CN112052823A - 目标检测方法和装置 - Google Patents
目标检测方法和装置 Download PDFInfo
- Publication number
- CN112052823A CN112052823A CN202010977195.0A CN202010977195A CN112052823A CN 112052823 A CN112052823 A CN 112052823A CN 202010977195 A CN202010977195 A CN 202010977195A CN 112052823 A CN112052823 A CN 112052823A
- Authority
- CN
- China
- Prior art keywords
- image
- target detection
- binarization
- binarization threshold
- target
- 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 157
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 abstract description 10
- 239000013598 vector Substances 0.000 description 8
- 239000000779 smoke Substances 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 206010000369 Accident Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000010902 straw Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011410 subtraction method Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种目标检测方法和装置，其中，该方法包括以下步骤：获取目标检测图像；根据目标检测图像获取对应的第一二值化阈值；根据第一二值化阈值对目标检测图像进行二值化处理；通过目标检测算法对二值化处理后的图像进行目标检测。由此，通过对目标检测图像进行二值化处理，以确保在各个场景下均能准确高效地对目标检测图像进行目标检测，从而大大优化了目标检测的检测效果。
Description
技术领域
本发明涉及目标检测识别技术领域，具体涉及一种目标检测方法和一种目标检测装置。
背景技术
火灾事故、田间秸秆焚烧等场景中烟和火是事件检测的主要依据。
相关技术中，一般是直接采用目标检测算法来对烟和火进行检测的。然而，由于烟和火在图像上的呈现不像其他物体(例如，汽车、交通信号灯)那样有较为明显的轮廓，因此，直接使用目标检测算法(例如，SSD算法)来直接对图像中的烟和火进行检测时，检测效果不佳。另外，当烟和火在不同的时间场景中出现时，由于图像(或者视频)中的背景不同，如果直接采用目标检测算法(例如，基于背景差法的运动捕捉算法)，也会导致目标检测的准确性较低。
发明内容
本发明为解决上述技术问题，提供了一种目标检测方法，通过对目标检测图像进行二值化处理，以确保在各个场景下均能准确高效地对目标检测图像进行目标检测，从而大大优化了目标检测的检测效果。
本发明采用的技术方案如下：
一种目标检测方法，包括以下步骤：获取目标检测图像；根据目标检测图像获取对应的第一二值化阈值；根据第一二值化阈值对目标检测图像进行二值化处理；通过目标检测算法对二值化处理后的图像进行目标检测。
所述根据所述目标检测图像获取对应的第一二值化阈值包括：获取训练样本图像，并根据所述训练样本图像获取对应的第二二值化阈值；根据所述训练样本图像和所述第二二值化阈值对图像二值化对应的神经网络进行训练，以生成图像二值化对应的回归模型；根据所述目标图像和所述回归模型获取所述第一二值化阈值。
所述根据所述目标图像和所述回归模型获取所述第一二值化阈值包括：根据损失函数对所述回归模型进行优化；将所述目标图像输入优化后的回归模型以获取所述第一二值化阈值。
所述损失函数为MSE损失函数。
一种目标检测装置，包括：第一获取模块，所述第一获取模块用于获取目标检测图像；第二获取模块，所述第二获取模块用于根据所述目标检测图像获取对应的第一二值化阈值；图像处理模块，所述图像处理模块用于根据所述第一二值化阈值对目标检测图像进行二值化处理；目标检测模块，所述目标检测模块用于通过目标检测算法对二值化处理后的图像进行目标检测。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述的目标检测方法。
一种非临时性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时实现上述的目标检测方法。
一种计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，执行上述的目标检测方法。
本发明的有益效果：
本发明通过对目标检测图像进行二值化处理，以确保在各个场景下均能准确高效地对目标检测图像进行目标检测，从而大大优化了目标检测的检测效果。
附图说明
图1为本发明实施例的目标检测方法的流程图；
图2为本发明一个实施例的目标检测方法的流程图；
图3为本发明一个实施例的回归模型的神经网络的架构示意图；
图4为本发明实施例的目标检测装置的方框示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是根据本发明实施例的目标检测方法的流程图。
如图1所示，本发明实施例的目标检测方法可包括以下步骤：
S1，获取目标检测图像。
具体而言，可通过摄像头对应用场景(例如，火灾事故、田间秸秆焚烧等场景)进行实时拍摄，以获取视频信息，并通过RTSP(Real Time Streaming Protocol，实时流协议)协议从视频信息中截取出图片信息，以生成目标检测图像。
S2，根据目标检测图像获取对应的第一二值化阈值。
具体而言，在通过上述方式获取到目标检测图像后，可先根据该目标检测图像获取对应的最佳二值化阈值，即第一二值化阈值，以便于对该目标检测图像进行预处理。
需要说明的是，在实际应用中，为了更好地对目标检测图像进行预处理，在根据目标检测图像获取对应的第一二值化阈值之前，可先对目标检测图像的尺寸进行相应的调整，例如，可将目标检测图像的尺寸调整为256*256像素，以获取待检测的目标检测图像。
下面结合具体实施例来详细说明具体如何根据目标检测图像获取对应的第一二值化阈值。
根据本发明的一个实施例，如图2所示，根据目标检测图像获取对应的第一二值化阈值的方法，可包括以下步骤：
S201，获取训练样本图像，并根据训练样本图像获取对应的第二二值化阈值。
具体而言，可预先从不同的应用场景中拍摄出多个训练样本图像，即获取多个样例的特征集，并通过人工确认的方式确认出每个训练样本图像对应的最佳二值化阈值(第二二值化阈值)，即每个样例的标签值，以及根据每个样例的特征集和标签值生成训练集D。其中，D＝{(x1，y1)，(x2，y2)，……，(xi，yi)，……，(xd，yd)}，其中，d＝|D|，即训练集中样例的个数，(xi，yi)表示第i个样例，xi表示第i个样例的特征集(即，训练样本图像)，yi表示第i个样例的标签值(即，第二二值化阈值)，xi∈R224×224×3，i∈[0，d]，yi (0)表示标签yi的唯一分量。
S202，根据训练样本图像和第二二值化阈值对图像二值化对应的神经网络进行训练，以生成图像二值化对应的回归模型。
具体而言，在获取到训练集后，可先获取图像二值化对应的神经网络，例如，卷积神经网络模型，对应的，可表示如下映射关系：
ΗΘ:x→t，
其中，ΗΘ:x表示图像二值化对应的神经网络模型，相当于从x到t的映射，其中，x表示由图像像素值构成的张量，x∈R224×224×3，t为一个一维向量，t(0)∈[0，255]，t(0)为该向量的唯一分量，表示x对应的图像的最佳二值化阈值。
进一步而言，在获取到神经网络后，可根据训练集D(训练样本图像和第二二值化阈值)对图像二值化对应的神经网络进行训练，以生成回归模型。
S203，根据目标图像和回归模型获取第一二值化阈值。
具体而言，在生成回归模型后，可根据目标图像和回归模型获取第一二值化阈值。其中，计算第一二值化阈值可用以下公式表示，即，
t＝ΗΘ*(x)，
其中，t为图像对应的最佳二值化阈值，ΗΘ*(x)为训练后的回归模型，x为输入图像。
下面结合具体实施例来详细说明如何对回归模型进行优化。
根据本发明的一个实施例，根据目标图像和回归模型获取第一二值化阈值包括：根据损失函数对回归模型进行优化；将目标图像输入优化后的回归模型以获取第一二值化阈值。
其中，损失函数为MSE损失函数。
具体而言，可采用MSE损失函数作为回归模型的损失函数，其中，可通过以下公式生成MSE损失函数：
其中，yi为第i个输入样例对应的模型输出值(向量)，例如，(132，0)T；
为第i个输入样例的标签值(最佳二值化阈值)，例如，(134，0)T；n为输入样例的个数。
进一步地，通过使用基于随机梯度下降算法(Stochastic Gradient Descent)的数值优化器(Optimizer)来逐步缩小损失函数的函数值，使其到达最小值。这样，模型在训练过程中逐步将其参数调整为最佳参数。利用这样的参数，模型便可以根据其未曾见过输入的样例(即测试集中的样例)计算出相应图像对应的第一二值化阈值。
需要说明的是，回归模型的神经网络的架构可如图3所示，其中，回归模型的神经网络的架构可包括：输入单元、预处理单元、特征提取单元、降维单元和回归单元。
其中，输入单元用于接受输入数据，输入单元的输入采用JPG图像的字节表示(字符串)，输入单元的输出与输入一致；预处理单元用于对输入的JPG图像进行解码，并对图像的尺寸进行统一化(例如，统一调整图像的尺寸为224*224)，预处理单元的输入采用JPG图像的字节表示(字符串)，经预处理后得到图像P，其中，P∈R224×224×3；特征提取单元用于从接收到的图像(张量表示)中提取图像中的特征，该特征提取单元可基于预训练的MobileNetV2模型实现特征提取，特征提取单元的输入为预处理后的图像P，其中，P∈R224 ×224×3，特征提取单元的输出为图像对应的特征映射F，其中，F∈R7×7×1280；降维单元用于将输入的张量(维度为7×7×1280)转换为向量(维度为1280)，降维单元的输入为特征映射F，其中，F∈R7×7×1280，降维单元的输出为维度为1280的向量V；回归单元用于根据输入的向量V计算出一个代表原始输入图像对应的最佳的二值化阈值，该回归单元可基于多层感知器实现最佳的二值化阈值的计算，回归单元的输入为向量V，回归单元的输出为维度为1的向量T。
S3，根据第一二值化阈值对目标检测图像进行二值化处理。
具体而言，可根据以下二值化处理公式对目标检测图像进行二值化处理：
其中，g为图像的像素值，g∈[0，255]；t为第一二值化阈值，t∈[0，255]。
S4，通过目标检测算法对二值化处理后的图像进行目标检测。
具体而言，在对目标检测图像进行二值化处理后，可先将二值化处理后的图像编码为BASE64字符串(灰度图)，然后，再采用基于Google Tensorflow Object DetectionAPI(谷歌Tensorflow目标检测API)实现的目标检测模型对编码后的图像进行目标检测。
其中，作为一种可能的实施方式，通过上述方式，利用目标检测算法能够准确地识别出目标图像中是否存在烟火，如果存在烟火，则可通过告警模块生成告警报文，并将该报文递送给对接的业务系统，以进行报警。
由此，本发明可针对不同的场景训练对应的二值化阈值计算模型。例如，在将系统分别运用到城市建筑物的火灾检测和森林火灾检测时，可分别针对这两个场景收集各自场景下足够多的训练素材，然后对这些素材进行人工标记每张图像分别对应的最佳二值化阈值，并用这些标记好的素材训练各自场景对应的二值化阈值计算模型。其中，人工标记图像的最佳二值化阈值本质上只是监督式学习(Supervised Learning)中的数据标注的过程，而二值化阈值计算模型训练出来之后，将其用来对任意场景中采集的原始图像进行推理(即计算最佳的二值化阈值)时并不需要人工介入，系统完全是以“量身定制”的方式自动地根据当前场景的当前原始图像计算出最适合该图像的二值化阈值。从而确保在各个场景下均能准确高效地对目标检测图像进行目标检测，大大优化了目标检测的检测效果。
综上所述，根据本发明实施例的目标检测方法，获取目标检测图像，并根据目标检测图像获取对应的第一二值化阈值，以及根据第一二值化阈值对目标检测图像进行二值化处理，并通过目标检测算法对二值化处理后的图像进行目标检测。由此，通过对目标检测图像进行二值化处理，以确保在各个场景下均能准确高效地对目标检测图像进行目标检测，从而大大优化了目标检测的检测效果。
对应上述实施例的目标检测方法，本发明还提出一种目标检测装置。
如图4所示，本发明实施例的目标检测装置可包括：第一获取模块100、第二获取模块200、图像处理模块300和目标检测模块400。
其中，第一获取模块100用于获取目标检测图像；第二获取模块200用于根据目标检测图像获取对应的第一二值化阈值；图像处理模块300用于根据第一二值化阈值对目标检测图像进行二值化处理；目标检测模块400用于通过目标检测算法对二值化处理后的图像进行目标检测。
根据本发明的一个实施例，第二获取模块200具体用于：获取训练样本图像，并根据训练样本图像获取对应的第二二值化阈值；根据训练样本图像和第二二值化阈值对图像二值化对应的神经网络进行训练，以生成图像二值化对应的回归模型；根据目标图像和回归模型获取第一二值化阈值。
根据本发明的一个实施例，第二获取模块200具体还用于：根据损失函数对回归模型进行优化；将目标图像输入优化后的回归模型以获取第一二值化阈值。
需要说明的是，本发明实施例的目标检测装置更具体的实施方式可参照上述目标检测方法的实施例，在此不再赘述。
根据本发明实施例的目标检测装置，通过第一获取模块获取目标检测图像，并通过第二获取模块根据所述目标检测图像获取对应的第一二值化阈值，以及通过图像处理模块根据所述第一二值化阈值对所述目标检测图像进行二值化处理，并通过目标检测模块通过目标检测算法对二值化处理后的图像进行目标检测，由此，通过对目标检测图像进行二值化处理，以确保在各个场景下均能准确高效地对目标检测图像进行目标检测，从而大大优化了目标检测的检测效果。
对应上述实施例，本发明还提出一种计算机设备。
本发明实施例的计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现上述实施例的目标检测方法。
根据本发明实施例的计算机设备，通过对目标检测图像进行二值化处理，以确保在各个场景下均能准确高效地对目标检测图像进行目标检测，从而大大优化了目标检测的检测效果。
对应上述实施例，本发明还提出一种非临时性计算机可读存储介质。
本发明实施例的非临时性计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述的目标检测方法。
根据本发明实施例的非临时性计算机可读存储介质，通过对目标检测图像进行二值化处理，以确保在各个场景下均能准确高效地对目标检测图像进行目标检测，从而大大优化了目标检测的检测效果。
对应上述实施例，本发明还提出一种计算机程序产品。
当计算机程序产品中的指令由处理器执行时，可执行上述实施例的目标检测方法。
根据本发明实施例的计算机程序产品，通过对目标检测图像进行二值化处理，以确保在各个场景下均能准确高效地对目标检测图像进行目标检测，从而大大优化了目标检测的检测效果。
在本发明的描述中，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。“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。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模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种目标检测方法，其特征在于，包括以下步骤：
获取目标检测图像；
根据所述目标检测图像获取对应的第一二值化阈值；
根据所述第一二值化阈值对所述目标检测图像进行二值化处理；
通过目标检测算法对二值化处理后的图像进行目标检测。
2.根据权利要求1所述的目标检测方法，其特征在于，所述根据所述目标检测图像获取对应的第一二值化阈值包括：
获取训练样本图像，并根据所述训练样本图像获取对应的第二二值化阈值；
根据所述训练样本图像和所述第二二值化阈值对图像二值化对应的神经网络进行训练，以生成图像二值化对应的回归模型；
根据所述目标图像和所述回归模型获取所述第一二值化阈值。
3.根据权利要求2所述的目标检测方法，其特征在于，所述根据所述目标图像和所述回归模型获取所述第一二值化阈值包括：
根据损失函数对所述回归模型进行优化；
将所述目标图像输入优化后的回归模型以获取所述第一二值化阈值。
4.根据权利要求3所述的目标检测方法，其特征在于，
所述损失函数为MSE损失函数。
5.一种目标检测装置，其特征在于，包括：
第一获取模块，所述第一获取模块用于获取目标检测图像；
第二获取模块，所述第二获取模块用于根据所述目标检测图像获取对应的第一二值化阈值；
图像处理模块，所述图像处理模块用于根据所述第一二值化阈值对所述目标检测图像进行二值化处理；
目标检测模块，所述目标检测模块用于通过目标检测算法对二值化处理后的图像进行目标检测。
6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现根据权利要求1-4中任一项所述的目标检测方法。
7.一种非临时性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时实现根据权利要求1-4中任一项所述的目标检测方法。
8.一种计算机程序产品，其特征在于，当所述计算机程序产品中的指令由处理器执行时，执行根据权利要求1-4中任一项所述的目标检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010977195.0A CN112052823A (zh) | 2020-09-17 | 2020-09-17 | 目标检测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010977195.0A CN112052823A (zh) | 2020-09-17 | 2020-09-17 | 目标检测方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112052823A true CN112052823A (zh) | 2020-12-08 |
Family
ID=73603025
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010977195.0A Pending CN112052823A (zh) | 2020-09-17 | 2020-09-17 | 目标检测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112052823A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112733823A (zh) * | 2021-03-31 | 2021-04-30 | 南昌虚拟现实研究院股份有限公司 | 手势姿态识别关键帧提取方法、装置及可读存储介质 |
| CN113763383A (zh) * | 2021-11-09 | 2021-12-07 | 常州微亿智造科技有限公司 | 钢筋延伸率测量方法和装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107025652A (zh) * | 2017-05-05 | 2017-08-08 | 太原理工大学 | 一种基于运动特性和颜色时空信息的火焰检测方法 |
| CN107993223A (zh) * | 2017-11-27 | 2018-05-04 | 歌尔股份有限公司 | 划痕检测方法、装置和电子设备 |
| CN108629790A (zh) * | 2018-04-26 | 2018-10-09 | 大连理工大学 | 一种基于深度残差网络的光条图像阈值分割方法 |
| US20190213433A1 (en) * | 2018-01-08 | 2019-07-11 | Newgen Software Technologies Limited | Image processing system and method |
| US20200082208A1 (en) * | 2018-09-06 | 2020-03-12 | International Business Machines Corporation | Image binarization using mean restrain |
| CN111144337A (zh) * | 2019-12-30 | 2020-05-12 | 河北科技大学 | 火灾检测方法、装置及终端设备 |
| CN111401246A (zh) * | 2020-03-17 | 2020-07-10 | 广东智媒云图科技股份有限公司 | 一种烟雾浓度检测方法、装置、设备及存储介质 |
-
2020
- 2020-09-17 CN CN202010977195.0A patent/CN112052823A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107025652A (zh) * | 2017-05-05 | 2017-08-08 | 太原理工大学 | 一种基于运动特性和颜色时空信息的火焰检测方法 |
| CN107993223A (zh) * | 2017-11-27 | 2018-05-04 | 歌尔股份有限公司 | 划痕检测方法、装置和电子设备 |
| US20190213433A1 (en) * | 2018-01-08 | 2019-07-11 | Newgen Software Technologies Limited | Image processing system and method |
| CN108629790A (zh) * | 2018-04-26 | 2018-10-09 | 大连理工大学 | 一种基于深度残差网络的光条图像阈值分割方法 |
| US20200082208A1 (en) * | 2018-09-06 | 2020-03-12 | International Business Machines Corporation | Image binarization using mean restrain |
| CN111144337A (zh) * | 2019-12-30 | 2020-05-12 | 河北科技大学 | 火灾检测方法、装置及终端设备 |
| CN111401246A (zh) * | 2020-03-17 | 2020-07-10 | 广东智媒云图科技股份有限公司 | 一种烟雾浓度检测方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 顾俊俊: "基于DSP的野外火灾图像识别的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》, no. 03, pages 1 - 67 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112733823A (zh) * | 2021-03-31 | 2021-04-30 | 南昌虚拟现实研究院股份有限公司 | 手势姿态识别关键帧提取方法、装置及可读存储介质 |
| CN113763383A (zh) * | 2021-11-09 | 2021-12-07 | 常州微亿智造科技有限公司 | 钢筋延伸率测量方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111898581B (zh) | 动物检测方法、装置、电子设备及可读存储介质 | |
| EP3709266A1 (en) | Human-tracking methods, apparatuses, systems, and storage media | |
| CN110599421B (zh) | 模型训练方法、视频模糊帧转换方法、设备及存储介质 | |
| CN110580428A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
| CN110751630B (zh) | 基于深度学习的输电线路异物检测方法、装置及介质 | |
| JP6565600B2 (ja) | アテンション検出装置及びアテンション検出方法 | |
| CN111723773B (zh) | 遗留物检测方法、装置、电子设备及可读存储介质 | |
| EP4035070B1 (en) | Method and server for facilitating improved training of a supervised machine learning process | |
| CN110348390B (zh) | 一种火焰检测模型的训练方法、计算机可读介质及系统 | |
| CN110532746B (zh) | 人脸校验方法、装置、服务器及可读存储介质 | |
| CN108229375B (zh) | 用于检测人脸图像的方法和装置 | |
| KR102391853B1 (ko) | 영상 정보 처리 시스템 및 방법 | |
| CN110942456B (zh) | 篡改图像检测方法、装置、设备及存储介质 | |
| CN112052823A (zh) | 目标检测方法和装置 | |
| WO2023082453A1 (zh) | 一种图像处理方法及装置 | |
| CN110956615A (zh) | 图像质量评估模型训练方法、装置、电子设备及存储介质 | |
| CN112802076A (zh) | 反射图像生成模型及反射去除模型的训练方法 | |
| CN110942097A (zh) | 基于单像素探测器的免成像分类方法和系统 | |
| CN115083008A (zh) | 运动目标检测方法、装置、设备及存储介质 | |
| CN113743378B (zh) | 一种基于视频的火情监测方法和装置 | |
| CN117671597B (zh) | 一种老鼠检测模型的构建方法和老鼠检测方法及装置 | |
| CN113033582A (zh) | 模型训练方法、特征提取方法及装置 | |
| CN114359618A (zh) | 神经网络模型的训练方法、电子设备及计算机程序产品 | |
| JP2020064364A (ja) | 学習装置、画像生成装置、学習方法、及び学習プログラム | |
| CN113326749A (zh) | 目标检测方法、装置以及存储介质、电子设备 |
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 |