
HEI LAW 等: "Cornernet:Detecting Objects as Paired Keypoints", 《IJCV》, vol. 1, 8 August 2019 (2019-08-08), pages 642 - 656, XP037051068, DOI: 10.1007/s11263-019-01204-1 * |
KAIWEN DUAN 等: "centernet:Keypoint Triplets for Object Detection", 《ICCV》, 31 December 2019 (2019-12-31), pages 6569 - 6578 * |
ZHIWEI DONG 等: "CentripetalNet: Pursuing High-quality Keypoint Pairs for Object Detection", 《ARXIV:2003.09119V1》, 20 March 2020 (2020-03-20), pages 10519 - 10528 * |
关晨至: "《深度学习与人体姿态动作识别》", vol. 1, 30 November 2019, 武汉大学出版社, pages: 124 - 127 * |
重庆市西南机动车驾驶员培训中心 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052774A (zh) * | 2020-08-31 | 2020-12-08 | 杭州飞步科技有限公司 | 行为检测方法及装置 |
CN112052774B (zh) * | 2020-08-31 | 2023-10-17 | 杭州飞步科技有限公司 | 行为检测方法及装置 |
CN112233096A (zh) * | 2020-10-19 | 2021-01-15 | 哈尔滨市科佳通用机电股份有限公司 | 一种车辆裙板故障检测方法 |
CN112820116A (zh) * | 2021-01-29 | 2021-05-18 | 上海眼控科技股份有限公司 | 车辆检测方法、装置、计算机设备和存储介质 |
CN112884742A (zh) * | 2021-02-22 | 2021-06-01 | 山西讯龙科技有限公司 | 一种基于多算法融合的多目标实时检测、识别及跟踪方法 |
CN112884742B (zh) * | 2021-02-22 | 2023-08-11 | 山西讯龙科技有限公司 | 一种基于多算法融合的多目标实时检测、识别及跟踪方法 |
CN113239746A (zh) * | 2021-04-26 | 2021-08-10 | 深圳市安思疆科技有限公司 | 电动车检测方法、装置、终端设备及计算机可读存储介质 |
CN113239746B (zh) * | 2021-04-26 | 2024-05-17 | 深圳市安思疆科技有限公司 | 电动车检测方法、装置、终端设备及计算机可读存储介质 |
CN113822277A (zh) * | 2021-11-19 | 2021-12-21 | 万商云集(成都)科技股份有限公司 | 基于深度学习目标检测的违规广告图片检测方法及系统 |
CN113822277B (zh) * | 2021-11-19 | 2022-02-18 | 万商云集(成都)科技股份有限公司 | 基于深度学习目标检测的违规广告图片检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111401282A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
CN109145680B (zh) | 一种获取障碍物信息的方法、装置、设备和计算机存储介质 | |
CN111507989A (zh) | 语义分割模型的训练生成方法、车辆外观检测方法、装置 | |
CN110706261A (zh) | 车辆违章检测方法、装置、计算机设备和存储介质 | |
CN107862340A (zh) | 一种车型识别方法及装置 | |
CN110929589B (zh) | 车辆特征识别的方法、设备、计算机设备和存储介质 | |
CN109766755B (zh) | 人脸识别方法及相关产品 | |
CN107944382B (zh) | 目标跟踪方法、装置及电子设备 | |
CN110781768A (zh) | 目标对象检测方法和装置、电子设备和介质 | |
CN111523489A (zh) | 年龄分类网络的生成方法、车载人员检测方法、装置 | |
KR102073929B1 (ko) | 블록체인망을 이용한 차량의 비상 상황 로그 시스템 | |
CN110575163A (zh) | 一种检测驾驶员分心的方法及装置 | |
US11651599B2 (en) | Systems and methods for identifying distracted driver behavior from video | |
CN110516691A (zh) | 一种车辆尾气检测方法和装置 | |
CN111539358A (zh) | 工作状态确定方法、装置、计算机设备和存储介质 | |
CN113688805A (zh) | 一种基于无人机的无牌渣土车识别方法及系统 | |
CN111340355A (zh) | 行程订单的匹配方法、装置、服务器和介质 | |
CN111753592A (zh) | 交通标志识别方法、装置、计算机设备和存储介质 | |
CN109859085A (zh) | 安全预警方法及相关产品 | |
CN114723945A (zh) | 车损检测方法和装置、电子设备及存储介质 | |
CN116152863A (zh) | 一种人员信息识别方法、装置、电子设备及存储介质 | |
CN112580457A (zh) | 车辆视频的处理方法、装置、计算机设备和存储介质 | |
CN111476245A (zh) | 车辆左转违规检测方法、装置、计算机设备和存储介质 | |
CN111368728A (zh) | 安全监测方法、装置、计算机设备和存储介质 | |
CN110659626A (zh) | 图像检测方法、装置和设备 |
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 |