CN111598088A - 目标检测方法、装置、计算机设备及可读存储介质 - Google Patents

目标检测方法、装置、计算机设备及可读存储介质 Download PDF

Info

Publication number
CN111598088A
CN111598088A CN202010414578.7A CN202010414578A CN111598088A CN 111598088 A CN111598088 A CN 111598088A CN 202010414578 A CN202010414578 A CN 202010414578A CN 111598088 A CN111598088 A CN 111598088A
Authority
CN
China
Prior art keywords
detection point
detection
target
probability value
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.)
Granted
Application number
CN202010414578.7A
Other languages
English (en)
Other versions
CN111598088B (zh
Inventor
杨静林
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.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group 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 BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN202010414578.7A priority Critical patent/CN111598088B/zh
Publication of CN111598088A publication Critical patent/CN111598088A/zh
Priority to US17/765,366 priority patent/US20220351413A1/en
Priority to PCT/CN2021/086077 priority patent/WO2021227723A1/zh
Application granted granted Critical
Publication of CN111598088B publication Critical patent/CN111598088B/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
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/77—Determining position or orientation of objects or cameras using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Image Analysis (AREA)

Abstract

一种目标检测方法，包括：根据待检测图像，确定与待检测图像上的多个区域对应的多个检测点，以及各检测点对应的区域存在目标物的概率值；从所有检测点中筛选出概率值最大的第一检测点，以及概率值小于第一检测点的概率值、且大于或等于概率阈值的至少一个第二检测点；其中，第一检测点对应的区域存在目标物；判断每个第二检测点与第一检测点之间的第一距离是否大于或等于距离阈值，当所述第一距离大于或等于所述距离阈值时，则将相应的第二检测点的原概率值进行更新，得到更新后的概率值；将更新后的概率值与概率阈值进行比较，得到比较结果，并根据比较结果确定第二检测点对应的区域是否存在新的目标物。

Description

目标检测方法、装置、计算机设备及可读存储介质
技术领域
本公开实施例涉及一种目标检测方法、目标检测装置、计算机设备及计算机可读存储介质。
背景技术
在计算机视觉领域，目标检测是基础且具有实际应用意义的研究方向。通过目标检测可以识别图像中存在的目标物(例如人物、动物、植物、交通工具等)，并对识别出的目标物进行标记。
发明内容
一方面，提供一种目标检测方法。所述目标检测方法包括：根据待检测图像，确定与所述待检测图像上的多个区域对应的多个检测点，以及各检测点对应的区域存在目标物的概率值；从所有检测点中筛选出概率值最大的第一检测点，以及概率值小于所述第一检测点的概率值、且大于或等于概率阈值的至少一个第二检测点；其中，所述第一检测点对应的区域存在目标物；判断每个第二检测点与所述第一检测点之间的第一距离是否大于或等于距离阈值，当所述第一距离大于或等于所述距离阈值时，则将相应的第二检测点的概率值进行更新，得到更新后的概率值；将更新后的概率值与所述概率阈值进行比较，得到比较结果，并根据所述比较结果确定所述第二检测点对应的区域是否存在新的目标物。
在一些实施例中，所述将相应的第二检测点的原概率值进行更新，得到更新后的概率值，包括：根据各第一距离确定相应的第二检测点的概率减小量，其中，所述概率减小量与相应的第一距离呈正相关；将所述相应的第二检测点的原概率值与所述概率减小量的差值作为所述第二检测点更新后的概率值。
在一些实施例中，所述将相应的第二检测点的原概率值进行更新，得到更新后的概率值，包括：将所述第二检测点的概率值作为因变量输入预设函数，以得到第一参数；其中，所述预设函数为单调递减函数，且位于平面直角坐标系的第一象限内；将所述第二检测点到所述第一检测点的所述第一距离与所述第一参数相加得到第二参数；将所述第二参数作为自变量输入所述预设函数，以得到所述第二检测点更新后的概率值。
在一些实施例中，所述预设函数为以下高斯函数位于平面直角坐标系的第一象限内的部分：
Figure BDA0002494568780000021
其中，a、b与c为实数常数，且a>0，x为所述第二参数，f(x)为所述第二检测点更新后的概率值。
在一些实施例中，所述预设函数为以下一次函数位于平面直角坐标系的第一象限内的部分：
f(x)＝kx+b；
其中，k与b为实数常数，且k＜0，x为所述第二参数，f(x)为所述第二检测点更新后的概率值。
在一些实施例中，所述将更新后的概率值与所述概率阈值进行比较，得到比较结果，并根据所述比较结果确定所述第二检测点对应的区域是否存在新的目标物，包括：判断更新后的概率值是否大于或等于所述概率阈值；若是，则确定所述第二检测点对应的区域存在新的目标物；若否，则确定所述第二检测点对应的区域不存在新的目标物。
在一些实施例中，还包括：当所述第一距离小于所述距离阈值时，则检测出所述第二检测点对应的区域和所述第一检测点对应的区域存在同一目标物。
在一些实施例中，所述根据待检测图像，确定与所述待检测图像上的多个区域对应的多个检测点，以及各检测点对应的区域存在目标物的概率值，包括：将所述待检测图像输入训练好的目标网络模型进行特征提取，得到相应的特征信息，所述特征信息包括特征图以及该特征图上各检测点存在目标物的概率值；所述特征图的分辨率为所述待检测图像的分辨率的1/n倍，n＞1。
在一些实施例中，所述特征信息包括各检测点的位置补偿精度；所述目标检测方法还包括：根据所述第一检测点及其位置补偿精度，确定该第一检测点对应的目标物在所述待检测图像上的中心点；以及，根据对应的区域存在新目标物的所述第二检测点及其位置补偿精度，确定该第二检测点对应的新目标物在所述待检测图像上的第二中心点。
在一些实施例中，所述特征信息包括各目标物的回归尺寸；所述目标检测方法还包括：根据各目标物的所述回归尺寸，确定所检测到的各目标物在所述待检测图像上所覆盖的区域。
在一些实施例中，所述目标网络模型包括下采样模块、上采样模块和残差模块；所述下采样模块配置为对所述待检测图像执行下采样操作，以得到所述特征图；所述上采样模块配置为对所述特征图执行上采样操作；所述残差模块配置为从所述待检测图像中提取多个输入图像特征，以使所述上采样模块能够结合所述多个输入图像特征对所述特征图执行所述上采样操作。
在一些实施例中，所述概率阈值为0.4～0.6。
另一方面，提供一种目标检测装置。所述目标检测装置包括检测点确定模块、筛选模块、判断更新模块和比较确定模块。检测点确定模块被配置为根据待检测图像，确定与所述待检测图像上的多个区域对应的多个检测点，以及各检测点对应的区域存在目标物的概率值。筛选模块被配置为从所有检测点中筛选出概率值最大的第一检测点，以及概率值小于所述第一检测点的概率值、且大于或等于概率阈值的至少一个第二检测点；其中，所述第一检测点对应的区域存在目标物。判断更新模块被配置为判断每个第二检测点与所述第一检测点之间的第一距离是否大于或等于距离阈值，当所述第一距离大于或等于所述距离阈值时，则将相应的第二检测点的原概率值进行更新，得到更新后的概率值。比较确定模块被配置为将更新后的概率值与所述概率阈值进行比较，得到比较结果，并根据所述比较结果确定所述第二检测点对应的区域是否存在新的目标物。
再一方面，提供一种计算机设备。所述计算机设备包括：存储器；处理器；以及，储存在所述存储器上并可在所述处理器上运行的计算机程序指令，所述处理器执行所述计算机程序指令时实现如上述任一项实施例所述的目标检测方法中的。
又一方面，提供一种计算机可读存储介质。所述计算机可读存储介质存储有计算机程序指令，所述计算机程序指令在处理器上运行时，使得所述处理器执行如上述任一实施例所述的目标检测方法中的。
又一方面，提供一种计算机程序产品。所述计算机程序产品包括计算机程序指令，在计算机上执行所述计算机程序指令时，所述计算机程序指令使计算机执行如上述任一实施例所述的目标检测方法。
又一方面，提供一种计算机程序。当所述计算机程序在计算机上执行时，所述计算机程序使计算机执行如上述任一实施例所述的目标检测方法。
附图说明
为了更清楚地说明本公开中的技术方案，下面将对本公开一些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的附图，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。此外，以下描述中的附图可以视作示意图，并非对本公开实施例所涉及的产品的实际尺寸、方法的实际流程、信号的实际时序等的限制。
图1为根据本公开一些实施例的一种目标检测方法的流程图；
图2为根据本公开一些实施例的一种目标网络模型；
图3为根据本公开一些实施例的待检测图像及其对应的特征图；
图4为根据本公开一些实施例的另一种目标网络模型；
图5为根据本公开一些实施例的目标网络模型中的残差模块；
图6为根据本公开一些实施例的一种特征图；
图7为根据本公开一些实施例的另一种目标检测方法的流程图；
图8为根据本公开一些实施例的再一种目标检测方法的流程图；
图9为根据本公开一些实施例的又一种目标检测方法的流程图；
图10为根据本公开一些实施例的又一种目标检测方法的流程图；
图11为根据本公开一些实施例的一种目标检测装置的框图；
图12为根据本公开一些实施例的另一种目标检测装置的框图；
图13为根据本公开一些实施例的一种计算机设备的框图。
具体实施方式
下面将结合附图，对本公开一些实施例中的技术方案进行清楚、完整地描述，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。基于本公开所提供的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本公开保护的范围。
除非上下文另有要求，否则，在整个说明书和权利要求书中，术语“包括(comprise)”及其其他形式例如第三人称单数形式“包括(comprises)”和现在分词形式“包括(comprising)”被解释为开放、包含的意思，即为“包含，但不限于”。在说明书的描述中，术语“一个实施例(one embodiment)”、“一些实施例(some embodiments)”、“示例性实施例(exemplary embodiments)”、“示例(example)”、“特定示例(specific example)”或“一些示例(some examples)”等旨在表明与该实施例或示例相关的特定特征、结构、材料或特性包括在本公开的至少一个实施例或示例中。上述术语的示意性表示不一定是指同一实施例或示例。此外，所述的特定特征、结构、材料或特点可以以任何适当方式包括在任何一个或多个实施例或示例中。
以下，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在描述一些实施例时，可能使用了“耦接”和“连接”及其衍伸的表达。例如，描述一些实施例时可能使用了术语“连接”以表明两个或两个以上部件彼此间有直接物理接触或电接触。又如，描述一些实施例时可能使用了术语“耦接”以表明两个或两个以上部件有直接物理接触或电接触。然而，术语“耦接”或“通信耦合(communicatively coupled)”也可能指两个或两个以上部件彼此间并无直接接触，但仍彼此协作或相互作用。这里所公开的实施例并不必然限制于本文内容。
本文中“适用于”或“被配置为”的使用意味着开放和包容性的语言，其不排除适用于或被配置为执行额外任务或步骤的设备。
本文参照作为理想化示例性附图的剖视图和/或平面图描述了示例性实施方式。在附图中，为了清楚，放大了层和区域的厚度。因此，可设想到由于例如制造技术和/或公差引起的相对于附图的形状的变动。因此，示例性实施方式不应解释为局限于本文示出的区域的形状，而是包括因例如制造而引起的形状偏差。例如，示为矩形的蚀刻区域通常将具有弯曲的特征。因此，附图中所示的区域本质上是示意性的，且它们的形状并非旨在示出设备的区域的实际形状，并且并非旨在限制示例性实施方式的范围。
图像的目标检测是计算机视觉领域最为常见和具有实际应用意义的一个研究方向。近年来，卷积神经网络在图像处理领域中，尤其是目标的检测识别方面，表现出了极大的优势。然而，相关技术中的算法都需要在算法中预先设定锚框。这种方法需要待检测目标的先验知识，增加了算法中需要设定的超参数，并且会产生大量的无效待检锚框，浪费计算资源。同时，在对未知的有重叠的目标物进行检测时，相关技术中的方式是直接去除目标物附近概率值较大的潜在目标点，这使得在含有密集目标的场景中的检测能力较差。
基于此，本公开一些实施例提供一种目标检测方法，参见图1，该目标检测方法包括步骤101～步骤105。
步骤101、根据待检测图像，确定与待检测图像上的多个区域对应的多个检测点，以及各检测点对应的区域存在目标物的概率值。
例如，可以将待检测图像输入训练好的目标网络模型中进行特征提取，得到相应的特征信息，该特征信息包括目标特征图以及该目标特征图上各检测点存在目标物的概率值。其中，该目标特征图的分辨率为该待检测图像的分辨率的1/n倍，n＞1。
例如，该目标网络模型为hourglass网络模型。
示例性的，如图2所示，该目标网络模型包括下采样模块11和上采样模块12，其中，一个下采样模块11和一个上采样模块12组成一个沙漏结构1。
该下采样模块11可以配置成对该待检测图像A进行下采样操作，以得到特征图。在一些示例中，该下采样操作可以是以均匀的间隔从该待检测图像A中抽取数据，从而降低该待检测图像A的尺寸。例如，如果执行2倍的下采样操作，可以将该待检测图像A的尺寸从4×4减小为2×2(即此时得到的特征图的分辨率为待检测图像A的1/2倍)。如果执行4倍的下采样，可以将该待检测图像A的尺寸从8×8减小为2×2(即此时得到的特征图的分辨率为待检测图像A的1/4倍)。如图3所示，以2倍下采样为例，下采样操作可以将该待检测图像A中2×2的区域01内的所有像素映射成特征图A'中的一个像素02，例如可以将该区域内的所有像素的均值作为下采样后图像中该一个像素的像素值。而在特征图A'中，每个像素02对应一个检测点。
该上采样模块12可以配置成对所得到的特征图执行上采样操作。在一些示例中，该上采样操作可以是以均匀地间隔对该特征图进行插值。例如，如果执行2倍的上采样操作，可以将图像特征的尺寸从2×2增加为4×4(即此时可以将特征图较好地还原为待检测图像A)。如果执行4倍的上采样操作，可以将该特征图的尺寸从2×2增加为8×8(即此时可以将特征图较好地还原为待检测图像A)。即，上采样操作可以包括对图像执行插值操作，例如，邻插值(如双线性插值、双三次插值、样条插值等)、基于边缘的插值和/或基于区域的插值。
在此基础上，示例性的，该目标网络模型还包括残差模块13。例如图4示出了该目标网络模型的另一种结构形式，图5示出了图4中的一个残差模块。通过该残差模块13可以从待检测图像中提取多个输入图像特征，而上采样模块12能够结合所述多个输入图像特征对上述特征图执行上采样操作，从而可以将特征图更好的还原为待检测图像A。
需要说明的是，上述示出的尺寸可以不是其实际尺寸，而仅用于代表待检测图像A与特征图之间的尺寸的比例关系。例如，在输入的待检测图像A的尺寸为1024×1024时，执行2倍下采样操作后得到的特征图的尺寸可以是512×512(即此时得到的特征图的分辨率为待检测图像A的1/2倍)，执行4倍下采样操作后得到的特征图的尺寸可以是256×256(即此时得到的特征图的分辨率为待检测图像A的1/4倍)。即，通过该下采样模块11后得到的特征图的分辨率可以是该待检测图像A的分辨率的1/n倍，n＞1。
参见图2，将待检测图像A输入该目标网络模型后，可以通过多个沙漏结构1可以执行多次下采样操作和上采样操作，而且由于每次执行下采样操作得到特征图后，都通过上采样操作将该特征图较好的还原为待检测图像A，因此，可以得到多种尺寸不同的特征图。在此基础上，该目标网络模型可以对所得到的一个或多个特征图进行处理，进而实现输出上述特征信息(该特征信息包括目标特征图以及该目标特征图上各检测点存在目标物的概率值)。
该目标特征图的分辨率为待检测图像的分辨率的1/n倍，n＞1，因此，该目标特征图上每个检测点可以对应待检测图像上的一块区域，例如一块2×2区域，或者，一块4×4区域。
该目标网络模型可以输出该目标特征图上(i，j)位置处的检测点(也即待检测图像上与该检测点对应的区域)出现第c类目标的概率值P(i，j)。即，当P(i，j)＝1时，则表示(i，j)位置处的检测点对应的区域存在第c类目标；当P(i，j)＝0时，则表示(i，j)位置处的检测点对应的区域不存在第c类目标；当0＜P(i，j)＜1时，则表示(i，j)位置处的检测点对应的区域可能存在第c类目标。
步骤102、从所有检测点中筛选出概率值最大的第一检测点，以及概率值小于第一检测点的概率值、且大于或等于概率阈值的至少一个第二检测点；其中，第一检测点对应的区域存在目标物。
图6示出了一种目标特征图。在一些示例中，上述特征信息包括该目标特征图的宽度和高度信息，并且可以显示该目标特征图中目标类别的数量。
如图6所示，第一检测点T1存在目标物(即北极熊)的概率值为1；第二检测点为T2存在目标物(即北极熊)的概率值大于0且小于1。即，通过将待检测图像输入训练好的目标网络模型，可以直接检测出第一检测点T1对应的区域存在目标物(例如图6中的两个第一检测点T1对应的区域分别存在一只北极熊)。并且，在一些示例中，上述特征信息还包括各检测点的位置补偿精度。通过该训练好的目标网络模型，可以根据该第一检测点T1及其位置补偿精度，确定该第一检测点T1对应的目标物在所述待检测图像A上的中心点。在此基础上，示例性的，上述特征信息还包括各目标物的回归尺寸。首先可以由该第一检测点T1周围的图像特征(例如周围检测点的概率值)得到目标物在目标特征图上的宽度(例如左侧的第一检测点T1对应的目标物的宽度为W)和高度(例如左侧的第一检测点T1对应的目标物的高度为H)，然后根据该回归尺寸，可以确定该目标物在待检测图像上所覆盖的区域，从而可以准确的检测出目标物的位置。此外，由于本实施例中，直接通过目标特征图上的多个检测点检测出目标物，因此，采用本实施例的目标检测方法，无需预先设置锚框即可实现检测图像中的目标物，从而不需要设置待检测目标物的先验知识，不需要在算法中设定的超参数，不会产生大量的无效待检锚框，节省了计算资源。
值得指出的是，相关技术中，在检测重叠的目标物(比如检测图5中位于左侧的第一检测点T1和第二检测点T2对应的两只北极熊)时，由于第二检测点T2与该左侧的第一检测点T1之间的距离比较近，且第二检测点T2的概率值小于该左侧的第一检测点T1的概率值，导致第二检测点T2对应的目标物不能被检测到，即，相关技术中，对于该左侧的第一检测点T1和第二检测点T2，只能检测到一只北极熊，从而难以有效的对密集目标进行检测。
步骤103、判断每个第二检测点与第一检测点之间的第一距离是否大于或等于距离阈值，当所述第一距离大于或等于所述距离阈值时，则执行步骤104。
步骤104、将相应的第二检测点的原概率值进行更新，得到更新后的概率值。
步骤105、将更新后的概率值与概率阈值进行比较，得到比较结果，并根据比较结果确定第二检测点对应的区域是否存在新的目标物。
其中，该距离阈值可以根据应用场景进行设置，即不同的应用场景(例如十字路口对应的待检测图像，和学校门口对应的待检测图像)，对应的距离阈值也不同。本实施例对此不做限定。
本实施例中，若判断出第二检测点T2与第一检测点T1之间的距离大于或等于距离阈值，则认为在第二检测点T1对应的区域可能存在新的目标物。此时，通过执行步骤104和步骤105，将第二检测点T2的原概率值进行更新，得到更新后的概率值，并将更新后的概率值与概率阈值进行比较，得到比较结果，可以根据比较结果确定第二检测点对应的区域是否存在新的目标物。因此相较相关技术而言，本实施例可以更有效的对密集目标进行检测。
示例性的，该概率阈值为0.4～0.6。例如，该概率阈值可以为0.5。
在一些实施例中，如图7所示，上述步骤105包括步骤1051～步骤1053。
步骤1051、判断更新后的概率值是否大于或等于概率阈值；若是，则执行步骤1052、确定第二检测点对应的区域存在新的目标物；若否，则执行步骤1053、确定第二检测点对应的区域不存在新的目标物。
在此基础上，在一些实施例中，上述步骤104包括步骤104A和步骤104B。
如图8所示，步骤104A、根据各第一距离确定相应的第二检测点的概率减小量，其中，所述概率减小量与对应的第一距离呈正相关；具体的，每个第一距离都有其对应的概率减小量。
步骤104B、将所述相应的第二检测点的原概率值与概率减小量的差值作为所述相应的第二检测点更新后的概率值。需要说明的是，此处的相应的第二检测点指的是与第一距离对应的第二检测点。
本实施例中，由于概率减小量与第一距离呈正相关，可以使第二检测点T2更新后的概率值小于该第二检测点T2更新前的概率值。样有利于减小后续数据处理量，提高运算效率。同时由于第二检测点T2更新后的概率值小于该第二检测点T2更新前的概率值，能够筛选出更新前概率值较大的第二检测点，从而能够更准确的实现相邻目标的检测。同时，对于更新前的概率值相同、但到第一检测点的距离不同的第二检测点而言，到该第一检测点的距离越远的第二检测点，更新后的概率值相较更新前的概率值降低的幅度越大，这样能够有效的减小后续数据处理量，提高运算效率，同时能够更准确的实现相邻目标的检测识别。
在此基础上，在另一些实施例中，上述步骤104包括步骤1041～步骤1043。
如图9所示，步骤1041、将第二检测点的原概率值作为因变量输入预设函数，以得到第一参数；其中，预设函数为单调递减函数，且位于平面直角坐标系的第一象限内；
步骤1042、将第二检测点到第一检测点的第一距离与第一参数相加得到第二参数；
步骤1043、将第二参数作为自变量输入预设函数，以得到第二检测点更新后的概率值。
本实施例中，对于更新前的概率值相同，但距离第一检测点的距离不同的第二检测点而言，距离第一检测点的距离越远的第二检测点(即第一距离越大的第二检测点)，更新后的概率值相较更新前的概率值降低的幅度越大，这样能够有效的减小后续数据处理量，提高运算效率，同时能够更准确的实现相邻目标的检测识别。
需要说明的是，该单调递减函数的形式有多种，例如，本公开包括但不限于以下示出的一些示例。
在一些示例中，该预设函数为以下高斯函数位于平面直角坐标系的第一象限内的部分：
Figure BDA0002494568780000101
其中，a、b与c为实数常数，且a>0，x为上述第二参数，f(x)为第二检测点更新后的概率值。
本示例中，高斯函数位于平面直角坐标系的第一象限内的部分为单调递减函数，而且根据高斯函数可知，第二参数越大，所得到的更新后的概率值则越小，也即，对于更新前的概率值相同，但距离第一检测点的距离不同的第二检测点而言，该第二检测点到该第一检测点的距离值越大，该第二检测点更新后的概率值相较更新前的概率值降低的幅度也就越大，因此可以更准确的实现相邻目标的检测识别。
在另一些示例中，该预设函数为以下一次函数位于平面直角坐标系的第一象限内的部分：
f(x)＝kx+b；
其中，k与b为实数常数，且k＜0，x为上述第二参数，f(x)为第二检测点更新后的概率值。
本示例中，该一次函数位于平面直角坐标系的第一象限内的部分为单调递减函数，而且根据该一次函数可知，第二参数越大，所得到的更新后的概率值则越小，也即第二检测点到第一检测点的距离值越大，所得到的更新后的概率值相较更新前的概率值降低的幅度越大，因此可以更准确的实现相邻目标的检测识别。
在一些实施例中，参见图10，该目标检测方法还包括：若判断出第二检测点与第一位检测点之间的距离小于距离阈值，则执行步骤106。
步骤106、确定第二检测点对应的区域和第一检测点对应的区域存在同一目标物。例如，参见图6，如果第二检测点T2落在第一检测点对应的覆盖左侧北极熊矩形区域内，则可以认为两者对应同一目标物。
另一方面，本公开一些实施例可以根据上述方法示例对目标检测装置进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能部件的形式实现。需要说明的是，本公开一些实施例中对模块的划分是示意性的，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。
在采用对应各个功能划分各个功能模块的情况下，图11示出了上述实施例中涉及的目标检测装置的一种可能的组成示意图，如图11所示，该目标检测装置200包括：检测点确定模块21、筛选模块22、判断更新模块23和比较确定模块24。
其中，检测点确定模块21，被配置为根据待检测图像，确定与待检测图像上的多个区域对应的多个检测点，以及各检测点对应的区域存在目标物的概率值。也即，该检测点确定模块21可以支持该目标显示装置200执行上述步骤101。
筛选模块22，被配置为从所有检测点中筛选出概率值最大的第一检测点，以及概率值小于第一检测点的概率值、且大于或等于概率阈值的至少一个第二检测点；其中，第一检测点对应的区域存在目标物。也即，该筛选模块22可以支持该目标显示装置200执行上述步骤102。
判断更新模块23，被配置为判断每个第二检测点与第一检测点之间的距离是否大于或等于距离阈值，若是，则将相应的第二检测点的概率值进行更新，得到更新后的概率值。也即，该判断更新模块23可以支持该目标显示装置200执行上述步骤103和步骤104。
比较确定模块24，被配置为将更新后的概率值与概率阈值进行比较，得到比较结果，并根据比较结果确定第二检测点对应的区域是否存在新的目标物。也即，该比较确定模块24可以支持该目标显示装置200执行上述步骤105。
需要说明的是，上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能部件的功能描述，在此不再赘述。
本公开一些实施例提供的目标检测装置，被配置为执行上述目标检测方法，因此能够达到与上述目标检测方法相同的效果。
在采用集成的控制部件的情况下，图12示出了上述实施例中所涉及的目标检测装置的另一种可能的组成示意图。如图12所示，该目标检测装置200包括：处理部件31、通信部件32和存储部件33。
处理部件31被配置为对目标检测装置的动作进行控制管理，例如，处理部件31被配置为支持目标检测装置执行图1中的步骤101～步骤105，和/或被配置为本文所描述的技术的其它过程。通信部件32被配置为支持目标检测装置与其他网络实体的通信。存储部件33，被配置为存储目标检测装置的程序代码和数据。
示例性的，处理部件31为处理器。其可以实现或执行结合本公开公开内容所描述的各种示例性的逻辑方框，部件和电路。处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，数字信号处理器(Digital Signal Processor，DSP)和微处理器的组合等等。通信部件32可以是通信接口。存储部件33可以是存储器。
在此基础上，本公开一些实施例还提供一种显示装置，该显示装置包括上述任一实施例所述的目标检测装置。
示例性的，该显示装置可以为AR头盔、AR眼镜、手机、平板电脑、电视机、显示器、笔记本电脑、数码相框、导航仪等任何具有显示功能的产品或部件。
本公开一些实施例提供的显示装置，可以通过目标检测装置执行上述目标检测方法，因此能够达到与上述目标检测方法相同的效果。
本公开实施例还提供一种计算机设备，如图13所示，该计算机设备300包括：存储器42；处理器41；以及，储存在存储器42上并可在处理器41上运行的计算机程序指令43，处理器41执行计算机程序指令43时实现上述目标检测方法中的一个或多个步骤。
本公开的一些实施例提供了一种计算机可读存储介质(例如，非暂态计算机可读存储介质)，该计算机可读存储介质中存储有计算机程序指令，计算机程序指令在处理器上运行时，使得处理器执行如上述实施例中任一实施例所述的目标检测方法中的一个或多个步骤。
示例性的，上述计算机可读存储介质可以包括，但不限于：磁存储器件(例如，硬盘、软盘或磁带等)，光盘(例如，CD(Compact Disk，压缩盘)、DVD(Digital VersatileDisk，数字通用盘)等)，智能卡和闪存器件(例如，EPROM(Erasable Programmable Read-Only Memory，可擦写可编程只读存储器)、卡、棒或钥匙驱动器等)。本公开描述的各种计算机可读存储介质可代表用于存储信息的一个或多个设备和/或其它机器可读存储介质。术语“机器可读存储介质”可包括但不限于，无线信道和能够存储、包含和/或承载指令和/或数据的各种其它介质。
本公开的一些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计算机程序指令，在计算机上执行该计算机程序指令时，该计算机程序指令使计算机执行如上述实施例所述的目标检测方法中的一个或多个步骤。
本公开的一些实施例还提供了一种计算机程序。当该计算机程序在计算机上执行时，该计算机程序使计算机执行如上述实施例所述的目标检测方法中的一个或多个步骤。
上述计算机设备、计算机可读存储介质、计算机程序产品及计算机程序的有益效果和上述一些实施例所述的目标检测方法的有益效果相同，此处不再赘述。
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，想到变化或替换，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所述权利要求的保护范围为准。

Claims (15)

1.一种目标检测方法，包括：
根据待检测图像，确定与所述待检测图像上的多个区域对应的多个检测点，以及各检测点对应的区域存在目标物的概率值；
从所有检测点中筛选出概率值最大的第一检测点，以及概率值小于所述第一检测点的概率值、且大于或等于概率阈值的至少一个第二检测点；其中，所述第一检测点对应的区域存在目标物；
判断每个第二检测点与所述第一检测点之间的第一距离是否大于或等于距离阈值，当所述第一距离大于或等于所述距离阈值时，将相应的第二检测点的原概率值进行更新，得到更新后的概率值；
将更新后的概率值与所述概率阈值进行比较，得到比较结果，并根据所述比较结果确定所述第二检测点对应的区域是否存在新的目标物。
2.根据权利要求1所述的目标检测方法，其中，所述将相应的第二检测点的原概率值进行更新，得到更新后的概率值，包括：
根据各第一距离确定相应的第二检测点的概率减小量，其中，所述概率减小量与对应的第一距离呈正相关；
将所述相应的第二检测点的原概率值与概率减小量的差值作为所述第二检测点更新后的概率值。
3.根据权利要求1所述的目标检测方法，其中，所述将相应的第二检测点的原概率值进行更新，得到更新后的概率值，包括：
将所述第二检测点的原概率值作为因变量输入预设函数，以得到第一参数；其中，所述预设函数为单调递减函数，且位于平面直角坐标系的第一象限内；
将所述第二检测点到所述第一检测点的所述第一距离与所述第一参数相加得到第二参数；
将所述第二参数作为自变量输入所述预设函数，以得到所述第二检测点更新后的概率值。
4.根据权利要求3所述的目标检测方法，其中，
所述预设函数为以下高斯函数位于平面直角坐标系的第一象限内的部分：
Figure FDA0002494568770000011
其中，a、b与c为实数常数，且a>0，x为所述第二参数，f(x)为所述第二检测点更新后的概率值。
5.根据权利要求3所述的目标检测方法，其中，
所述预设函数为以下一次函数位于平面直角坐标系的第一象限内的部分：
f(x)＝kx+b；
其中，k与b为实数常数，且k＜0，x为所述第二参数，f(x)为所述第二检测点更新后的概率值。
6.根据权利要求1～5中任一项所述的目标检测方法，其中，所述将更新后的概率值与所述概率阈值进行比较，得到比较结果，并根据所述比较结果确定所述第二检测点对应的区域是否存在新的目标物，包括：
判断更新后的概率值是否大于或等于所述概率阈值；若是，则确定所述第二检测点对应的区域存在新的目标物；若否，则确定所述第二检测点对应的区域不存在新的目标物。
7.根据权利要求1～6中任一项所述的目标检测方法，还包括：
当所述第一距离小于所述距离阈值时，则检测出所述第二检测点对应的区域和所述第一检测点对应的区域存在同一目标物。
8.根据权利要求1～7中任一项所述的目标检测方法，其中，所述根据待检测图像，确定与所述待检测图像上的多个区域对应的多个检测点，以及各检测点对应的区域存在目标物的概率值，包括：
将所述待检测图像输入训练好的目标网络模型进行特征提取，得到相应的特征信息，所述特征信息包括目标特征图以及该目标特征图上各检测点存在目标物的概率值；
所述目标特征图的分辨率为所述待检测图像的分辨率的1/n倍，n＞1。
9.根据权利要求8所述的目标检测方法，其中，所述特征信息包括各检测点的位置补偿精度；
所述目标检测方法还包括：
根据所述第一检测点及其位置补偿精度，确定该第一检测点对应的目标物在所述待检测图像上的中心点；以及，
根据对应的区域存在新目标物的所述第二检测点及其位置补偿精度，确定该第二检测点对应的新目标物在所述待检测图像上的第二中心点。
10.根据权利要求9所述的目标检测方法，其中，所述特征信息包括各目标物的回归尺寸；
所述目标检测方法还包括：
根据各目标物的所述回归尺寸，确定所检测到的各目标物在所述待检测图像上所覆盖的区域。
11.根据权利要求8～10中任一项所述的目标检测方法，其中，所述目标网络模型包括下采样模块、上采样模块和残差模块；
所述下采样模块配置为对所述待检测图像执行下采样操作，以得到特征图；
所述上采样模块配置为对所述特征图执行上采样操作；
所述残差模块配置为从所述待检测图像中提取多个输入图像特征，以使所述上采样模块能够结合所述多个输入图像特征对所述特征图执行所述上采样操作。
12.根据权利要求1～11中任一项所述的目标检测方法，其中，
所述概率阈值为0.4～0.6。
13.一种目标检测装置，包括：
检测点确定模块，被配置为根据待检测图像，确定与所述待检测图像上的多个区域对应的多个检测点，以及各检测点对应的区域存在目标物的概率值；
筛选模块，被配置为从所有检测点中筛选出概率值最大的第一检测点，以及概率值小于所述第一检测点的概率值、且大于或等于概率阈值的至少一个第二检测点；其中，所述第一检测点对应的区域存在目标物；
判断更新模块，被配置为判断每个第二检测点与所述第一检测点之间的第一距离是否大于或等于距离阈值，当所述第一距离大于或等于所述距离阈值时，则将相应的第二检测点的原概率值进行更新，得到更新后的概率值；
比较确定模块，被配置为将更新后的概率值与所述概率阈值进行比较，得到比较结果，并根据所述比较结果确定所述第二检测点对应的区域是否存在新的目标物。
14.一种计算机设备，包括：
存储器；
处理器；以及，
储存在所述存储器上并可在所述处理器上运行的计算机程序指令，所述处理器执行所述计算机程序指令时实现如权利要求1～12中任一项所述的目标检测方法。
15.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序指令，所述计算机程序指令在处理器上运行时，使得所述处理器执行如权利要求1～12中任一项所述的目标检测方法。
CN202010414578.7A 2020-05-15 2020-05-15 目标检测方法、装置、计算机设备及可读存储介质 Active CN111598088B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010414578.7A CN111598088B (zh) 2020-05-15 2020-05-15 目标检测方法、装置、计算机设备及可读存储介质
US17/765,366 US20220351413A1 (en) 2020-05-15 2021-04-09 Target detection method, computer device and non-transitory readable storage medium
PCT/CN2021/086077 WO2021227723A1 (zh) 2020-05-15 2021-04-09 目标检测方法、装置、计算机设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010414578.7A CN111598088B (zh) 2020-05-15 2020-05-15 目标检测方法、装置、计算机设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN111598088A true CN111598088A (zh) 2020-08-28
CN111598088B CN111598088B (zh) 2023-12-29

Family

ID=72191476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010414578.7A Active CN111598088B (zh) 2020-05-15 2020-05-15 目标检测方法、装置、计算机设备及可读存储介质

Country Status (3)

Country Link
US (1) US20220351413A1 (zh)
CN (1) CN111598088B (zh)
WO (1) WO2021227723A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112505304A (zh) * 2020-12-11 2021-03-16 成都北方石油勘探开发技术有限公司 一种含水量的检测方法及系统
CN112817716A (zh) * 2021-01-28 2021-05-18 厦门树冠科技有限公司 一种视觉检测处理方法及系统
WO2021227723A1 (zh) * 2020-05-15 2021-11-18 京东方科技集团股份有限公司 目标检测方法、装置、计算机设备及可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017052422A1 (en) * 2015-09-21 2017-03-30 Saab Ab Detecting objects in images
US20170091943A1 (en) * 2015-09-25 2017-03-30 Qualcomm Incorporated Optimized object detection
CN108764325A (zh) * 2018-05-23 2018-11-06 腾讯科技（深圳）有限公司 图像识别方法、装置、计算机设备和存储介质
CN109344789A (zh) * 2018-10-16 2019-02-15 北京旷视科技有限公司 人脸跟踪方法及装置
CN109784290A (zh) * 2019-01-23 2019-05-21 科大讯飞股份有限公司 一种目标检测方法、装置、设备及可读存储介质
CN109815868A (zh) * 2019-01-15 2019-05-28 腾讯科技（深圳）有限公司 一种图像目标检测方法、装置及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111598088B (zh) * 2020-05-15 2023-12-29 京东方科技集团股份有限公司 目标检测方法、装置、计算机设备及可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017052422A1 (en) * 2015-09-21 2017-03-30 Saab Ab Detecting objects in images
US20170091943A1 (en) * 2015-09-25 2017-03-30 Qualcomm Incorporated Optimized object detection
CN108764325A (zh) * 2018-05-23 2018-11-06 腾讯科技（深圳）有限公司 图像识别方法、装置、计算机设备和存储介质
CN109344789A (zh) * 2018-10-16 2019-02-15 北京旷视科技有限公司 人脸跟踪方法及装置
CN109815868A (zh) * 2019-01-15 2019-05-28 腾讯科技（深圳）有限公司 一种图像目标检测方法、装置及存储介质
CN109784290A (zh) * 2019-01-23 2019-05-21 科大讯飞股份有限公司 一种目标检测方法、装置、设备及可读存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021227723A1 (zh) * 2020-05-15 2021-11-18 京东方科技集团股份有限公司 目标检测方法、装置、计算机设备及可读存储介质
CN112505304A (zh) * 2020-12-11 2021-03-16 成都北方石油勘探开发技术有限公司 一种含水量的检测方法及系统
CN112505304B (zh) * 2020-12-11 2023-10-03 成都北方石油勘探开发技术有限公司 一种含水量的检测方法及系统
CN112817716A (zh) * 2021-01-28 2021-05-18 厦门树冠科技有限公司 一种视觉检测处理方法及系统
CN112817716B (zh) * 2021-01-28 2024-02-09 厦门树冠科技有限公司 一种视觉检测处理方法及系统

Also Published As

Publication number Publication date
CN111598088B (zh) 2023-12-29
WO2021227723A1 (zh) 2021-11-18
US20220351413A1 (en) 2022-11-03

Similar Documents

Publication Publication Date Title
US9990546B2 (en) Method and apparatus for determining target region in video frame for target acquisition
US9697416B2 (en) Object detection using cascaded convolutional neural networks
US9305360B2 (en) Method and apparatus for image enhancement and edge verification using at least one additional image
US9536147B2 (en) Optical flow tracking method and apparatus
CN111598088B (zh) 目标检测方法、装置、计算机设备及可读存储介质
JP6897335B2 (ja) 学習プログラム、学習方法および物体検知装置
Hua et al. Extended guided filtering for depth map upsampling
US9373053B2 (en) Image processor with edge selection functionality
CN112947419B (zh) 避障方法、装置及设备
US20160259990A1 (en) Region-of-interest detection apparatus, region-of-interest detection method, and recording medium
CN113362331A (zh) 图像分割方法、装置、电子设备及计算机存储介质
CN104813343A (zh) 具有边缘选择功能的图像处理器
CN110991310A (zh) 人像检测方法、装置、电子设备及计算机可读介质
CN111563517B (zh) 图像处理方法、装置、电子设备及存储介质
CN112183529A (zh) 四边形物体检测、模型训练方法、装置、设备及存储介质
CN114926514B (zh) 一种事件图像与rgb图像的配准方法及装置
CN108234826B (zh) 图像处理方法及装置
WO2021092797A1 (zh) 图像的配准方法、终端以及计算机存储介质
CN111353957A (zh) 图像处理方法、装置、存储介质及电子设备
CN114663598A (zh) 三维建模方法、装置和存储介质
CN111260675A (zh) 一种图像真实边界高精度提取方法及系统
CN113542868A (zh) 视频关键帧选取方法、装置、电子设备、存储介质
JP2016053763A (ja) 画像処理装置、画像処理方法及びプログラム
CN110765875A (zh) 交通目标的边界检测方法、设备及装置
CN112101139B (zh) 人形检测方法、装置、设备及存储介质

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