CN111507327B - 一种目标检测方法及装置 - Google Patents

一种目标检测方法及装置 Download PDF

Info

Publication number
CN111507327B
CN111507327B CN202010264088.3A CN202010264088A CN111507327B CN 111507327 B CN111507327 B CN 111507327B CN 202010264088 A CN202010264088 A CN 202010264088A CN 111507327 B CN111507327 B CN 111507327B
Authority
CN
China
Prior art keywords
target detection
image
target
detection frame
region
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
Application number
CN202010264088.3A
Other languages
English (en)
Other versions
CN111507327A (zh
Inventor
蔡丹平
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.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua 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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202010264088.3A priority Critical patent/CN111507327B/zh
Publication of CN111507327A publication Critical patent/CN111507327A/zh
Application granted granted Critical
Publication of CN111507327B publication Critical patent/CN111507327B/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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/143—Sensing or illuminating at different wavelengths
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/759—Region-based matching
    • 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)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供的一种目标检测方法及装置，该方法包括：确定第一图像上的第一区域，以及第二图像上与所述第一区域对应的第二区域，所述第二图像与所述第一图像是使用不同图像采集传感器针对同一场景获得的图像；所述第一图像上包括一个或多个目标检测框；对所述第二区域进行目标检测，得到第二目标检测框；在所述第一图像上确定与所述第二目标检测框对应的第一目标检测框；根据所述第一目标检测框与所述第二目标检测框确定目标检测结果。该方法中，对第一图像进行初步检测，通过对第二图像上的第二区域实现对第一图像上的第一区域的进一步检测，提升目标检测准确度。

Description

一种目标检测方法及装置
技术领域
本申请涉及计算机技术领域，尤其涉及一种目标检测方法及装置。
背景技术
随着计算机技术和电子信息技术的飞速发展和广泛应用，其中，基于深度学习的目标检测算法被应用到日常生活中的目标检测中，例如人脸识别、行人检测、车牌识别、无人驾驶等各个领域。但是，现有的目标检测算法需要大量的图像特征信息，在获取的图像信息较少、目标特征不明显的小目标面前，现有目标检测算法就不适用了。比如，无人机、智能化导弹在军事领域应用广泛，但无人机、智能化导弹的目标特征较难获取，目标检测难度大、准确率低。
因此，如何提升目标检测准确度是需要解决的问题。
发明内容
本申请实施例提供一种目标检测方法及装置，用以提升目标检测准确度。
第一方面，本申请实施例提供的一种目标检测方法，包括：
确定第一图像上的第一区域，以及第二图像上与所述第一区域对应的第二区域，所述第二图像与所述第一图像是使用不同图像采集传感器针对同一场景获得的图像；所述第一图像上包括一个或多个目标检测框；
对所述第二区域进行目标检测，得到第二目标检测框；
在所述第一图像上确定与所述第二目标检测框对应的第一目标检测框；
根据所述第一目标检测框与所述第二目标检测框确定目标检测结果。
可选的，所述第一区域为所述第一图像上目标置信度大于第一阈值且小于第二阈值的区域；
其中，所述目标置信度用于表征所述第一图像上不同区域内的目标检测框内存在目标物体的可能性。
可选的，所述第一图像为红外光图像，所述第二图像为可见光图像。
可选的，所述第二区域为根据对应关系和所述第一区域，在所述第二图像上确定的与所述第一区域对应的区域；所述对应关系为所述第一图像与所述第二图像上的各个像素点的对应关系。
可选的，所述第二目标检测框与所述第一目标检测框类型属性一致。
可选的，所述根据所述第一目标检测框与所述第二目标检测框确定目标检测结果，包括：
确定所述第一图像上与所述第二目标检测框位置对应的第三目标检测框；
确定所述第一目标检测框与所述第三目标检测框的重叠区域；
若所述重叠区域的面积大于第三阈值，则将所述第三目标检测框在所述第一图像上的位置坐标、所述第二目标检测框的类别或目标置信度中的至少一项，作为所述目标检测结果；
其中，所述目标置信度用于表征所述第二图像上不同区域内的目标检测框内存在目标物体的可能性。
第二方面，本申请实施例提供的一种目标检测装置，包括：
确定模块，用于确定第一图像上的第一区域，以及第二图像上与所述第一区域对应的第二区域，所述第二图像与所述第一图像是使用不同图像采集传感器针对同一场景获得的图像；所述第一图像上包括一个或多个目标检测框；
检测模块，用于对所述第二区域进行目标检测，得到第二目标检测框；
所述确定模块，还用于在所述第一图像上确定与所述第二目标检测框对应的第一目标检测框；
所述确定模块，还用于根据所述第一目标检测框与所述第二目标检测框确定目标检测结果。
可选的，所述第一区域为所述第一图像上目标置信度大于第一阈值且小于第二阈值的区域；
其中，所述目标置信度用于表征所述第一图像上不同区域内的目标检测框内存在目标物体的可能性。
可选的，所述第二区域为所述确定模块根据对应关系和所述第一区域，在所述第二图像上确定的与所述第一区域对应的区域；所述对应关系为所述第一图像与所述第二图像上的各个像素点的对应关系。
可选的，所述确定模块在用于根据所述第一目标检测框与所述第二目标检测框确定目标检测结果时，具体用于：
确定所述第一图像上与所述第二目标检测框位置对应的第三目标检测框；
确定所述第一目标检测框与所述第三目标检测框的重叠区域；
若所述重叠区域的面积大于第三阈值，则将所述第三目标检测框在所述第一图像上的位置坐标、所述第二目标检测框的类别或目标置信度中的至少一项，作为所述目标检测结果；
其中，所述目标置信度用于表征所述第二图像上不同区域内的目标检测框内存在目标物体的可能性。
第三方面，本申请实施例提供的一种电子设备，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：存储器存储有可被至少一个处理器执行的指令，该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上述方法的一个或多个步骤。
第四方面，本申请实施例提供的一种计算机可读介质，存储有计算机可执行指令，所述计算机可执行指令用于执行上述方法。
本申请提供的一种目标检测方法，该方法包括：确定第一图像上的第一区域，以及第二图像上与所述第一区域对应的第二区域，所述第二图像与所述第一图像是使用不同图像采集传感器针对同一场景获得的图像；所述第一图像上包括一个或多个目标检测框；对所述第二区域进行目标检测，得到第二目标检测框；在所述第一图像上确定与所述第二目标检测框对应的第一目标检测框；根据所述第一目标检测框与所述第二目标检测框确定目标检测结果。该方法中，对第一图像进行初步检测，通过对第二图像上的第二区域实现对第一图像上的第一区域的进一步检测，提升目标检测准确度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例提供的一种目标检测方法的流程示意图；
图2为本申请实施例提供的确定重叠区域的示意图；
图3为本申请实施例提供的一种目标检测装置的结构示意图；
图4为本申请实施例提供的电子设备的结构示意图。
具体实施方式
以下结合说明书附图对本申请的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本申请，并不用于限定本申请，并且在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
需要理解的是，在本申请实施例的描述中，“第一”、“第二”等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也不能理解为指示或暗示顺序。在本申请实施例的描述中“多个”，是指两个或两个以上。
本申请实施例中的术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
下面简单介绍一下本申请的背景技术。
随着计算机技术和电子信息技术的飞速发展和广泛应用，其中，基于深度学习的目标检测算法被应用到日常生活的目标检测中，例如人脸识别、行人检测、车牌识别、无人驾驶等各个领域。但是，现有的目标检测算法需要大量的图像特征信息，在获取的图像信息较少、目标特征不明显的小目标面前，现有目标检测算法就不适用了。比如，无人机、智能化导弹在军事领域应用广泛，但无人机、智能化导弹的目标特征较难获取，目标检测难度大、准确率低。
因此，如何提升目标检测准确度是需要解决的问题。
为了解决上述技术问题，本申请提供的一种目标检测方法，该方法包括：确定第一图像上的第一区域，以及第二图像上与所述第一区域对应的第二区域，所述第二图像与所述第一图像是使用不同图像采集传感器针对同一场景获得的图像；所述第一图像上包括一个或多个目标检测框；对所述第二区域进行目标检测，得到第二目标检测框；在所述第一图像上确定与所述第二目标检测框对应的第一目标检测框；根据所述第一目标检测框与所述第二目标检测框确定目标检测结果。该方法中，对第一图像进行初步检测，通过对第二图像上的第二区域实现对第一图像上的第一区域的进一步检测，提升目标检测准确度。
下面结合图1详细介绍本申请提供的目标检测方法的实现过程，该方法可应用于具备目标检测功能的电子设备。
请参见图1，图1为本申请实施例提供的一种目标检测方法的流程示意图，该方法包括以下步骤：
100：确定第一图像上的一个或多个目标检测框。
一种可能的实施方式为，假设第一图像是红外光图像采集传感器采集的，电子设备可以根据红外光目标检测模型对第一图像进行目标检测，得到所述一个或多个目标检测框。应理解，所述一个或多个目标检测框中每个目标检测框的置信度都不一样，根据目标检测框的置信度，电子设备可以确定出下文所述的第一区域，也可以确定出第一图像中经过一次检测就能准确检测的目标检测框。例如，将目标置信度大于90的目标检测框认为是可靠的目标，其所在区域不需要进行二次检测，可直接作为目标检测结果的部分内容输出。
另一种可能的实施方式为，假设第一图像是可见光图像采集传感器采集的，电子设备可以根据可见光目标检测模型对第一图像进行目标检测，得到所述一个或多个目标检测框。
其中，可见光目标检测模型和红外光目标检测模型可以是事先设置好的，或者，是电子设备训练得到的。以可见光目标检测模块为例，电子设备获取大量可见光图像数据集训练得到可见光目标检测模型。或者，电子设备获取大量红外光图像数据集训练得到红外光目标检测模型。所述可见光目标检测模型和红外光目标检测模型可以直接用于对图像进行目标检测。
在上述两种实施方式中，红外光目标检测模型的训练不再需要将可见光目标检测模型作为预训练模型，与现有技术相比，本申请可以独立实现红外光目标检测模型，且不需要对目标检测模型进行压缩处理，技术实现更加简单。其中，可见光目标检测模型和红外光目标检测模型可以基于深度学习算法获得，例如yoloV3、ssd等，本申请的实施例不作具体的限定。
101：确定第一图像上的第一区域，以及第二图像上与所述第一区域对应的第二区域；所述第二图像与所述第一图像是使用不同图像采集传感器针对同一场景获得的图像。
上述不同图像采集传感器例如红外图像采集传感器、可见光图像采集传感器、激光图像采集传感器、热成像图像传感器等等。例如，第一图像是红外图像采集传感器的图像，第二图像是可见光图像采集传感器采集的图像。
优选的，本申请提供的目标检测方法可应用于红外光图像(例如，红外光热辐射得到的图像)和可见光图像。以红外光图像中的热成像图像为例，当下雨天，气温和体温差距小时，热成像图像独特的成像特点会使得弱小目标的特征不够清晰，增加了检测的难度。通过本申请提供的目标检测方法可将同一场景的热成像图像和可见光图像进行数据、信息互补，对热成像图像的初步检测结果中可疑的部分，进行二次目标检测，提升热成像图像的目标检测准确率。
应理解，弱小目标具有成像距离远、成像面积小、形状特征弱、信噪比低等特点，弱小目标可以理解为一张图像上帧间相对位移小的人或物体。
第一区域的确定方式有很多种，比如如下几种：
方式1，所述第一区域为所述第一图像上目标置信度大于第一阈值且小于第二阈值的目标检测框所在的图像区域；其中，所述目标置信度用于表征所述第一图像上不同区域内的目标检测框内存在目标物体的可能性。
方式2，所述第一区域还可以是根据预设算法对所述第一图像上目标置信度大于第一阈值且小于第二阈值的目标检测框所在的图像区域进行边界外扩的图像区域。
方式3，第一区域可以是第一图像上的任一区域，或者，是预设的区域，或者，是用于指定的某个区域。
上述第二区域为根据对应关系和所述第一区域，在所述第二图像上确定的与所述第一区域对应的区域；所述对应关系为所述第一图像与所述第二图像上的各个像素点的对应关系。
应理解，所述对应关系是根据多项式模型、两点线段匹配、参数配准中的一种或多种方法获取，本申请实施例不作具体的限定。
举例来说，假设第一图像是红外光图像、第二图像是可见光图像。红外光图像采集传感器、和可见光图像采集传感器分别采集了在空中飞翔的多个无人机的红外光图像1、可见光图像1。电子设备利用上述实施方式中训练得到的红外光目标检测模型、可见光目标检测模型对多个无人机的红外光图像1、可见光图像1进行检测。首先，电子设备利用红外光目标检测模型对红外光图像1进行目标检测，确定所述红外光图像1中目标置信度大于第一阈值且小于第二阈值的至少一个目标检测框，将所述至少一个目标检测框作为第一区域；进一步电子设备根据红外光图像和可见光图像上各个像素的对应关系在所述可见光图像1上确定与所述第一区域对应的第二区域。
102：对所述第二区域进行目标检测，得到第二目标检测框。其中，第二目标检测框的数量可以是一个或多个。
如前述所述电子设备可以根据可见光目标检测模型对所述第二区域进行目标检测，得到第二目标检测框。
继续以上述无人机检测为例，假设第二区域为多个无人机在可见光图像上的图像区域，可见光目标检测模型对第二区域进行目标检测，得到多个第二目标检测框。
103：在所述第一图像上确定与所述第二目标检测框对应的第一目标检测框。
应理解，所述第一目标检测框与所述第二目标检测框的类别属性相同。
举例来说，假设第一图像是红外光图像，第二图像是可见光图像，可见光图像上有10个第二目标检测框，电子设备就可以根据这10个第二目标检测框的类别属性在红外光图像中确定出与其对应的10个第一目标检测框。
104：根据所述第一目标检测框与所述第二目标检测框确定目标检测结果。
在一种可能的实施方式中，电子设备根据所述第一目标检测框与所述第二目标检测框确定目标检测结果，包括：确定所述第一图像上与所述第二目标检测框位置对应的第三目标检测框；确定所述第一目标检测框与所述第三目标检测框的重叠区域；若所述重叠区域的面积大于第三阈值，则将所述第三目标检测框在所述第一图像上的位置坐标、所述第二目标检测框的类别或目标置信度中的至少一项，作为所述目标检测结果；其中，所述目标置信度用于表征所述第二图像上不同区域内的目标检测框内存在目标物体的可能性。其中“位置对应”可以理解为像素关系对应。
应理解，所述目标检测结果可以是所述第三目标检测框在所述第一图像上的位置坐标、所述第二目标检测框的类别以及所述第二目标检测框的目标置信度，也可以是所述第三目标检测框在所述第一图像上的位置坐标、所述第二目标检测框的类别；或者是所述第三目标检测框在所述第一图像上的位置坐标、所述第二目标检测框的类别、目标置信度，以及所述第一图像上目标置信度大于所述第二阈值的目标检测框的类别、目标置信度。本申请实施例不作具体的限定。
继续以第一图像为红外光图像、第二图像为可见光图像为例，假设第三阈值为50，请参见图2，图2为本申请实施例提供的确定重叠区域的示意图；电子设备利用可见光目标检测模型对所述第二区域进行检测，得到目标检测框A；再根据像素对应关系在已经过红外光目标检测模型检测的红外光图像上确定出与目标检测框A对应的目标检测框A1，再根据目标检测框A的类别属性在已经过红外光目标检测模型检测的红外光图像上确定出与目标检测框A对应的目标检测框B，并计算目标检测框A1和目标检测框B的重叠区域的面积。电子设备发现，目标检测框A1和目标检测框B的重叠区域的面积为70，大于50，则将目标检测框A1的坐标、以及目标检测框A的目标置信度、类别作为目标检测结果。若红外光图像上存在目标置信度大于第二阈值的目标检测框C，也可以将目标检测框C的目标置信度、类别、坐标等信息作为最终目标检测结果的部分内容输出。
下面结合具体的实施例对本申请提供的技术方案进行详细的说明。
以空中的无人机和智能导弹为例，假设第一图像为红外光图像、第二图像为可见光图像。电子设备利用红外光图像采集传感器、和可见光图像采集传感器分别采集了无人机和智能导弹的红外光图像2、可见光图像2。
电子设备利用yolo v3算法对预先存储的大量智能导弹和无人机的可见光数据、红外光数据分别进行训练，得到可见光目标检测模型、红外光目标检测模型。
首先，电子设备利用红外光目标检测模型对红外光图像2进行目标检测，将所述红外光图像2中目标置信度大于第一阈值且小于第二阈值的目标检测框对应的无人机或智能导弹所在的图像区域作为第一区域。
进一步，电子设备根据红外光图像和可见光图像上各个像素的对应关系在所述可见光图像2上确定与所述第一区域对应的第二区域。
电子设备利用可见光目标检测模型对所述第二区域进行目标检测，得到20个第二目标检测框。
电子设备就可以根据这20个第二目标检测框的类别属性在红外光图像2中确定出与其分别对应的20个第一目标检测框；同时，电子设备再根据红外光图像2与可见光图像2之间的像素对应关系在已经过红外光目标检测模型检测过的红外光图像2上确定出与这20个第二目标检测框分别对应的20个第三目标检测框。
电子设备根据预设算法确定出这20个第一目标检测框与其一一对应的第三目标检测框的重叠区域面积，这个重叠区域面积即是这20个第一目标检测框与其一一对应的第二目标检测框的重叠区域面积。
电子设备筛选出重叠区域面积大于50的第三目标检测框，将筛选出的10个第三目标检测框的位置坐标、以及与这10个第三目标检测框一一对应的第二目标检测框的类别属性或目标置信度、以及第一图像上目标置信度大于所述第二阈值的目标检测框坐标和目标置信度、类别属性作为所述目标检测结果。
基于同一发明构思，本申请还提供一种目标检测装置，请参见图3，图3为本申请实施例提供的一种目标检测装置的结构示意图，该装置包括：
确定模块301，用于确定第一图像上的第一区域，以及第二图像上与所述第一区域对应的第二区域，所述第二图像与所述第一图像是使用不同图像采集传感器针对同一场景获得的图像；所述第一图像上包括一个或多个目标检测框；
检测模块302，用于对所述第二区域进行目标检测，得到第二目标检测框；
所述确定模块301，还用于在所述第一图像上确定与所述第二目标检测框对应的第一目标检测框；
所述确定模块301，还用于根据所述第一目标检测框与所述第二目标检测框确定目标检测结果。
可选的，所述第一区域为所述第一图像上目标置信度大于第一阈值且小于第二阈值的区域；其中，所述目标置信度用于表征所述第一图像上不同区域内的目标检测框内存在目标物体的可能性。
可选的，所述第二区域为所述确定模块301根据对应关系和所述第一区域，在所述第二图像上确定的与所述第一区域对应的区域；所述对应关系为所述第一图像与所述第二图像上的各个像素点的对应关系。
可选的，所述确定模块301在用于根据所述第一目标检测框与所述第二目标检测框确定目标检测结果时，具体用于：确定所述第一图像上与所述第二目标检测框位置对应的第三目标检测框；确定所述第一目标检测框与所述第三目标检测框的重叠区域；若所述重叠区域的面积大于第三阈值，则将所述第三目标检测框在所述第一图像上的位置坐标、所述第二目标检测框的类别或目标置信度中的至少一项，作为所述目标检测结果；其中，所述目标置信度用于表征所述第二图像上不同区域内的目标检测框内存在目标物体的可能性。
基于同一发明构思，本申请实施例提供一种设置有目标检测功能的电子设备，请参见图4所示，图4为本申请实施例提供的电子设备的结构示意图。该设置有图像检测功能的电子设备包括至少一个处理器402，以及与至少一个处理器连接的存储器401，本申请实施例中不限定处理器402与存储器401之间的具体连接介质，图4是以处理器402和存储器401之间通过总线400连接为例，总线400在图4中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不以此为限。总线400可以分为地址总线、数据总线、控制总线等，为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
在本申请实施例中，存储器401存储有可被至少一个处理器402执行的指令，至少一个处理器402通过调用存储器401存储的指令，可以执行前述的目标检测方法中所包括的步骤。
其中，处理器402是设置有目标检测功能的电子设备的控制中心，可以利用各种接口和线路连接整个设置有目标检测功能的电子设备的各个部分，通过执行存储在存储器401内的指令，从而实现设置有目标检测功能的电子设备的各种功能。可选的，处理器402可包括一个或多个处理单元，处理器402可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器402中。在一些实施例中，处理器402和存储器401可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。
存储器401作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器401可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory，RAM)、静态随机访问存储器(Static Random Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(Read Only Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器401是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器401还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。
处理器402可以是通用处理器，例如中央处理器(CPU)、数字信号处理器、专用集成电路、现场可编程门阵列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公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的目标检测的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
通过对处理器402进行设计编程，可以将前述实施例中介绍的目标检测方法所对应的代码固化到芯片内，从而使芯片在运行时能够执行前述的目标检测的方法的步骤，如何对处理器402进行设计编程为本领域技术人员所公知的技术，这里不再赘述。
基于上述实施例，本申请实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意方法实施例中的目标检测方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (9)

1.一种目标检测方法，其特征在于，包括：
确定第一图像上的第一区域，以及第二图像上与所述第一区域对应的第二区域，所述第二图像与所述第一图像是使用不同图像采集传感器针对同一场景获得的图像；所述第一图像上包括一个或多个目标检测框；
对所述第二区域进行目标检测，得到第二目标检测框；
在所述第一图像上确定与所述第二目标检测框的类别属性一致的第一目标检测框；
在所述第一图像上确定与所述第二目标检测框的像素位置对应的第三目标检测框；
根据所述第一目标检测框与所述第三目标检测框确定目标检测结果。
2.如权利要求1所述的方法，其特征在于，所述第一区域为所述第一图像上目标置信度大于第一阈值且小于第二阈值的区域；
其中，所述目标置信度用于表征所述第一图像上不同区域内的目标检测框内存在目标物体的可能性。
3.如权利要求2所述的方法，其特征在于，所述第一图像为红外光图像，所述第二图像为可见光图像。
4.如权利要求1所述的方法，其特征在于，所述第二区域为根据对应关系和所述第一区域，在所述第二图像上确定的与所述第一区域对应的区域；所述对应关系为所述第一图像与所述第二图像上的各个像素点的对应关系。
5.如权利要求1所述的方法，其特征在于，所述根据所述第一目标检测框与所述第三目标检测框确定目标检测结果，包括：
确定所述第一目标检测框与所述第三目标检测框的重叠区域；
若所述重叠区域的面积大于第三阈值，则将所述第三目标检测框在所述第一图像上的位置坐标、所述第二目标检测框的类别或目标置信度中的至少一项，作为所述目标检测结果；
其中，所述目标置信度用于表征所述第二图像上不同区域内的目标检测框内存在目标物体的可能性。
6.一种目标检测装置，其特征在于，包括：
确定模块，用于确定第一图像上的第一区域，以及第二图像上与所述第一区域对应的第二区域，所述第二图像与所述第一图像是使用不同图像采集传感器针对同一场景获得的图像；所述第一图像上包括一个或多个目标检测框；
检测模块，用于对所述第二区域进行目标检测，得到第二目标检测框；
所述确定模块，还用于在所述第一图像上确定与所述第二目标检测框的类别属性一致的第一目标检测框；在所述第一图像上确定与所述第二目标检测框的像素位置对应的第三目标检测框；
所述确定模块，还用于根据所述第一目标检测框与所述第三目标检测框确定目标检测结果。
7.如权利要求6所述的装置，其特征在于，所述第一区域为所述第一图像上目标置信度大于第一阈值且小于第二阈值的区域；
其中，所述目标置信度用于表征所述第一图像上不同区域内的目标检测框内存在目标物体的可能性。
8.如权利要求6所述的装置，其特征在于，所述确定模块在用于根据所述第一目标检测框与所述第三目标检测框确定目标检测结果时，具体用于：
确定所述第一目标检测框与所述第三目标检测框的重叠区域；
若所述重叠区域的面积大于第三阈值，则将所述第三目标检测框在所述第一图像上的位置坐标、所述第二目标检测框的类别或目标置信度中的至少一项，作为所述目标检测结果；
其中，所述目标置信度用于表征所述第二图像上不同区域内的目标检测框内存在目标物体的可能性。
9.一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1-5任一项所述方法的步骤。
CN202010264088.3A 2020-04-07 2020-04-07 一种目标检测方法及装置 Active CN111507327B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010264088.3A CN111507327B (zh) 2020-04-07 2020-04-07 一种目标检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010264088.3A CN111507327B (zh) 2020-04-07 2020-04-07 一种目标检测方法及装置

Publications (2)

Publication Number Publication Date
CN111507327A CN111507327A (zh) 2020-08-07
CN111507327B true CN111507327B (zh) 2023-04-14

Family

ID=71875934

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010264088.3A Active CN111507327B (zh) 2020-04-07 2020-04-07 一种目标检测方法及装置

Country Status (1)

Country Link
CN (1) CN111507327B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112017319B (zh) * 2020-08-21 2022-03-25 中建二局第一建筑工程有限公司 一种智能巡更安防方法、装置、系统及存储介质
CN112541395A (zh) * 2020-11-13 2021-03-23 浙江大华技术股份有限公司 一种目标检测和跟踪方法、装置、存储介质及电子装置
AU2021203869B2 (en) * 2020-12-31 2023-02-02 Sensetime International Pte. Ltd. Methods, devices, electronic apparatuses and storage media of image processing
CN112464921B (zh) * 2021-02-02 2021-07-27 禾多科技（北京）有限公司 障碍物检测信息生成方法、装置、设备和计算机可读介质
CN112528970A (zh) * 2021-02-07 2021-03-19 禾多科技（北京）有限公司 路牌检测方法、装置、设备和计算机可读介质
CN114216707B (zh) * 2021-11-09 2024-04-16 三一海洋重工有限公司 吊装设备及其挂钩检测方法
CN114494824B (zh) * 2021-12-30 2022-11-22 北京城市网邻信息技术有限公司 用于全景图像的目标检测方法、装置、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016201357A1 (en) * 2015-06-12 2016-12-15 Google Inc. Using infrared images of a monitored scene to identify false alert regions
CN109508588A (zh) * 2017-09-15 2019-03-22 杭州海康威视数字技术股份有限公司 监控方法、装置、系统、电子设备及计算机可读存储介质
CN109919974A (zh) * 2019-02-21 2019-06-21 上海理工大学 基于r-fcn框架多候选关联的在线多目标跟踪方法
CN109977767A (zh) * 2019-02-18 2019-07-05 浙江大华技术股份有限公司 基于超像素分割算法的目标检测方法、装置及存储装置
CN110032916A (zh) * 2018-01-12 2019-07-19 北京京东尚科信息技术有限公司 一种检测目标物体的方法和装置
CN110211155A (zh) * 2019-05-30 2019-09-06 浙江大华技术股份有限公司 目标跟踪方法及相关装置
CN110532985A (zh) * 2019-09-02 2019-12-03 北京迈格威科技有限公司 目标检测方法、装置及系统
CN110717933A (zh) * 2019-10-10 2020-01-21 北京百度网讯科技有限公司 针对运动物体漏检的后处理方法、装置、设备和介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016201357A1 (en) * 2015-06-12 2016-12-15 Google Inc. Using infrared images of a monitored scene to identify false alert regions
CN109508588A (zh) * 2017-09-15 2019-03-22 杭州海康威视数字技术股份有限公司 监控方法、装置、系统、电子设备及计算机可读存储介质
CN110032916A (zh) * 2018-01-12 2019-07-19 北京京东尚科信息技术有限公司 一种检测目标物体的方法和装置
CN109977767A (zh) * 2019-02-18 2019-07-05 浙江大华技术股份有限公司 基于超像素分割算法的目标检测方法、装置及存储装置
CN109919974A (zh) * 2019-02-21 2019-06-21 上海理工大学 基于r-fcn框架多候选关联的在线多目标跟踪方法
CN110211155A (zh) * 2019-05-30 2019-09-06 浙江大华技术股份有限公司 目标跟踪方法及相关装置
CN110532985A (zh) * 2019-09-02 2019-12-03 北京迈格威科技有限公司 目标检测方法、装置及系统
CN110717933A (zh) * 2019-10-10 2020-01-21 北京百度网讯科技有限公司 针对运动物体漏检的后处理方法、装置、设备和介质

Also Published As

Publication number Publication date
CN111507327A (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
CN111507327B (zh) 一种目标检测方法及装置
US11205095B2 (en) Methods and systems for the fast estimation of three-dimensional bounding boxes and drivable surfaces using LIDAR point clouds
CN111160379B (zh) 图像检测模型的训练方法及装置、目标检测方法及装置
CN205992300U (zh) 用于提供利用人行横道识别结果的引导信息的电子装置
Toulminet et al. Vehicle detection by means of stereo vision-based obstacles features extraction and monocular pattern analysis
CN107491753A (zh) 一种基于背景建模的违章停车检测方法
CN102997900A (zh) 外界识别方法、装置以及车辆系统
CN112967283A (zh) 基于双目摄像头的目标识别方法、系统、设备及存储介质
Romera et al. A Real-Time Multi-scale Vehicle Detection and Tracking Approach for Smartphones.
CN111160395A (zh) 图像识别方法、装置、电子设备和存储介质
CN112150448B (zh) 图像处理方法、装置及设备、存储介质
CN111967396A (zh) 障碍物检测的处理方法、装置、设备及存储介质
CN111191482B (zh) 一种刹车灯识别方法、装置及电子设备
CN115272493B (zh) 一种基于连续时序点云叠加的异常目标检测方法及装置
CN111832515B (zh) 一种密集行人检测方法、介质、终端和装置
CN114898321B (zh) 道路可行驶区域检测方法、装置、设备、介质及系统
CN112699711B (zh) 车道线检测方法、装置、存储介质及电子设备
CN111753858B (zh) 一种点云匹配方法、装置和重定位系统
CN113723425B (zh) 一种飞机型号识别方法、装置、存储介质及设备
KR20170106823A (ko) 부분적인 깊이 맵에 기초하여 관심 객체를 식별하는 영상 처리 장치
CN116721396A (zh) 车道线检测方法、设备及存储介质
Chen et al. Integrated vehicle and lane detection with distance estimation
Hua et al. Onboard monocular pedestrian detection by combining spatio-temporal hog with structure from motion algorithm
CN116468931A (zh) 车辆部件检测方法、装置、终端及存储介质
CN113449629B (zh) 基于行车视频的车道线虚实识别装置、方法、设备及介质

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