CN111402297A - 目标追踪检测方法、系统、电子设备及存储介质 - Google Patents

目标追踪检测方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN111402297A
CN111402297A CN202010219578.1A CN202010219578A CN111402297A CN 111402297 A CN111402297 A CN 111402297A CN 202010219578 A CN202010219578 A CN 202010219578A CN 111402297 A CN111402297 A CN 111402297A
Authority
CN
China
Prior art keywords
target
image
detected
suspected
detection
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
Application number
CN202010219578.1A
Other languages
English (en)
Inventor
王升堂
黄仁强
杨浩运
吴飞红
黄晓峰
陈科
贾惠柱
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.)
Hangzhou Boya Hongtu Video Technology Co ltd
Original Assignee
Hangzhou Boya Hongtu Video 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 Hangzhou Boya Hongtu Video Technology Co ltd filed Critical Hangzhou Boya Hongtu Video Technology Co ltd
Priority to CN202010219578.1A priority Critical patent/CN111402297A/zh
Publication of CN111402297A publication Critical patent/CN111402297A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种目标追踪检测方法、系统、电子设备及存储介质，该方法包括：获取针对待检测目标进行拍摄得到的视频流；从所述视频流中筛选出包括所述待检测目标的疑似目标图像；分发所述疑似目标图像的结构化信息提取任务；对所述疑似目标图像进行结构化信息提取。本申请的目标追踪检测方法，获取针对待检测目标进行拍摄得到的视频流，从视频流中筛选出包括所述待检测目标的疑似目标图像，根据多个信息提取模块的负载状态将疑似目标图像的信息提取任务分发到多个信息提取模块中，通过多个信息提取模块对疑似目标图像进行信息提取，充分利用了多个信息提取模块的资源，避免了资源浪费，同时可以解决数据传输速率与数据处理速率不匹配的问题。

Description

目标追踪检测方法、系统、电子设备及存储介质
技术领域
本申请涉及计算机技术领域，具体涉及一种目标追踪检测方法、系统、电子设备及存储介质。
背景技术
在现有技术中，对于目标进行追踪检测时，存在数据传输速率与信息提出速率不匹配的问题。例如，追踪目标所拍摄的视频传输速率较大，而通过多个处理器对视频的目标信息提取的速率跟不上，导致二者速率不匹配，影响了数据处理效率。尤其是在通过多个处理器进行目标信息提取时，由于各个处理器负载分配不均衡，有的处理器处于超负荷满载状态，有的处理器处于空闲状态，导致处理器资源的浪费，这些都是亟待解决的问题。
发明内容
本申请的目的是提供一种目标追踪检测方法、系统、电子设备及存储介质。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
根据本申请实施例的一个方面，提供一种目标追踪检测方法，包括：
获取针对待检测目标进行拍摄得到的视频流；
从所述视频流中筛选出包括所述待检测目标的疑似目标图像；
分发所述疑似目标图像的结构化信息提取任务；
对所述疑似目标图像进行结构化信息提取。
进一步地，所述对所述疑似目标图像进行结构化信息提取，包括：
使用结构化来提取所述疑似目标图像中的目标的结构信息。
进一步地，所述对所述疑似目标图像进行结构化信息提取，包括：
对所述待检测图像进行分析以确定所述待检测图像是否显示有检测目标；
响应于确定所述待检测图像显示有检测目标，将所述待检测图像输入至预先训练的目标检测模型，得到检测结果信息。
进一步地，所述对所述待检测图像进行分析以确定所述待检测图像是否显示有检测目标，包括：将所述待检测图像输入至预先训练的、用于分类的卷积神经网络，以确定所述待检测图像是否显示有检测目标。
进一步地，所述目标检测模型的网络层包括至少一个特征提取层、池化层和全连接层。
进一步地，所述将所述待检测图像输入至预先训练的目标检测模型，得到检测结果信息，包括：
利用所述至少一个特征提取层提取所述待检测图像的特征图；
利用所述池化层对提取的特征图的尺寸进行调整，以得到预设尺寸的特征图；
将得到的预设尺寸的特征图输入至所述全连接层，以得到检测结果信息。
进一步地，所述从视频流中筛选出包括待检测目标的疑似目标图像，包括：对所述视频流进行编译解码得到连续帧的图像，筛选出可能包括待检测目标的疑似目标图像。。
根据本申请实施例的另一个方面，提供一种目标追踪检测系统，包括：
视频获取模块，用于获取针对待检测目标进行拍摄得到的视频流；
目标缓存接收模块，用于从所述视频流中筛选出包括所述待检测目标的疑似目标图像；
任务分发模块，用于分发所述疑似目标图像的结构化信息提取任务；
若干信息提取模块，用于对所述疑似目标图像进行结构化信息提取。
根据本申请实施例的另一个方面，提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现上述的目标追踪检测方法。
根据本申请实施例的另一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以实现上述的目标追踪检测方法。
本申请实施例的其中一个方面提供的技术方案可以包括以下有益效果：
本申请实施例提供的目标追踪检测方法，获取针对待检测目标进行拍摄得到的视频流，从视频流中筛选出包括所述待检测目标的疑似目标图像，根据多个信息提取模块的负载状态将疑似目标图像的信息提取任务分发到多个信息提取模块中，通过多个信息提取模块对疑似目标图像进行信息提取，充分利用了多个信息提取模块的资源，避免了资源浪费，同时可以解决数据传输速率与数据处理速率不匹配的问题。
本申请的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者，部分特征和优点可以从说明书中推知或毫无疑义地确定，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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申请中记载的一些实施例，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他的附图。
图1示出了本申请的一个实施例的目标追踪检测方法流程图；
图2示出了本申请的另一实施例的目标追踪检测系统的结构框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
如图1所示，本申请的一个实施例提供了一种目标追踪检测方法01，包括：
S10、获取针对待检测目标进行拍摄得到的视频流。
例如，视频流可以是摄像机等摄像装置实时获取或已经拍摄好的视频。目标可以是人、动物、植物、机动车或非机动车等。摄像装置可以是手机等终端设备。
S20、从视频流中筛选出包括待检测目标的疑似目标图像。
对视频流进行编译解码得到连续帧的图像，筛选出可能包括待检测目标的疑似目标图像。该步骤是预处理的步骤，初步筛选出可能包括待检测目标的疑似目标图像。
例如，通过乒乓操作实现对数据流的控制，实现对输入输出数据选择控制并按特定的时间周期、相互配合地进行来回切换，将经过缓存中的数据流没有停顿地发送出去；数据流可以包括图像码流以及图像码流相关信息(例如拍摄时间等)，例如image stream(JPEG图片码流)。
S30、分发疑似目标图像的结构化信息提取任务。
根据各处理模块负载，将视频流自适应分配至多个处理模块中进行处理，确保各处理模块负载均衡。处理模块可以是具有视频处理软件的处理器芯片。
例如，可以通过自适应任务分配策略将结构化任务自适应分配至多个芯片中；在一块PCIE板卡上放置4颗GV9531芯片，然后整个服务器插8块PCIE板卡，也就是服务器上总共有32颗GV9531芯片，则可以通过自适应任务分配策略将结构化任务自适应分配到这32颗GV9531芯片中分别进行并行化处理。
S40、对疑似目标图像进行结构化信息提取。
具体地，S40包括：
S401、对所述待检测图像进行分析以确定所述待检测图像是否显示有检测目标。
将所述待检测图像输入至预先训练的、用于分类的卷积神经网络，以确定所述待检测图像是否显示有检测目标。
检测目标可以是由技术人员预先指定的对象，例如人、动物、植物、交通工具(机动车或非机动车)等。检测目标也可以是根据技术人员预先设置的筛选条件所确定的对象。例如，筛选条件可以是对应所在的图像区域的面积和待检测图像的面积的比值大于预设阈值的对象。
可以利用各种图像分析方法对待检测图像进行分析以确定待检测图像是否显示有检测目标。其中，确定待检测图像是否显示有检测目标，实质是图像二分类的问题。因此，可以利用各种图像分类方法来对待检测图像进行分析处理。图像分类方法包括如基于特征描述及检测的图像分类算法、如基于神经网络的图像分类算法、基于近邻取样分类器的图像分类算法等等。
可以将待检测图像输入至预先训练的、用于分类的卷积神经网络，以确定待检测图像是否显示有检测目标。其中，卷积神经网络的网络结构和参数(如包含哪些网络层、采用哪种激活函数、损失函数等)都可以根据不同的应用场景灵活设置。
例如，卷积神经网络通常可以包括输入层、卷积层、全连接层和输出层。又例如，卷积神经网络可以包括输入层、卷积层、扁平化层、全连接层、输出层。
S402、响应于确定所述待检测图像显示有检测目标，将所述待检测图像输入至预先训练的目标检测模型，得到检测结果信息，其中，所述检测结果信息用于指示检测目标显示在所述待检测图像中的位置。
目标检测模型可以是现有的基于各种目标检测算法的神经网络模型。常用的目标检测算法如Faster R-CNN算法等等。
例如，可以在用户的手机上安装基于人脸检测模型进行人脸检测的应用程序。该应用程序可以通过调用手机的摄像功能获取待检测图像。该应用程序可以先将待检测图像输入至分类模型中，若得到检测结果为待检测图像中显示有人脸，则可以将待检测图像输入至人脸检测模型中，得到人脸检测结果。若根据分类模型得到的检测结果为待检测图像没有人脸，则向用户提示请对准人脸进行拍摄。此时，就可以避免不显示人脸的待检测图像再通过整个人脸检测模型被处理的过程，可以有效地精简处理过程的步骤。
所述目标检测模型的网络层包括至少一个特征提取层、池化层和全连接层。
所述将所述待检测图像输入至预先训练的目标检测模型，得到检测结果信息，包括：
S4021、利用所述至少一个特征提取层提取所述待检测图像的特征图；
S4022、利用所述池化层对提取的特征图的尺寸进行调整，以得到预设尺寸的特征图；
S4023、将得到的预设尺寸的特征图输入至所述全连接层，以得到检测结果信息。
如图2所示，本申请的另一个实施例提供了一种目标追踪检测系统，包括视频获取模块、目标缓存接收模块、任务分发模块和若干信息提取模块。
视频获取模块，用于获取针对待检测目标进行拍摄得到的视频流；
目标缓存接收模块，用于从所述视频流中筛选出包括所述待检测目标的疑似目标图像；
任务分发模块，用于分发所述疑似目标图像的结构化信息提取任务；
若干信息提取模块，用于对所述疑似目标图像进行结构化信息提取。
本实施例的目标追踪检测系统用于获取目标视频(可以是摄像头实时获取或已有的视频)，对获取的目标视频进行编解码后，运用目标检测、匹配、优选等算法实现对视频中的关键目标进行信息(例如位置信息等)提取。
本实施例的目标追踪检测系统主要是实现对追踪获取的对象进行信息提取，得到目标信息，目标可以为人、动物、植物、机动车或非机动车等等。
本实施例的目标追踪检测系统的目标缓存接收模块、任务分发模块和信息提取模块，可以解决数据传输速率与数据处理速率不匹配的问题。速率不匹配是指检测跟踪优选出的对象目标信息和待检测图像(JPEG格式图片)码流的传输速率与对目标进行信息提取速率的不匹配。
在某些实施方式中，目标缓存接收模块用于通过乒乓操作对数据流的控制，实现对输入输出数据选择控制并按特定的时间周期、相互配合地进行来回切换，将经过缓存中的数据流没有停顿地送到任务分发模块；数据流可以包括图像码流以及图像码流相关信息(例如拍摄时间等)，例如image stream(JPEG图片码流)。
在某些实施方式中，任务分发模块用于采用自适应任务分配策略将信息提取任务分配至多个信息提取模块中；通过自适应任务分配策略将结构化任务自适应分配至多个芯片中；例如，在一块PCIE板卡上放置4颗GV9531芯片，每一GV9531芯片包括一个信息提取模块，用于提取目标信息，通过8个PCIE板卡进行信息提取。
在某些实施方式中，信息提取模块用于对检测跟踪优选后的对象进行信息的提取。
本申请的另一个实施例提供了一种目标追踪检测方法02，包括以下步骤：
步骤1)视频获取模块获取目标视频(可以是摄像头实时获取或已有的视频)，并将目标视频输入到目标缓存接收模块中。
步骤2)目标缓存接收模块接收视频获取模块传入的目标视频高速数据流。
具体地，利用目标缓存接收模块实现结构化服务(低速模块)处理检测跟踪服务传入的高速数据流。视频获取模块每1秒处理6*4帧数据(1080p@25fps)，其将数据流存储在目标缓存接收模块中，目标缓存接收模块从视频数据流中筛选出疑似包括目标的疑似目标图像，将疑似目标图像按照节拍(至少每1秒6个优选目标的速率，取决于算法处理速度)传给任务分发模块。
步骤3)任务分发模块根据各信息提取模块的当前负载状态，将疑似目标图像的信息提取任务自适应均衡分配至多个信息提取模块中对信息提取任务进行均匀化处理。
具体地，任务分发模块通过确保各芯片负载的均衡，将结构化任务自适应分配至多个芯片中对结构化服务做到均匀化处理。
每一个芯片中包括一个信息提取模块。任务分发模块查询各个信息提取模块的当前负载状态达到总负载量的百分比，对于负载百分比较高的信息提取模块分配少一些任务量，对于负载百分比较低的信息提取模块分配多一些任务量，以确保各个信息提取模块的负载状态均衡。
对于单颗GV9531芯片上用于实现结构化服务的IP，当出现检测跟踪服务检测出的优选目标较多(超出6个/s)，单颗芯片无法完成结构化服务，此时任务分发模块将依据PCIE板卡上各个芯片用于结构化IP的负载进行自适应分配，来确保结构化服务均匀化、有效化。也就是说对于PCIE板卡而言能够将：6*4*8＝196路视频的优选目标结果进行任务的均分，可以将任务分配在空闲的IP上面，避免出现某一路优选目标较多造成任务量较大的状况。
步骤4)信息提取模块对任务分发模块传入的优选目标进行信息提取，对目标进行判断(例如目标可以是人、机动车或非机动车)，使用结构化来提出目标的结构信息，得到检测结果信息。
具体地，对任务分发模块传入的优选目标进行结构化信息提取，结构化模块将对传入的优选目标进行判断是人、机动车、非机动车，并执行相对应的算法。
结构化服务系统主要是实现对检测跟踪优选出来的对象使用结构化来提取出目标的结构信息。结构化服务是针对检测优选(检测+追踪+优选)出的目标对象object info(人，车，机动车及其位置坐标)，做出进一步的结构信息提取，如针对检测出的目标对象中的信息进行如下的算法，比如目标对象是人则进行人体人脸信息对应的所有算法。(行人结构化算法模型实现对行人的属性特征(共21类106个属性)进行预测的网络模型，如：行人性别(gender)、年龄(age)、朝向(face，上衣颜色，上衣款式，鞋子颜色款式的识别。)
例如，信息提取任务要提取的信息可以包括如表1所示的信息：
表1信息提取任务表
人体人脸信息 人脸检测、人脸结构化、人脸识别、行人结构化、行人ReID
车辆信息 车辆部件检测、车牌结构化、车辆结构化、车辆特征提取
非机动车信息 非机动车结构化、非机动车特征提取
提取的信息格式可以为object info.(对象目标信息)。
在进行目标追踪检测的过程中，针对数据吞吐率的要求如表2所示：
表2吞吐率需求
Figure BDA0002425600950000081
吞吐率为结构化服务针对检测优选服务传入对象目标的速率，结构化服务对此对象目标所应给出的处理速率。
本申请另一实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现上述的目标追踪检测方法。
本申请另一实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以实现上述的目标追踪检测方法。
本申请实施例提供的目标追踪检测方法，获取针对待检测目标进行拍摄得到的视频流，从视频流中筛选出包括所述待检测目标的疑似目标图像，根据多个信息提取模块的负载状态将疑似目标图像的信息提取任务分发到多个信息提取模块中，通过多个信息提取模块对疑似目标图像进行信息提取，充分利用了多个信息提取模块的资源，避免了资源浪费，同时可以解决数据传输速率与数据处理速率不匹配的问题。
需要说明的是：
术语“模块”并非意图受限于特定物理形式。取决于具体应用，模块可以实现为硬件、固件、软件和/或其组合。此外，不同的模块可以共享公共组件或甚至由相同组件实现。不同模块之间可以存在或不存在清楚的界限。在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。
此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。
应该理解的是，虽然附图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，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。本公开的范围由所附权利要求及其等价物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (10)

1.一种目标追踪检测方法，其特征在于，包括：
获取针对待检测目标进行拍摄得到的视频流；
从所述视频流中筛选出包括所述待检测目标的疑似目标图像；
分发所述疑似目标图像的结构化信息提取任务；
对所述疑似目标图像进行结构化信息提取。
2.根据权利要求1所述的方法，其特征在于，所述对所述疑似目标图像进行结构化信息提取，包括：
使用结构化来提取所述疑似目标图像中的目标的结构信息。
3.根据权利要求1所述的方法，其特征在于，所述对所述疑似目标图像进行结构化信息提取，包括：
对所述待检测图像进行分析以确定所述待检测图像是否显示有检测目标；
响应于确定所述待检测图像显示有检测目标，将所述待检测图像输入至预先训练的目标检测模型，得到检测结果信息。
4.根据权利要求2所述的方法，其特征在于，所述对所述待检测图像进行分析以确定所述待检测图像是否显示有检测目标，包括：将所述待检测图像输入至预先训练的、用于分类的卷积神经网络，以确定所述待检测图像是否显示有检测目标。
5.根据权利要求2所述的方法，其特征在于，所述目标检测模型的网络层包括至少一个特征提取层、池化层和全连接层。
6.根据权利要求5所述的方法，其特征在于，所述将所述待检测图像输入至预先训练的目标检测模型，得到检测结果信息，包括：
利用所述至少一个特征提取层提取所述待检测图像的特征图；
利用所述池化层对提取的特征图的尺寸进行调整，以得到预设尺寸的特征图；
将得到的预设尺寸的特征图输入至所述全连接层，以得到检测结果信息。
7.根据权利要求1所述的方法，其特征在于，所述从视频流中筛选出包括待检测目标的疑似目标图像，包括：对所述视频流进行编译解码得到连续帧的图像，筛选出可能包括待检测目标的疑似目标图像。
8.一种目标追踪检测系统，其特征在于，包括：
视频获取模块，用于获取针对待检测目标进行拍摄得到的视频流；
目标缓存接收模块，用于从所述视频流中筛选出包括所述待检测目标的疑似目标图像；
任务分发模块，用于分发所述疑似目标图像的结构化信息提取任务；
若干信息提取模块，用于对所述疑似目标图像进行结构化信息提取。
9.一种电子设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-7中任一所述的目标追踪检测方法。
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，该程序被处理器执行，以实现如权利要求1-7中任一所述的目标追踪检测方法。
CN202010219578.1A 2020-03-25 2020-03-25 目标追踪检测方法、系统、电子设备及存储介质 Pending CN111402297A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010219578.1A CN111402297A (zh) 2020-03-25 2020-03-25 目标追踪检测方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010219578.1A CN111402297A (zh) 2020-03-25 2020-03-25 目标追踪检测方法、系统、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN111402297A true CN111402297A (zh) 2020-07-10

Family

ID=71413531

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010219578.1A Pending CN111402297A (zh) 2020-03-25 2020-03-25 目标追踪检测方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111402297A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112188212A (zh) * 2020-10-12 2021-01-05 杭州电子科技大学 一种高清监控视频智能转码的方法及装置
CN112784709A (zh) * 2021-01-06 2021-05-11 华南理工大学 一种远程多目标的高效检测和识别方法
CN113191286A (zh) * 2021-05-08 2021-07-30 重庆紫光华山智安科技有限公司 图像数据质量检测调优方法、系统、设备及介质
CN114419522A (zh) * 2022-03-29 2022-04-29 以萨技术股份有限公司 一种目标对象结构化解析方法、装置及设备
CN116069801A (zh) * 2023-03-06 2023-05-05 山东华夏高科信息股份有限公司 一种交通视频结构化数据生成方法、装置及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107105207A (zh) * 2017-06-09 2017-08-29 北京深瞐科技有限公司 目标监控方法、目标监控装置及摄像机
CN108984799A (zh) * 2018-08-21 2018-12-11 北京深瞐科技有限公司 一种视频数据处理方法及装置
CN110110666A (zh) * 2019-05-08 2019-08-09 北京字节跳动网络技术有限公司 目标检测方法和装置
CN110427265A (zh) * 2019-07-03 2019-11-08 平安科技（深圳）有限公司 人脸识别的方法、装置、计算机设备和存储介质
CN110706256A (zh) * 2019-09-27 2020-01-17 杭州博雅鸿图视频技术有限公司 一种基于多核异构平台的检测跟踪算法优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107105207A (zh) * 2017-06-09 2017-08-29 北京深瞐科技有限公司 目标监控方法、目标监控装置及摄像机
CN108984799A (zh) * 2018-08-21 2018-12-11 北京深瞐科技有限公司 一种视频数据处理方法及装置
CN110110666A (zh) * 2019-05-08 2019-08-09 北京字节跳动网络技术有限公司 目标检测方法和装置
CN110427265A (zh) * 2019-07-03 2019-11-08 平安科技（深圳）有限公司 人脸识别的方法、装置、计算机设备和存储介质
CN110706256A (zh) * 2019-09-27 2020-01-17 杭州博雅鸿图视频技术有限公司 一种基于多核异构平台的检测跟踪算法优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张弘, 李嘉锋: "数字图像处理与分析", 机械工业出版社, pages: 175 - 183 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112188212A (zh) * 2020-10-12 2021-01-05 杭州电子科技大学 一种高清监控视频智能转码的方法及装置
CN112188212B (zh) * 2020-10-12 2024-02-13 杭州电子科技大学 一种高清监控视频智能转码的方法及装置
CN112784709A (zh) * 2021-01-06 2021-05-11 华南理工大学 一种远程多目标的高效检测和识别方法
CN113191286A (zh) * 2021-05-08 2021-07-30 重庆紫光华山智安科技有限公司 图像数据质量检测调优方法、系统、设备及介质
CN114419522A (zh) * 2022-03-29 2022-04-29 以萨技术股份有限公司 一种目标对象结构化解析方法、装置及设备
CN116069801A (zh) * 2023-03-06 2023-05-05 山东华夏高科信息股份有限公司 一种交通视频结构化数据生成方法、装置及介质

Similar Documents

Publication Publication Date Title
CN111402297A (zh) 目标追踪检测方法、系统、电子设备及存储介质
US11055516B2 (en) Behavior prediction method, behavior prediction system, and non-transitory recording medium
CN110443210B (zh) 一种行人跟踪方法、装置以及终端
CN106651797B (zh) 一种信号灯有效区域的确定方法和装置
CN107977922B (zh) 一种图像分析方法、装置及系统
CN110245554B (zh) 一种行人运动趋势的预警的方法、系统平台及存储介质
CN113542692A (zh) 一种基于监控视频的人脸识别系统及方法
CN111510680B (zh) 一种图像数据的处理方法、系统及存储介质
CN111091106A (zh) 图像聚类方法及装置、存储介质、电子装置
CN113065568A (zh) 目标检测、属性识别与跟踪方法及系统
CN111340016A (zh) 图像曝光方法和装置、存储介质及电子装置
US11532158B2 (en) Methods and systems for customized image and video analysis
CN106375378B (zh) 一种基于局域网客户端服务器结构的应用部署方法及系统
CN112883783A (zh) 一种视频浓缩方法、装置、终端设备及存储介质
CN112669353B (zh) 数据处理方法、装置、计算机设备和存储介质
CN113408380B (zh) 视频图像调整方法、设备及存储介质
CN112819859A (zh) 一种应用于智慧安防的多目标跟踪方法及装置
CN114694007A (zh) 一种视频结构化处理方法及视频结构化引擎
CN113191210A (zh) 一种图像处理方法、装置及设备
Ishida et al. Shadow detection by three shadow models with features robust to illumination changes
CN115082326A (zh) 视频去模糊的处理方法、边缘计算设备及中心处理器
CN113938671A (zh) 图像内容分析方法、装置、电子设备和存储介质
CN109726686B (zh) 场景识别方法、装置、计算机设备和存储介质
CN112311734B (zh) 一种多路视频的图像特征提取方法、电子设备及存储介质
US20140050401A1 (en) Fast Image Processing for Recognition Objectives System

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