CN112257604A - 图像检测方法、装置、电子设备和存储介质 - Google Patents
图像检测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112257604A CN112257604A CN202011145968.5A CN202011145968A CN112257604A CN 112257604 A CN112257604 A CN 112257604A CN 202011145968 A CN202011145968 A CN 202011145968A CN 112257604 A CN112257604 A CN 112257604A
- Authority
- CN
- China
- Prior art keywords
- image
- rail
- railway
- image data
- railway monitoring
- 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 74
- 238000012544 monitoring process Methods 0.000 claims abstract description 128
- 238000013528 artificial neural network Methods 0.000 claims abstract description 45
- 230000006399 behavior Effects 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 19
- 231100001261 hazardous Toxicity 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010606 normalization Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06V20/50—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
- 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
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- 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
- G06V2201/13—Type of disclosure document
- G06V2201/132—Book chapter
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了图像检测方法、装置、电子设备和存储介质,涉及计算机视觉、深度学习、智能交通等人工智能领域,可用于智能云场景。具体实现方案为:获取铁路监控图像;通过第一神经网络对所述铁路监控图像进行目标对象检测;获取所述铁路监控图像的铁轨图像数据;在所述第一神经网络对所述铁路监控图像检测到所述目标对象的图像数据的情况下,依据所述目标对象的图像数据和铁轨图像数据,检测是否存在危险行为。本申请提高铁路检测的效率。
Description
技术领域
本公开涉及计算机视觉、深度学习、智能交通等人工智能领域,可用于智能云场景。
背景技术
铁路运输作为当前一种非常重要的运输方式,例如:传统铁路和高速铁路(简称:高铁)。目前铁路监控主要是通过人员监控,或者在正常运输列车之前,通过专门检测列车对铁路进行监控,例如:早上运行的专门检测铁路安全的检测列车。
发明内容
本公开提供了一种图像检测方法、装置、电子设备和存储介质。
根据本公开的一方面,提供了一种图像检测方法,包括:
获取铁路监控图像;
通过第一神经网络对所述铁路监控图像进行目标对象检测;
获取所述铁路监控图像的铁轨图像数据;
在所述第一神经网络对所述铁路监控图像检测到所述目标对象的图像数据的情况下,依据所述目标对象的图像数据和铁轨图像数据,检测是否存在危险行为。
根据本公开的另一方面,提供了一种图像检测装置,包括:
第一获取模块,用于获取铁路监控图像;
第一检测模块,用于通过第一神经网络对所述铁路监控图像进行目标对象检测;
第二获取模块,用于获取所述铁路监控图像的铁轨图像数据;
第二检测模块,用于在所述第一神经网络对所述铁路监控图像检测到所述目标对象的图像数据的情况下,依据所述目标对象的图像数据和铁轨图像数据,检测是否存在危险行为。
根据本公开的另一方面,提供了一种电子设备,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,
所述存储器存储有可被所述至少一个处理器执行的指令,所述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本公开提供的图像检测方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行本公开提供的图像检测方法。
根据本公开的技术方案,可以依据铁路监控图像的铁轨图像数据和图像数据检测铁路上是否存在危险行为,以提高铁路检测的效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开提供的一种图像检测方法的流程图;
图2是本公开提供的一种图像检测的检测结果示意图;
图3是本公开提供的另一种图像检测的检测结果示意图;
图4是本公开提供的另一种图像检测的检测结果示意图;
图5是本公开提供的另一种图像检测的网络示意图;
图6是本公开提供的一种图像检测装置的结构图;
图7是用来实现本公开实施例的图像检测方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
请参见图1,图1是本公开提供的一种图像检测方法的流程图,如图1所示,包括以下步骤:
步骤S101、获取铁路监控图像。
其中,上述铁路监控图像可以是安装在铁路附近的铁路监控摄像头实时或者周期性采集的图像。
上述获取铁路监控图像可以是获取其他设备发送的,例如:获取铁路监控摄像头传输的图像,或者,执行该步骤的电子设备包括铁路监控摄像头,以读取该摄像头采集的图像。
步骤S102、通过第一神经网络对所述铁路监控图像进行目标对象检测。
本公开中目标对象可以是行人、动物或者其他妨碍列车运行的障碍物。
上述第一神经网络可以是预先配置或者预先训练好的,用于检测目标对象的神经网络,例如:可以是YOLO(You Only Look Once,看一次就够了)检测网络,也可以是其他目标检测网络,如用于人体检测的神经网络等。具体的,上述第一神经网络可以是输入为图像输出为目标对象的图像数据的网络。
需要说明的是,在实际应用中采集到的图像往往会包括目标对象或者不包括目标对象,也就是说,本公开中的铁路监控图像可能包括目标对象,也有可能不包括目标对象,当铁路监控图像包括目标对象时步骤S102检测到所述目标对象的图像数据,当铁路监控图像不包括目标对象时步骤S102可以输出铁路监控图像不包括目标对象的结果。
步骤S103、获取所述铁路监控图像的铁轨图像数据。
其中,上述铁轨图像数据可以是上述铁路监控图像中铁轨的区域信息,即该数据可以表示该铁路监控图像中哪些区域是铁轨。另外,该获取可以是实时获取的,或者获取预先存储的铁轨图像数据。
步骤S104、在所述第一神经网络对所述铁路监控图像检测到所述目标对象的图像数据的情况下,依据所述目标对象的图像数据和铁轨图像数据,检测是否存在危险行为。
上述目标对象的图像数据可以是上述铁路监控图像中目标对象的区域信息,即该数据可以表示该铁路监控图像中哪些区域包括目标对象。
上述依据所述目标对象的图像数据和铁轨图像数据,检测是否存在危险行为可以是,目标对象的图像数据和铁轨图像数据表示目标对象处于铁轨内或者目标对象处于铁轨边沿等情况,则确定存在危险行为,当目标对象的图像数据和铁轨图像数据表示目标对象不在铁轨内或者离铁轨存在一定距离等情况,则确定不存在危险行为。
进一步的,当确定存在危险行为时可以输出警告,例如:通过铁路现场的扬声器输出警告,或者向对应的行驶列车输出警告等,这样通过输出警告可以提高铁路的安全性能。
本公开中,通过上述步骤可以实现依据铁路监控图像的铁轨图像数据和图像数据检测铁路上是否存在危险行为,以提高铁路检测的效率,例如:可以根据实时采集的铁路监控图像实时检测铁路是否存在危险行为。进一步的,由于不需要人员监控,从而可以避免人员监控存在误判或者忽视的情况下,以提高铁路监控效果,且还可以降低铁路监控成本。具体可以有效协助对应公司或监管部门进行运营监管,为列车运行安全提供有效保障。
需要说明的是,上述方法可以应用于电子设备,例如:铁路现场的监控设备,或者,远端监控设备,具体可以是计算机、服务器、移动终端等电子设备。
作为一种可选的实施方式,所述目标对象的图像数据包括:所述目标对象在所述铁路监控图像的第一区域信息,所述铁轨图像数据包括:铁轨在所述铁路监控图像的第二区域信息;
所述依据所述目标对象的图像数据和铁轨图像数据,检测是否存在危险行为,包括:
依据所述第一区域信息和所述第二区域信息的交并比(intersection of union,IOU),检测是否存在危险行为。
其中,上述第一区域信息用于表示上述目标对象在上述铁路监控图像中的区域信息,上述第一区域信息用于表示铁轨在上述铁路监控图像中的区域信息。
上述依据所述第一区域信息和所述第二区域信息的IOU,检测是否存在危险行为可以是,该IOU为正实数时,则确定存在危险行为,反之,确定不存在危险行为。或者可以是,在所述IOU的取值大于或者等于预设阈值的情况下,确定存在危险行为,反之,确定不存在危险行为。
例如:如图2所示,铁路监控图像中包括铁轨201、行人202和行人203,而上述第一区域信息可以包括行人202和行人203的边界框,通过上述IOU可以确定行人203是危险行为,因为,行人203处于铁轨内,则行人202不是危险行为。
需要说明的是,图2仅是一个举例示意图,并不是一个真实的铁路监控图像的实际图像。
该实施方式中,通过上述IOU可以准确地检测到是否存在危险行为,以提高铁路监控效果。
可选的,在所述IOU的取值大于或者等于预设阈值的情况下,确定存在危险行为,其中,所述预设阈值与如下至少一项对应:
采集角度、业务需求;
其中,所述采集角度为采集所述铁路监控图像的监控摄像头相对于铁轨的角度。
在实际应用中,不同的监控摄像头相对于铁轨的采用角度可能不同,而不同的采集角度采集到的图像也不同,例如:对于一个行人位于铁轨的左侧离铁轨存在一定距离,那么,对于在铁轨左侧的摄像头采集到当前的图像,图像中行人与铁轨的IOU的取值一般比较大,但实时上行人并不处于铁轨内,因此,该实施方式可以针对该摄像头的图像将上述预设阈值设置成一个较大的阈值。而对于正对铁轨的摄像头,而可以将上述预设阈值设置成一个较小的阈值。
进一步的,对于多个摄像头采集图像可以是获取图像时,同时获取图像对应的摄像头标识,从而在检测时,根据摄像头的标识获取对应的预设阈值进行危险行为检测,以进一步提高检测的准确性。
进一步的,对于一些高安全性的业务需求可以设置较小的阈值,以提高安全性,对于一些低安全性的业务需求可以设置较大的阈值,以提高工作效率。具体可以根据业务需求灵活设置。
该实施方式中,由于预设阈值与采集角度和业务需求中至少一项对应,从而可以实现根据实际情况使用不同的预设阈值,以提高检测的准确性。
可选的,所述第一区域信息为包括所述目标对象的区域的位置信息,所述区域的大小与如下至少一项对应:
采集角度、业务需求;
其中,所述采集角度为采集所述铁路监控图像的监控摄像头相对于铁轨的角度。
上述包括所述目标对象的区域的位置信息可以是,从目标对象的从底部位置往上选取N行像素作为实际用于判断的位置信息,该位置信息可以是边界框(bounding box),其中,这里N可以与采集角度和业务需求中至少一项对应。
上述区域的大小与采集角度对应可以预先配置好区域的大小与采集角度的对应关系,该对应关系可以根据用户经验设置。同理,上述区域的大小与业务需求对应可以预先配置好区域的大小与采集角度的对应关系,具体可以根据实际业务需求进行预先配置。
该实施方式中,由于区域的大小与采集角度和业务需求中至少一项对应,从而可以实现根据实际情况使用不同的区域的大小,以提高检测的准确性。
需要说明的是,本公开中并不限定通过上述IOU来检测是否存在危险行为,例如:可以通过简单地比较第一区域信息和第二区域信息是否存在重叠,若存在则确定存在危险行为,若不存在重叠,则确定不存在危险行为。
作为一种可选的实施方式,所述获取所述铁路监控图像的铁轨图像数据,包括:
通过第二神经网络对所述铁路监控图像进行铁轨检测,得到所述铁轨图像数据;
或者,
获取预先存储的目标图像的铁轨图像数据作为所述铁路监控图像的铁轨图像数据,其中,所述目标图像与所述铁路监控图像为同一监控摄像头采集到的图像。
其中,上述第二神经网络可以是铁轨分割网络,该网络可以将铁路监控图像中的铁轨进行分割,例如:通过该网络可以分割出如图3和图4所示的效果图,需要说明的是,图3和图4并不是对图2所示的图像进行分割得到的效果图,因为,图2仅是一个举例示意图,并不是步骤201获取的铁路监控图像真实示意图,而图3和图4可以表示步骤201获取的不同铁路监控图像的分割效果图。
通过上述第二神经网络可以实现分别依据不同的神经网络检测到目标对象和铁轨,从而提高整体的检测效果。例如:如图5所示,以目标对象为行人为例,分别通过铁轨分割网络和行人检测网络得到分割结果和行人检测结果,最后依据这两个检测结果得到最终结果,即是否存在危险行为。
具体的,上述第二神经网络可以是预设配置的或者预先训练的。例如:上述第二神经网络可以是OCRNET网络或者预设训练的输入为图像输出为铁轨图像数据的卷积神经网络、循环神经网络等,对此本公开不作限定。
进一步的,通过第二神经网络对所述铁路监控图像进行铁轨检测可以是,结合铁路监控图像中逐个像素的目标上下文信息进行检测,以提高检测效果。
上述获取预先存储的目标图像的铁轨图像数据作为所述铁路监控图像的铁轨图像数据可以是,将之前已经获取的相同摄像头采集的铁轨图像数据作为上述铁路监控图像的铁轨图像数据,因为,铁轨是不动的,而摄像头与是固定不变的,因此,对于同一摄像头的采集图像中铁轨图像数据是相同的。
通过获取预先存储的目标图像的铁轨图像数据作为所述铁路监控图像的铁轨图像数据,可以节约计算量。
作为一种可选的实施方式,所述通过第一神经网络对所述铁路监控图像进行目标对象检测,包括:
将所述铁路监控图像进行缩放处理,得到预设尺寸的铁路监控图像,并对所述预设尺寸的铁路监控图像进行归一化处理,得到归一化的铁路监控图像,通过第一神经网络对所述归一化的铁路监控图像进行目标对象检测。
上述对所述预设尺寸的铁路监控图像进行归一化处理可以是,将预设尺寸的铁路监控图像的像素点值减去均值并除以方差。其中,这里均值和方差可以是预先设置,例如:预先基于图像数据集计算均值和方差,如计算得到均值为[0.485,0.456,0.406],方差为[0.229,0.224,0.225],其中,这三个值可以分别表示像素的红、绿、蓝的取值。
该实施方式中,由于在输入神经网络之前进行缩放处理和归一化处理,从而可以提高图像数据的鲁棒性。
可选的,在上述第一神经网络可以是在骨架网络加入正规化方法(DropBlock)和IOU损失(iou loss)进行改进的神经网络,由于加入了DropBlock和iou loss,从而有效提升目标对象的检测效果。其中,上述骨架网络可以是ResNet50网络,对此本公开不作限定,还可以是其他骨架网络。另外,本公开中第一神经网络并不限定加入DropBlock和iou loss的神经网络,例如:可以是其他未加入DropBlock和iou loss的卷积神经网络或者循环神经网络。
另外,在上述第二神经网络的实施方式,也可以对铁路监控图像进行归一化处理,其中,该归一化处理与第一神经网络之前的归一化处理不同,例如:该归一化处理可以是对铁路监控图像中的所有像素除以255,随后减去均值(如[0.5,0.5,0.5])并除以方差(如[0.5,0.5,0.5]),以有效提升图像数据的鲁棒性。
根据本公开的技术方案,可以依据铁路监控图像的铁轨图像数据和图像数据检测铁路上是否存在危险行为,以提高铁路检测的效率。
请参见图6,图6是本公开提供的一种图像检测装置,如图6所示,图像检测装置600包括:
第一获取模块601,用于获取铁路监控图像;
第一检测模块602,用于通过第一神经网络对所述铁路监控图像进行目标对象检测;
第二获取模块603,用于获取所述铁路监控图像的铁轨图像数据;
第二检测模块604,用于在所述第一神经网络对所述铁路监控图像检测到所述目标对象的图像数据的情况下,依据所述目标对象的图像数据和铁轨图像数据,检测是否存在危险行为。
可选的,所述目标对象的图像数据包括:所述目标对象在所述铁路监控图像的第一区域信息,所述铁轨图像数据包括:铁轨在所述铁路监控图像的第二区域信息;
第二检测模块604用于在所述第一神经网络对所述铁路监控图像检测到所述目标对象的图像数据的情况下,依据所述第一区域信息和所述第二区域信息的交并比IOU,检测是否存在危险行为。
可选的,在所述IOU的取值大于或者等于预设阈值的情况下,确定存在危险行为,其中,所述预设阈值与如下至少一项对应:
采集角度、业务需求;
其中,所述采集角度为采集所述铁路监控图像的监控摄像头相对于铁轨的角度;
和/或,
所述第一区域信息为包括所述目标对象的区域的位置信息,所述区域的大小与如下至少一项对应:
采集角度、业务需求;
其中,所述采集角度为采集所述铁路监控图像的监控摄像头相对于铁轨的角度。
可选的,所述第二获取模块用于通过第二神经网络对所述铁路监控图像进行铁轨检测,得到所述铁轨图像数据;
或者,
所述第二获取603用于获取预先存储的目标图像的铁轨图像数据作为所述铁路监控图像的铁轨图像数据,其中,所述目标图像与所述铁路监控图像为同一监控摄像头采集到的图像。
可选的,所述第一检测模块602用于将所述铁路监控图像进行缩放处理,得到预设尺寸的铁路监控图像,并对所述预设尺寸的铁路监控图像进行归一化处理,得到归一化的铁路监控图像,通过第一神经网络对所述归一化的铁路监控图像进行目标对象检测。
本实施例提供的装置能够实现图1所示的方法实施例中实现的各个过程,且可以达到相同有益效果,为避免重复,这里不再赘述。
根据本公开的实施例,本公开还提供了一种电子设备和一种存储有计算机指令的非瞬时计算机可读存储介质。
如图7所示,是根据本公开实施例的图像检测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,该电子设备包括:一个或多个处理器701、存储器702,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。
存储器702即为本公开所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本公开所提供的图像检测方法。本公开的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本公开所提供的图像检测方法。
存储器702作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本公开实施例中的图像检测方法对应的程序指令/模块(例如,附图6所示的601、602、第二获取模块603和第二检测模块604)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的图像检测方法。
存储器702可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据图像检测方法的电子设备的使用所创建的数据等。此外,存储器702可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器702可选包括相对于处理器701远程设置的存储器,这些远程存储器可以通过网络连接至图像检测方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图像检测方法的电子设备还可以包括:输入装置703和输出装置707。处理器701、存储器702、输入装置703和输出装置707可以通过总线或者其他方式连接,图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息,以及产生与图像检测方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置707可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本公开的技术方案,可以依据铁路监控图像的铁轨图像数据和图像数据检测铁路上是否存在危险行为,以提高铁路检测的效率。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (12)
1.一种图像检测方法,包括:
获取铁路监控图像;
通过第一神经网络对所述铁路监控图像进行目标对象检测;
获取所述铁路监控图像的铁轨图像数据;
在所述第一神经网络对所述铁路监控图像检测到所述目标对象的图像数据的情况下,依据所述目标对象的图像数据和铁轨图像数据,检测是否存在危险行为。
2.根据权利要求1所述的方法,其中,所述目标对象的图像数据包括:所述目标对象在所述铁路监控图像的第一区域信息,所述铁轨图像数据包括:铁轨在所述铁路监控图像的第二区域信息;
所述依据所述目标对象的图像数据和铁轨图像数据,检测是否存在危险行为,包括:
依据所述第一区域信息和所述第二区域信息的交并比IOU,检测是否存在危险行为。
3.根据权利要求2所述的方法,其中,在所述IOU的取值大于或者等于预设阈值的情况下,确定存在危险行为,其中,所述预设阈值与如下至少一项对应:
采集角度、业务需求;
其中,所述采集角度为采集所述铁路监控图像的监控摄像头相对于铁轨的角度;
和/或,
所述第一区域信息为包括所述目标对象的区域的位置信息,所述区域的大小与如下至少一项对应:
采集角度、业务需求;
其中,所述采集角度为采集所述铁路监控图像的监控摄像头相对于铁轨的角度。
4.根据权利要求1所述的方法,其中,所述获取所述铁路监控图像的铁轨图像数据,包括:
通过第二神经网络对所述铁路监控图像进行铁轨检测,得到所述铁轨图像数据;
或者,
获取预先存储的目标图像的铁轨图像数据作为所述铁路监控图像的铁轨图像数据,其中,所述目标图像与所述铁路监控图像为同一监控摄像头采集到的图像。
5.根据权利要求1所述的方法,其中,所述通过第一神经网络对所述铁路监控图像进行目标对象检测,包括:
将所述铁路监控图像进行缩放处理,得到预设尺寸的铁路监控图像,并对所述预设尺寸的铁路监控图像进行归一化处理,得到归一化的铁路监控图像,通过第一神经网络对所述归一化的铁路监控图像进行目标对象检测。
6.一种图像检测装置,包括:
第一获取模块,用于获取铁路监控图像;
第一检测模块,用于通过第一神经网络对所述铁路监控图像进行目标对象检测;
第二获取模块,用于获取所述铁路监控图像的铁轨图像数据;
第二检测模块,用于在所述第一神经网络对所述铁路监控图像检测到所述目标对象的图像数据的情况下,依据所述目标对象的图像数据和铁轨图像数据,检测是否存在危险行为。
7.根据权利要求6所述的装置,其中,所述目标对象的图像数据包括:所述目标对象在所述铁路监控图像的第一区域信息,所述铁轨图像数据包括:铁轨在所述铁路监控图像的第二区域信息;
第二检测模块用于在所述第一神经网络对所述铁路监控图像检测到所述目标对象的图像数据的情况下,依据所述第一区域信息和所述第二区域信息的交并比IOU,检测是否存在危险行为。
8.根据权利要求7所述的装置,其中,在所述IOU的取值大于或者等于预设阈值的情况下,确定存在危险行为,其中,所述预设阈值与如下至少一项对应:
采集角度、业务需求;
其中,所述采集角度为采集所述铁路监控图像的监控摄像头相对于铁轨的角度;
和/或,
所述第一区域信息为包括所述目标对象的区域的位置信息,所述区域的大小与如下至少一项对应:
采集角度、业务需求;
其中,所述采集角度为采集所述铁路监控图像的监控摄像头相对于铁轨的角度。
9.根据权利要求6所述的装置,其中,所述第二获取模块用于通过第二神经网络对所述铁路监控图像进行铁轨检测,得到所述铁轨图像数据;
或者,
所述第二获取模块用于获取预先存储的目标图像的铁轨图像数据作为所述铁路监控图像的铁轨图像数据,其中,所述目标图像与所述铁路监控图像为同一监控摄像头采集到的图像。
10.根据权利要求6所述的装置,其中,所述第一检测模块用于将所述铁路监控图像进行缩放处理,得到预设尺寸的铁路监控图像,并对所述预设尺寸的铁路监控图像进行归一化处理,得到归一化的铁路监控图像,通过第一神经网络对所述归一化的铁路监控图像进行目标对象检测。
11.一种电子设备,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,
所述存储器存储有可被所述至少一个处理器执行的指令,所述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权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011145968.5A CN112257604A (zh) | 2020-10-23 | 2020-10-23 | 图像检测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011145968.5A CN112257604A (zh) | 2020-10-23 | 2020-10-23 | 图像检测方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112257604A true CN112257604A (zh) | 2021-01-22 |
Family
ID=74264965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011145968.5A Pending CN112257604A (zh) | 2020-10-23 | 2020-10-23 | 图像检测方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112257604A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784797A (zh) * | 2021-01-29 | 2021-05-11 | 北京百度网讯科技有限公司 | 目标图像识别方法和装置 |
CN114228794A (zh) * | 2021-12-17 | 2022-03-25 | 神思电子技术股份有限公司 | 一种ctc调度的自动化监控方法及设备 |
WO2023245833A1 (zh) * | 2022-06-22 | 2023-12-28 | 清华大学 | 基于边缘计算的场景监控方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101179710A (zh) * | 2007-11-30 | 2008-05-14 | 浙江工业大学 | 铁路道口智能视频监控装置 |
WO2018104460A1 (de) * | 2016-12-07 | 2018-06-14 | Siemens Aktiengesellschaft | Verfahren, vorrichtung und bahnfahrzeug, insbesondere schienenfahrzeug, zur gefahrensituationserkennung im bahnverkehr, insbesondere im schienenverkehr |
WO2018121690A1 (zh) * | 2016-12-29 | 2018-07-05 | 北京市商汤科技开发有限公司 | 对象属性检测、神经网络训练、区域检测方法和装置 |
CN109697424A (zh) * | 2018-12-19 | 2019-04-30 | 浙江大学 | 一种基于fpga和深度学习的高速铁路异物侵限检测装置及方法 |
WO2020063753A1 (zh) * | 2018-09-27 | 2020-04-02 | 北京市商汤科技开发有限公司 | 动作识别、驾驶动作分析方法和装置、电子设备 |
CN111626169A (zh) * | 2020-05-20 | 2020-09-04 | 中铁二院工程集团有限责任公司 | 一种基于图像的铁路危险落石尺寸判断方法 |
-
2020
- 2020-10-23 CN CN202011145968.5A patent/CN112257604A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101179710A (zh) * | 2007-11-30 | 2008-05-14 | 浙江工业大学 | 铁路道口智能视频监控装置 |
WO2018104460A1 (de) * | 2016-12-07 | 2018-06-14 | Siemens Aktiengesellschaft | Verfahren, vorrichtung und bahnfahrzeug, insbesondere schienenfahrzeug, zur gefahrensituationserkennung im bahnverkehr, insbesondere im schienenverkehr |
WO2018121690A1 (zh) * | 2016-12-29 | 2018-07-05 | 北京市商汤科技开发有限公司 | 对象属性检测、神经网络训练、区域检测方法和装置 |
WO2020063753A1 (zh) * | 2018-09-27 | 2020-04-02 | 北京市商汤科技开发有限公司 | 动作识别、驾驶动作分析方法和装置、电子设备 |
CN109697424A (zh) * | 2018-12-19 | 2019-04-30 | 浙江大学 | 一种基于fpga和深度学习的高速铁路异物侵限检测装置及方法 |
CN111626169A (zh) * | 2020-05-20 | 2020-09-04 | 中铁二院工程集团有限责任公司 | 一种基于图像的铁路危险落石尺寸判断方法 |
Non-Patent Citations (2)
Title |
---|
张腾云;荆涛;霍炎;: "神朔铁路智能视频入侵检测系统设计", 铁路计算机应用, no. 12 * |
朱正平;王秀丽;岳秋菊;: "基于机器视觉的轨道异物侵限检测方法研究", 甘肃高师学报, no. 02, 15 March 2009 (2009-03-15) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784797A (zh) * | 2021-01-29 | 2021-05-11 | 北京百度网讯科技有限公司 | 目标图像识别方法和装置 |
CN114228794A (zh) * | 2021-12-17 | 2022-03-25 | 神思电子技术股份有限公司 | 一种ctc调度的自动化监控方法及设备 |
CN114228794B (zh) * | 2021-12-17 | 2023-09-22 | 神思电子技术股份有限公司 | 一种ctc调度的自动化监控方法及设备 |
WO2023245833A1 (zh) * | 2022-06-22 | 2023-12-28 | 清华大学 | 基于边缘计算的场景监控方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112257604A (zh) | 图像检测方法、装置、电子设备和存储介质 | |
CN111709328A (zh) | 车辆跟踪方法、装置及电子设备 | |
CN110968718B (zh) | 目标检测模型负样本挖掘方法、装置及电子设备 | |
US20210312799A1 (en) | Detecting traffic anomaly event | |
CN110659600B (zh) | 物体检测方法、装置及设备 | |
CN110675635B (zh) | 相机外参的获取方法、装置、电子设备及存储介质 | |
CN113205037B (zh) | 事件检测的方法、装置、电子设备以及可读存储介质 | |
CN111833340A (zh) | 图像检测方法、装置、电子设备及存储介质 | |
US20210110168A1 (en) | Object tracking method and apparatus | |
CN111738072A (zh) | 目标检测模型的训练方法、装置及电子设备 | |
CN112270745B (zh) | 一种图像生成方法、装置、设备以及存储介质 | |
CN111275011B (zh) | 移动红绿灯检测方法、装置、电子设备和存储介质 | |
CN111666876A (zh) | 用于检测障碍物的方法、装置、电子设备和路侧设备 | |
CN110717933A (zh) | 针对运动物体漏检的后处理方法、装置、设备和介质 | |
CN111601013B (zh) | 用于处理视频帧的方法和装置 | |
CN111027195B (zh) | 仿真场景的生成方法、装置及设备 | |
CN113011298A (zh) | 截断物体样本生成、目标检测方法、路侧设备和云控平台 | |
CN111783613A (zh) | 异常检测方法、模型的训练方法、装置、设备及存储介质 | |
CN111783644A (zh) | 检测方法、装置、设备和计算机存储介质 | |
CN115641360A (zh) | 基于人工智能的电池检测方法、装置和电子设备 | |
CN114429631A (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
CN114708498A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN113378836A (zh) | 图像识别方法、装置、设备、介质及程序产品 | |
CN111967299A (zh) | 无人机巡检方法、装置、设备及存储介质 | |
CN112560848A (zh) | 兴趣点poi预训练模型的训练方法、装置及电子设备 |
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 |