CN112241649A - 一种目标识别方法及装置 - Google Patents

一种目标识别方法及装置 Download PDF

Info

Publication number
CN112241649A
CN112241649A CN201910640927.4A CN201910640927A CN112241649A CN 112241649 A CN112241649 A CN 112241649A CN 201910640927 A CN201910640927 A CN 201910640927A CN 112241649 A CN112241649 A CN 112241649A
Authority
CN
China
Prior art keywords
image
reference image
target
recognized
recognition
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
CN201910640927.4A
Other languages
English (en)
Inventor
祝接金
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 Uniview Technologies Co Ltd
Original Assignee
Zhejiang Uniview Technologies 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 Uniview Technologies Co Ltd filed Critical Zhejiang Uniview Technologies Co Ltd
Priority to CN201910640927.4A priority Critical patent/CN112241649A/zh
Publication of CN112241649A publication Critical patent/CN112241649A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种目标识别方法及装置，在开启图像识别时，利用采集当前场景图像对基准图像进行设置，还原摄像机所处场景的基准图像，并在后续的识别过程中，提取待识别图像的特征信息，与保存的基准图像的特征信息进行差值比对，分别从所述待识别图像和基准图像中提取差异化图像，对提取的差异化图像进行目标识别处理，得到所述待识别图像和基准图像各自对应的目标识别结果，比较所述待识别图像和基准图像各自对应的目标识别结果，根据比较结果，更新基准图像或输出识别出的目标对象。本发明不断对基准图像进行更新，提高了复杂场景下图像识别的准确度；通过差异化图像的识别，降低了图像识别的资源消耗，并且能得到更准确的识别结果。

Description

一种目标识别方法及装置
技术领域
本发明属于图像识别技术领域，尤其涉及一种目标识别方法及装置。
背景技术
经济发展和人们生活水平的提高，得益于道路交通及车辆运输的飞速发展，但同时又由于汽车数量的急剧增长，交通拥挤、环境严重污染等因素反而又制约社会经济的发展及人们生活质量的改善，不断下降的交通效率及不断增涨的交通事故难以得到改善。在环境与资源矛盾日益突出的今天，单纯的靠道路设施的增长等基础手段来解决运输需求已不能满足社会发展的需要，如何借助先进技术来保证交通运输的高效及安全性是当今的热门问题。
基于这一背景，智能交通系统(ITS)应运而生。智能交通系统是整个运输管理系统的高效管理层，它将电子控制技术、数据通信传输技术、信息技术及计算机处理技术等高科技有效集中来管理道路运输系统，由此以来，形成的综合运输管理系统更加准确高效，并能在全方位、大范围内发挥作用。它发挥了现有交通基础设施的潜力，改善了车、路、人等交通运输子系统之间的相互作用，从而提高了运输效率、缓解了交通拥挤、保障了交通安全、降低了能源消耗和环境污染，从整体上提高了社会经济效益，为解决交通问题开辟了一条光明的道路。
在智能交通系统中，对路网上的机动车、非机动车、行人以及其他可疑物体的识别对道路交通系统的建立起着关键的指导作用，而图像识别技术是实现公路交通自动化的前提和条件，因此，图像识别技术对提高公路交通的自动化程度，促进智能交通系统的发展具有重大的实际意义。
在现有的智能交通领域，卡口摄像机提供图像识别技术，包括对机动车、非机动车、行人等的识别。而现有的技术主要通过卡口摄像机采集图像，将单张图像输入到图像识别模块，由图像识别模块对图片的内容进行特征提取并输出图片里的机动车、非机动车、行人等信息。但是在卡口摄像机的可视范围内，如果画面背景比较复杂，会对图像识别技术造成很大的影响，使得图像的识别结果的准确度降低。
发明内容
本发明的目的是提供一种目标识别方法及装置，克服现有技术在对图像进行识别时准确度不高的问题。
为了实现上述目的，本发明技术方案如下：
一种目标识别方法，所述目标识别方法，包括：
获取待识别图像，提取待识别图像的特征信息，与保存的基准图像的特征信息进行差值比对，获取差值区域坐标列表；
根据得到的差值区域坐标列表，分别从所述待识别图像和基准图像中提取差异化图像，对提取的差异化图像进行目标识别处理，得到所述待识别图像和基准图像各自对应的目标识别结果；
比较所述待识别图像和基准图像各自对应的目标识别结果，根据比较结果，更新基准图像或输出识别出的目标对象。
可选的，所述目标识别方法，还包括：
在开启图像识别时，采集当前场景图像，检查是否有保存的基准图像，如果不存在保存的基准图像，则将当前场景图像设置为基准图像，如果存在保存的基准图像，则将当前场景图像与保存的基准图像进行比较；
若当前场景图像与基准图像的匹配度小于预设阈值，则更新基准图像为采集的当前场景图像，否则保持基准图像不变。
进一步地，所述在开启图像识别时，采集当前场景图像，与保存的基准图像进行比较，还包括：
根据图像采集设备的当前预置位，从保存的每个预置位对应的基准图像中选择相对应的基准图像；
采集当前场景图像，与选择的基准图像进行比较。
进一步地，所述与保存的基准图像进行比较，还包括：获取图像采集设备的位置信息，在位置未发生变动时，如果当前场景图像与选择的基准图像进行比较发现场景发生变化时，遍历保存的基准图像，在匹配到相对应的基准图像时，更新保存图像采集设备的每个预置位对应的基准图像。
可选的，所述根据比较结果，更新基准图像，包括：
如果所述待识别图像和基准图像各自对应的目标识别结果都不是目标对象，则保存所述待识别图像和基准图像各自对应的差异化图像，并对每个保存的差异化图像进行计数；
根据计数结果，将差异化图像叠加到基准图像中，更新基准图像。
可选的，所述据比较结果，更新基准图像，包括：
如果所述基准图像对应的目标识别结果是目标对象，所述待识别图像对应的目标识别结果不是目标对象，则将所述待识别图像对应的差异化图像叠加到基准图像中，更新基准图像。
可选的，所述根据比较结果，输出识别出的目标对象，包括：
如果所述基准图像对应的目标识别结果不是目标对象，所述待识别图像对应的目标识别结果是目标对象，则将所述待识别图像对应的识别结果输出。
可选的，所述根据比较结果，输出识别出的目标对象，包括：
如果所述基准图像对应的目标识别结果是目标对象，所述待识别图像对应的目标识别结果是目标对象，则将所述待识别图像对应的识别结果输出。
进一步地，所述比较所述待识别图像和基准图像各自对应的目标识别结果，在所述待识别视频图像对应的目标识别结果不是目标对象时，还包括：
如果所述待识别图像对应的目标识别结果不是目标对象时，并且识别出的对象为首次出现，则进行异常告警。
本发明还提出了一种目标识别装置，包括处理器以及存储有若干计算机指令的非易失性存储器，所述计算机指令被处理器执行时实现上述方法的步骤。
本发明提供的一种目标识别方法及装置，通过大量样本的训练不断对基准图像进行更新，提高了复杂场景下图像识别的准确度。通过差异化图像的识别，降低了图像识别的资源消耗，并且能得到更准确的识别结果。
附图说明
图1为本发明目标识别方法流程图；
图2为本发明实施例基准图像初始化流程图。
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用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种目标识别方法，应用于视频监控系统中的摄像机，包括：
步骤S1、在开启图像识别时，采集当前场景图像，与保存的基准图像进行比较，在当前场景图像与基准图像的匹配度小于预设阈值，则更新基准图像为采集的当前场景图像，否则保持基准图像不变。
视频监控系统广泛应用于交通、公安、企业、家庭，本申请适用于任何图像采集设备(普通摄像机、云台摄像机等)，或其他进行目标识别的设备(例如后台服务器等)。实施例中以智能交通领域的卡口摄像机为例，进行详细的阐述，对于其他领域的视频监控系统同样适用。或是后台服务器进行目标识别，需要图像采集设备提供采集的图像。
在智能交通领域，卡口摄像机经常被部署在各大交通路口，用于对道路上的交通参与者进行流量统计，为后续的道路交通规划、调整提供有效的数据支撑。本申请技术方案主要适用于运动物体较稀疏的场景，例如交通路口等，不适用与商场门口等人流量较大的场景。
本实施例以卡口摄像机为例，在卡口摄像机上开启图像识别功能时，如图2所示，首先抓拍一张当前场景图像，然后检查摄像机上是否有已经存在基准图像。如果不存在，则将当前抓拍的当前场景图像设置为基准图像。否则，如果已经存在，则分别提取当前场景图像和基准图像的特征信息，并对两张图像进行比较，根据比较结果的匹配度判断当前场景是否已经切换。例如如果匹配度大于设定的阈值(例如80％)，则认为当前场景没有变化，保持基准图像不变。反之如果匹配度小于80％，则认为当前场景存在较大的差异，可以认为场景已经发生变化，原先预存的基准图像已经不适用当前场景，此时更新基准图像为采集的当前场景图像。
在本实施例中，要先检查是否已经存在基准图像，如果摄像机是初次部署，还没有保存基准图像，则直接用抓拍的当前场景图像作为基准图像保存。
在一个实施例中，如果卡口摄像机是云台摄像机，由于云台摄像机设置有多个预置位，每个预置位对应不同的场景，则需要为每个预置位设置对应的基准图像。也就是说，对于不同的场景，设置不同的基准图像。本实施例可以根据云台摄像机的转动角度，或根据云台摄像机的位置信息，来确定当前所处的预置位，并来获取到对应的基准图像。
即在本实施例中，所述在开启图像识别时，采集当前场景图像，与保存的基准图像进行比较，还包括：
保存摄像机每个预置位对应的基准图像；
在开启图像识别时，根据摄像机当前预置位选择从保存的每个预置位对应的基准图像中选择相对于的基准图像；
采集当前场景图像，与选择的基准图像进行比较。
具体地，用户对卡口摄像机的位置进行调整时，则场景也会发生变化，需要同步更新为当前位置对应的基准图像。为了减少云台转动时对后续图像识别的影响，本实施例可以在每次转动时到预置位时，将原来的基准图像以及对应提取的特征信息保存下来，同时需要关联当前的云台转动角度或预置位信息。由于转动角度与预置位一一对应，以下以转动角度为例进行说明。
例如场景一的基准图像对应云台转动角度为30度，场景二的基准图像对应云台转动角度为60度，将这些信息保存到摄像机中，如表1所示，后续如果云台出现转动时，首先在表1中查找有没有对应的基准图像，如果没有找到对应的基准图像，则重新抓拍当前场景图像作为基准图像，如果找到对应的基准图像，则直接使用原来的基准图像，避免摄像机重新从头训练基准图像，从而导致初始时结果准确度低的问题。
保存在摄像机中的信息如下：
摄像机经纬度信息 N30.17788,E120.22137
云台角度 场景信息
30 场景一
60 场景二
表1
在用户调整好摄像机位置，启动图像识别功能时需进行以下操作。如果摄像机为云台摄像机，需要先判断当前云台所处的转动角度，根据转动角度去查找当前位置对应的基准图像。然后结合步骤S1的步骤进行判断场景是否发生变化以及是否需要重新训练当前场景对应的基准图像。
在一个实施例中，所述与保存的基准图像进行比较，还包括：
获取摄像机的位置信息，在位置未发生变动时，如果当前场景图像与选择的基准图像进行比较发现场景发生变化时，还遍历保存的基准图像，在匹配到相对应的基准图像时，更新保存摄像机每个预置位对应的基准图像。
本实施例更精确的来选择基准图像，如果摄像机有GPS定位功能，可以将摄像机的经纬度信息与场景绑定。例如如果摄像机的经纬度信息没有变化，但是对应的云台角度下获取的基准图像与当前场景图像匹配度相差较大，可以认为是因为安装角度发生了偏移。此时可以遍历原先预存的所有基准图像，并进行比较。如果此时摄像机的云台转动角度为30，但是匹配的基准图像在摄像机中保存的云台转动角度为60。则可以认为摄像机安装角度水平偏移了30度，此时可以依次修改原先的基准图像。例如上表保存的场景信息更新为如下所示：
Figure BDA0002131841600000061
Figure BDA0002131841600000071
表2
本实施例步骤S1完成了基准图像的设置，使得在后续的识别开始时，已经具有保存的基准图像。容易理解的是，即使没有通过步骤S1设置基准图像，即保存的基准图像为空，也可以通过后续步骤更新基准图像。
本实施例中，在开启图像识别时，利用采集当前场景图像对基准图像进行设置，保存摄像机所处场景的基准图像，从而在后续对待识别图像进行目标识别时，可以直接采用保存的基准图像进行比对识别，便于摄像机开机后就能够快速地进行目标识别。
以下详细阐述对待识别图像进行处理，更新基准图像及识别目标的过程。
步骤S2、获取待识别图像进行目标识别，提取待识别图像的特征信息，与保存的基准图像的特征信息进行差值比对，获取差值区域坐标列表。
在已经确定基准图像后，摄像机开始正常工作，对待识别图像进行目标识别。此时，摄像机采集图像，采集的图像作为待识别图像进行特征提取操作，提取画面的特征信息Pfeature。
将摄像机中该场景下的基准图像的特征信息Ofeature与Pfeature进行差值比对，返回差值区域坐标列表Lregion。
步骤S3、根据得到的差值区域坐标列表，分别从所述待识别图像和基准图像中提取差异化图像，对提取的差异化图像进行目标识别处理，得到所述待识别图像和基准图像各自对应的目标识别结果。
对Lregion进行分析，分别从图像和基准图像中提取差异化图像。即根据得到的差值区域坐标列表Lregion分别在基准图像和图像中将差值区域坐标列表Lregion对应的区域裁剪出来，分别得到两张图像中Lregion对应坐标的图像Lpicture1和Lpicture2。这里假设Lpicture1是基准图像中抠出来的差异化图像，Lpicture2是待识别图像中提取出来的差异化图像。现在对Lpicture1和Lpicture2分别进行特征提取，并对提取后的特征进行目标识别处理。
本实施例仅对差异化图像进行目标识别处理，减少了目标识别的计算量。其中目标一般包括机动车、非机动车、人等运动目标，本申请对此不做限制。关于具体的目标识别方法，在本领域已经有很多成熟的技术可以采用，这里不再赘述。
步骤S4、比较所述待识别图像和基准图像各自对应的目标识别结果，根据比较结果，更新基准图像或输出识别出的目标对象。
本申请比较待识别图像和基准图像各自对应的目标识别结果，会出现如下几种情况，分别进行不同的处理：
情况1、如果所述待识别图像和基准图像各自对应的目标识别结果都不是目标对象，则保存所述待识别图像和基准图像各自对应的差异化图像，并对每个保存的差异化图像进行计数；根据计数结果，将差异化图像叠加到基准图像中，完成基准图像的更新。
本情况下，Lpicture1识别出的结果不是目标对象(例如机动车、非机动车、人)中的任何一种，即其他物体，而Lpicture2识别出的结果也不是目标对象中的任何一种，即也是其他一种物体。
容易理解的是，Lpicture1或Lpicture2是分别提取的差异化图像，两者识别的物体是不一样的。此时将差异化图像Lpicture1和Lpicture2及对应基准图像的坐标数据保存起来，并对其进行计数，计数初始值为1。
后续，对新的待识别图像进行处理，如果识别结果再次出现情况1的情况，则需先判断当前的Lpicture1或Lpicture2是否和之前保存的差异化图像一致(一致的判断条件可以是两者匹配度大于90％)，如果一致，则直接在原来的数据上计数加1，否则新建一个图像信息保存起来。
为了减少判断次数，默认只保存3个。实际上最少需要保持3个图像。例如如果只保存2个差异化图像时，如果前2个场景反复出现过多次时，此时出现一个新的场景，会由于计数少于前面2个而无法更新到基准图像中，但出现新意外的场景可能保持很长时间，如果一直不更新原始场景的话，就会导致每次都需要对该区域进行特征比对，浪费相机资源。每次保存时，优先丢弃计数更少，时间更早的差异化图像数据。
本情况下，根据计数结果，将差异化图像叠加到基准图像中，完成基准图像的更新。
其中，计数结果的统计，可以按照预设的时间间隔来统计一次，例如5分钟或10分钟统计一次，然后取其中计数最高的差异化图像叠加到基准图像中，即完成基准图像的更新。也可以设定待识别图像的处理次数，例如设置处理50帧图像统计一次，或设置处理100帧图像统计一次，本申请对此不做限制。在达到处理次数后，阈值后取其中计数最高的差异化图像叠加到基准图像中，即完成基准图像的更新。还可以，直接根据计数结果是否超过设定的阈值，例如只要差异化图像计数超过3次，即将该差异化图像叠加到基准图像中。本申请并不限于以上的具体方法，本领域计数人员可以根据计数结果，将差异化图像叠加到基准图像中，完成基准图像的更新。
情况2、如果所述基准图像对应的目标识别结果不是目标对象，所述待识别图像对应的目标识别结果是目标对象，则将所述待识别图像对应的识别结果输出。
具体地，Lpicture1识别出的结果不是目标对象中的任何一种，即其他物体，而Lpicture2识别出的结果是目标对象中的某一种。
则表明待识别图像中的Lpicture2区域存在目标对象，此时把该区域标注起来显示给用户，输出识别出的目标。此时不需要更新基准图像。
情况3、如果所述基准图像对应的目标识别结果是目标对象，所述待识别图像对应的目标识别结果不是目标对象，则将所述待识别图像对应的差异化图像叠加到基准图像中，更新基准图像。
具体地，Lpicture1识别出的结果是目标对象中的某一种，即其他物体，而Lpicture2识别出的结果不是目标对象中的任何一种，即是其他一种物体。
此时根据策略，优先认为Lpicture2更接近是原始场景(即场景中不存在目标对象信息，只有静止物体)中的一部分。此时可以直接将Lpicture2叠加到基准图像的对应坐标区域内，生成最新的基准图像，并提取该基准图像的特征信息并保存下来，后续采集到的图像就与最新的基准图像进行差值比较，此时无需保存Lpicture1的目标识别信息。
情况4、如果所述基准图像对应的目标识别结果是目标对象，所述待识别图像对应的目标识别结果是目标对象，则将所述待识别图像对应的识别结果输出。
具体地，Lpicture1识别出的结果是目标对象中的某一种，而Lpicture2识别出的结果也是目标对象中的某一种。
此时可以认为两个图像中该区域都存在目标对象，把采集到的图像画面中该区域标注起来显示给用户，输出识别出的目标，同时不需要更新基准图像。
本申请随着采集的图像的不断增加，通过对采集的图像的不断学习和训练，不断重复上述步骤，使得当前场景的基准图像不断逼真，后续采集到的图像与当前场景的基准图像的比较差异会越来越接近需要的结果，即只关心机动车、非机动车、行人等目标对象的识别结果，从而提高相机对机动车、非机动车、行人等目标对象的识别准确度。本申请侧重于对物体所处环境的不断训练优化，使得场景更接近与原始场景。从而通过比对与原始场景的差异，使相机的识别准确率大大提高。概括来说，在所述待识别图像对应的目标识别结果不是目标物体时，更新基准图像；在所述待识别图像对应的目标识别结果是目标物体时，输出识别出的目标。
应该理解的是，虽然图1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，这些子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的子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，在上述情况1下，如果所述待识别图像对应的目标识别结果不是目标对象时，并且识别出的物体为首次出现，则进行异常告警。
具体地，当Lpicture2中识别出的物体为首次出现时，可以选择告警给用户，提示当前场景出现了异常物体。特别的，针对布控在交通路口上的相机，如果路面上突然出现一个可疑物体，如果能够及时发现，将会及时排除一个极大的安全隐患。
最后，当摄像机关闭图像识别功能时，将最终得到的基准图像，以及对应的云台转动角度保存到摄像机中，作为下次图像识别功能启动时的基准图像。同时清空识别过程中的中间数据，释放相关资源。
本申请通过在启动图像识别功能时，首先对当前场景的画面进行抓拍，并将首次抓拍的图像作为当前场景的基准图像并保存到相机中。同时对基准图像进行特征提取，将提取出来的特征信息保存到内存中用于与后续相机采集的图像进行比较。对两幅图像的比较结果的差异部分分别进行图像识别，识别出其中的机动车、非机动车、行人等信息。如果基准图像的差异部分识别为机动车、非机动车、行人等信息，而后续的采集的图像为不是机动车、非机动车、行人等信息，而是其他物体，则可以认为后续采集的图像更可能接近原始场景(即不包含机动车、非机动车、行人等运动物体)，则将后续采集的图像的这部分差异叠加到基准图像中，即更新基准图像的信息，并同时将叠加后的图像保存下来，同时提取新基准图像的特征。以此类推，随着识别次数的增加，原始场景信息将会被不断训练优化，同时后续采集的图像与基准图像进行比较，其差异部分更接近为运动的物体，即待识别的物体。此时提取差异部分的图像数据并进行图像识别，可以得到更准确的识别结果。
在一个实施例中，本申请还提供了一种目标识别装置，该装置包括处理器以及存储有若干计算机指令的非易失性存储器，所述计算机指令被处理器执行时实现上述目标识别方法的步骤。
关于目标识别装置的具体限定可以参见上文中对于目标识别方法的限定，在此不再赘述。上述目标识别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。
存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件互相之间可以通过一条或多条通讯总线或信号线实现电性连接。存储器中存储有可在处理器上运行的计算机程序，所述处理器通过运行存储在存储器内的计算机程序，从而实现本发明实施例中的网络拓扑布局方法。
其中，所述存储器可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器用于存储程序，所述处理器在接收到执行指令后，执行所述程序。
所述处理器可能是一种集成电路芯片，具有数据的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等。可以实现或者执行本发明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该处理器也可以是任何常规的处理器等。
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)

1.一种目标识别方法，其特征在于，所述目标识别方法，包括：
获取待识别图像，提取待识别图像的特征信息，与保存的基准图像的特征信息进行差值比对，获取差值区域坐标列表；
根据得到的差值区域坐标列表，分别从所述待识别图像和基准图像中提取差异化图像，对提取的差异化图像进行目标识别处理，得到所述待识别图像和基准图像各自对应的目标识别结果；
比较所述待识别图像和基准图像各自对应的目标识别结果，根据比较结果，更新基准图像或输出识别出的目标对象。
2.根据权利要求1所述的目标识别方法，其特征在于，所述目标识别方法，还包括：
在开启图像识别时，采集当前场景图像，检查是否有保存的基准图像，如果不存在保存的基准图像，则将当前场景图像设置为基准图像，如果存在保存的基准图像，则将当前场景图像与保存的基准图像进行比较；
若当前场景图像与基准图像的匹配度小于预设阈值，则更新基准图像为采集的当前场景图像，否则保持基准图像不变。
3.根据权利要求2所述的目标识别方法，其特征在于，所述在开启图像识别时，采集当前场景图像，与保存的基准图像进行比较，还包括：
根据图像采集设备的当前预置位，从保存的每个预置位对应的基准图像中选择相对应的基准图像；
采集当前场景图像，与选择的基准图像进行比较。
4.根据权利要求3所述的目标识别方法，其特征在于，所述与保存的基准图像进行比较，还包括：获取图像采集设备的位置信息，在位置未发生变动时，如果当前场景图像与选择的基准图像进行比较发现场景发生变化时，遍历保存的基准图像，在匹配到相对应的基准图像时，更新保存图像采集设备的每个预置位对应的基准图像。
5.根据权利要求1所述的目标识别方法，其特征在于，所述根据比较结果，更新基准图像，包括：
如果所述待识别图像和基准图像各自对应的目标识别结果都不是目标对象，则保存所述待识别图像和基准图像各自对应的差异化图像，并对每个保存的差异化图像进行计数；
根据计数结果，将差异化图像叠加到基准图像中，更新基准图像。
6.根据权利要求1所述的目标识别方法，其特征在于，所述据比较结果，更新基准图像，包括：
如果所述基准图像对应的目标识别结果是目标对象，所述待识别图像对应的目标识别结果不是目标对象，则将所述待识别图像对应的差异化图像叠加到基准图像中，更新基准图像。
7.根据权利要求1所述的目标识别方法，其特征在于，所述根据比较结果，输出识别出的目标对象，包括：
如果所述基准图像对应的目标识别结果不是目标对象，所述待识别图像对应的目标识别结果是目标对象，则将所述待识别图像对应的识别结果输出。
8.根据权利要求1所述的目标识别方法，其特征在于，所述根据比较结果，输出识别出的目标对象，包括：
如果所述基准图像对应的目标识别结果是目标对象，所述待识别图像对应的目标识别结果是目标对象，则将所述待识别图像对应的识别结果输出。
9.根据权利要求5所述的目标识别方法，其特征在于，所述比较所述待识别图像和基准图像各自对应的目标识别结果，在所述待识别视频图像对应的目标识别结果不是目标对象时，还包括：
如果所述待识别图像对应的目标识别结果不是目标对象时，并且识别出的对象为首次出现，则进行异常告警。
10.一种目标识别装置，包括处理器以及存储有若干计算机指令的非易失性存储器，其特征在于，所述计算机指令被处理器执行时实现权利要求1至权利要求9中任意一项所述方法的步骤。
CN201910640927.4A 2019-07-16 2019-07-16 一种目标识别方法及装置 Pending CN112241649A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910640927.4A CN112241649A (zh) 2019-07-16 2019-07-16 一种目标识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910640927.4A CN112241649A (zh) 2019-07-16 2019-07-16 一种目标识别方法及装置

Publications (1)

Publication Number Publication Date
CN112241649A true CN112241649A (zh) 2021-01-19

Family

ID=74166769

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910640927.4A Pending CN112241649A (zh) 2019-07-16 2019-07-16 一种目标识别方法及装置

Country Status (1)

Country Link
CN (1) CN112241649A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569813A (zh) * 2021-09-05 2021-10-29 中国电波传播研究所（中国电子科技集团公司第二十二研究所） 一种基于服务器端的智能化图像识别系统及方法
CN113642419A (zh) * 2021-07-23 2021-11-12 上海亘存科技有限责任公司 一种用于目标识别的卷积神经网络及其识别方法
CN113642448A (zh) * 2021-08-09 2021-11-12 中国人民解放军海军航空大学航空作战勤务学院 一种空中平台对海/地面机动目标的图像识别方法和装置
CN113923513A (zh) * 2021-09-08 2022-01-11 浙江大华技术股份有限公司 一种视频处理方法及设备
CN115026840A (zh) * 2022-08-10 2022-09-09 艾斯特国际安全技术（深圳）有限公司 自动校准方法、机械手及计算机可读存储介质
CN117576490A (zh) * 2024-01-16 2024-02-20 口碑(上海)信息技术有限公司 一种后厨环境检测方法和装置、存储介质和电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108259816A (zh) * 2016-12-28 2018-07-06 比亚迪股份有限公司 用于车辆监控视频的采集方法和装置
CN108734185A (zh) * 2017-04-18 2018-11-02 北京京东尚科信息技术有限公司 图像校验方法和装置
WO2018223955A1 (zh) * 2017-06-09 2018-12-13 北京深瞐科技有限公司 目标监控方法、目标监控装置、摄像机及计算机可读介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108259816A (zh) * 2016-12-28 2018-07-06 比亚迪股份有限公司 用于车辆监控视频的采集方法和装置
CN108734185A (zh) * 2017-04-18 2018-11-02 北京京东尚科信息技术有限公司 图像校验方法和装置
WO2018223955A1 (zh) * 2017-06-09 2018-12-13 北京深瞐科技有限公司 目标监控方法、目标监控装置、摄像机及计算机可读介质

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642419A (zh) * 2021-07-23 2021-11-12 上海亘存科技有限责任公司 一种用于目标识别的卷积神经网络及其识别方法
CN113642419B (zh) * 2021-07-23 2024-03-01 上海亘存科技有限责任公司 一种用于目标识别的卷积神经网络及其识别方法
CN113642448A (zh) * 2021-08-09 2021-11-12 中国人民解放军海军航空大学航空作战勤务学院 一种空中平台对海/地面机动目标的图像识别方法和装置
CN113642448B (zh) * 2021-08-09 2024-01-26 中国人民解放军海军航空大学航空作战勤务学院 一种空中平台对海/地面机动目标的图像识别方法和装置
CN113569813A (zh) * 2021-09-05 2021-10-29 中国电波传播研究所（中国电子科技集团公司第二十二研究所） 一种基于服务器端的智能化图像识别系统及方法
CN113923513A (zh) * 2021-09-08 2022-01-11 浙江大华技术股份有限公司 一种视频处理方法及设备
CN113923513B (zh) * 2021-09-08 2024-05-28 浙江大华技术股份有限公司 一种视频处理方法及设备
CN115026840A (zh) * 2022-08-10 2022-09-09 艾斯特国际安全技术（深圳）有限公司 自动校准方法、机械手及计算机可读存储介质
CN115026840B (zh) * 2022-08-10 2022-12-16 艾斯特国际安全技术（深圳）有限公司 自动校准方法、机械手及计算机可读存储介质
CN117576490A (zh) * 2024-01-16 2024-02-20 口碑(上海)信息技术有限公司 一种后厨环境检测方法和装置、存储介质和电子设备
CN117576490B (zh) * 2024-01-16 2024-04-05 口碑(上海)信息技术有限公司 一种后厨环境检测方法和装置、存储介质和电子设备

Similar Documents

Publication Publication Date Title
CN112241649A (zh) 一种目标识别方法及装置
CN110390262B (zh) 视频分析方法、装置、服务器及存储介质
EP3806064B1 (en) Method and apparatus for detecting parking space usage condition, electronic device, and storage medium
CN110047319B (zh) 停车场车位导航方法、电子装置及存储介质
US11380104B2 (en) Method and device for detecting illegal parking, and electronic device
CN106878670B (zh) 一种视频处理方法及装置
US10373015B2 (en) System and method of detecting moving objects
CN110659391A (zh) 一种视频侦查方法及装置
CN107862072B (zh) 基于大数据技术分析车辆入城套牌作案的方法
CN109615904A (zh) 停车管理方法、装置、计算机设备和存储介质
CN111340710B (zh) 一种基于图像拼接获取车辆信息的方法及系统
CN108847024A (zh) 基于视频的交通拥堵识别方法及系统
KR100413382B1 (ko) 통신망을 이용한 감시 카메라의 통합 원격 제어 시스템 및방법과 이를 이용한 영상 데이터 처리 방법
CN113160272B (zh) 目标跟踪方法、装置、电子设备及存储介质
CN111368626B (zh) 车辆识别方法、装置、电子设备和存储介质
KR101236266B1 (ko) 주차공간정보 관리시스템
CN112153329A (zh) 事件监测的配置方法、系统、计算机设备和存储介质
CN103903269B (zh) 球机监控视频的结构化描述方法和系统
CN114913470B (zh) 一种事件检测方法及装置
CN112860821A (zh) 人车轨迹分析方法及相关产品
US11917325B2 (en) Automated scope limiting for video analytics
CN115331181A (zh) 车辆图像融合方法、装置、计算机设备和存储介质
CN113850837A (zh) 视频处理方法、装置、电子设备、存储介质及计算机产品
CN115620244A (zh) 基于车路协同的图像检测方法、装置、设备及存储介质
KR101381580B1 (ko) 다양한 조명 환경에 강인한 영상 내 차량 위치 판단 방법 및 시스템

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