CN112329729A - 小目标船只检测方法、装置及电子设备 - Google Patents

小目标船只检测方法、装置及电子设备 Download PDF

Info

Publication number
CN112329729A
CN112329729A CN202011364893.XA CN202011364893A CN112329729A CN 112329729 A CN112329729 A CN 112329729A CN 202011364893 A CN202011364893 A CN 202011364893A CN 112329729 A CN112329729 A CN 112329729A
Authority
CN
China
Prior art keywords
image
small target
images
ship
small
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
CN202011364893.XA
Other languages
English (en)
Other versions
CN112329729B (zh
Inventor
邓练兵
李皓
高妍
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.)
Zhuhai Dahengqin Technology Development Co Ltd
Original Assignee
Zhuhai Dahengqin Technology Development 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 Zhuhai Dahengqin Technology Development Co Ltd filed Critical Zhuhai Dahengqin Technology Development Co Ltd
Priority to CN202011364893.XA priority Critical patent/CN112329729B/zh
Publication of CN112329729A publication Critical patent/CN112329729A/zh
Application granted granted Critical
Publication of CN112329729B publication Critical patent/CN112329729B/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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及计算机视觉技术领域，具体涉及一种小目标船只检测方法、装置及电子设备。其中方法包括：获取拍摄设备对小目标船只进行跟踪拍摄的连续图像；将所述连续图像中相邻两帧图像做差值运算，得到至少一帧差值图像；其中，所述差值图像为包括所述相邻两帧图像中第一小目标船只和第二小目标船只的图像；利用所述至少一帧差值图像，对所述小船只进行检测。本发明通过相邻帧图像做差值运算，对所述相邻帧图像进行背景消除，使得检测的准确度提高。

Description

小目标船只检测方法、装置及电子设备
技术领域
本发明涉及计算机视觉技术领域，具体涉及一种小目标船只检测方法、装置及电子设备。
背景技术
随着自动化技术的飞速发展，信息技术、数字图像处理技术已被大量应用到交通、医学、军事等各个领域，例如车牌定位、脑部CT诊断、人脸识别、导航武器等，其中，目标的检测技术愈加受人们关注。在目标检测中，对弱小目标的检测又极为重要，以对海上行进中的小目标船只进行检测为例，由于海面积广大，而实施检测的拍摄设备数量以及拍摄视野有限，因此，通常会将拍摄设备设置于远离海面上方较远距离，以获得更大区域的海面拍摄视野。但是，拍摄设备距离海面越远，发现小目标船只的距离越远，对小目标船只成像面积越小，在检测时越容易受到复杂背景的影响，导致小目标船只的检测准确程度降低。
发明内容
有鉴于此，本发明实施例提供了一种小目标船只检测方法、装置及电子设备，以解决现有技术中由于复杂背景导致小目标船只检测准确程度低的问题。
根据第一方面，本发明实施例提供了一种小目标船只检测方法，包括：获取拍摄设备对小目标船只进行跟踪拍摄的连续图像；将所述连续图像中相邻两帧图像做差值运算，得到至少一帧差值图像；其中，所述差值图像为包括所述相邻两帧图像中第一小目标船只和第二小目标船只的图像；利用所述至少一帧差值图像，对所述小船只进行检测。
可选地，所述连续图像包括两帧图像，所述利用所述至少一帧差值图像，对所述小船只进行检测，包括：对所述差值图像进行特征提取，得到对应于所述第一小目标船只以及所述第二小目标船只的第一特征图像和第二特征图像；将所述第一特征图像和所述第二图像缩放至第一预设尺寸，并将缩放后的所述第一特征图像以及所述第二特征图像进行特征融合，得到第一目标特征图像；利用所述第一目标特征图像，对所述小船只进行检测。
可选地，所述连续图像包括至少三帧图像，所述利用所述至少一帧差值图像，对所述小船只进行检测，包括：将所述至少一帧差值图像做与运算，得到与运算图像；其中，所述与运算图像为包括所有所述图像中的小目标船只的图像；对所述与运算图像进行特征提取，得到对应于每帧所述图像中的小目标船只的多个特征图像；将所述多个特征图像缩放至第二预设尺寸，并将缩放后的所述多个目标特征图像进行特征融合，得到第二目标特征图像；利用所述第二目标特征图像，对所述小船只进行检测。
可选地，将所述第一目标特征图像或所述第二目标特征图像输入预先训练好的分类器，得到所述小目标船只的类别。
可选地，在所述获取对小目标船只进行跟踪拍摄的连续图像之前，还包括：实时获取所述拍摄设备输出的图像；判断所述拍摄设备输出的图像中是否存在小目标船只；当所述拍摄设备输出的图像中存在小目标船只时，执行所述获取对小目标船只进行跟踪拍摄的连续图像的步骤。
可选地，所述判断所述拍摄设备输出的图像中是否存在小目标船只，包括：判断所述图像中船只在所述图像中的分辨率占比是否小于等于0.1，当所述占比小于等于0.1时，确定所述拍摄设备输出的图像中存在小目标船只。
可选地，所述第一预设尺寸等于所述第二预设尺寸。
根据第二方面，本发明实施例提供了一种小目标船只检测装置，包括：获取模块，用于获取拍摄设备对小目标船只进行跟踪拍摄的连续图像；运算模块，将所述连续图像中相邻两帧图像做差值运算，以对所述相邻两帧图像进行背景消除，得到至少一帧差值图像；其中，所述差值图像为包括所述相邻两帧图像中第一小目标船只和第二小目标船只的图像；检测模块，用于利用所述至少一帧差值图像，对所述小船只进行检测。
根据第三方面，本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或第一方面中任一项可选实施方式所述的小目标船只检测方法。
根据第四方面，本发明实施例提供了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指令，所述计算机指令用于使所述计算机执行第一方面或第一方面中任一项可选实施方式所述的小目标船只方法。
本发明具有如下有益效果：
本发明通过将对小目标船只进行跟踪拍摄的连续图像中相邻两帧图像做差值运算，得到至少一帧差值图像，并利用所述至少一帧差值图像对所述小目标船只进行检测。通过相邻帧图像做差值运算，对所述相邻帧图像进行背景消除，使得检测的准确度提高。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的小目标船只检测方法流程图；
图2是本发明实施例的小目标船只检测方法的完整流程图；
图3是本发明实施例的小目标船只检测方法的另一完整流程图；
图4是本发明实施例的小目标船只检测装置的结构示意图；
图5是本发明的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，本领域技术人员在没有作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。
根据地一方面，本发明实施例提供了一种小目标船只检测方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种小目标船只检测方法，可用于上述的电子设备，图1是本发明实施例的小目标船只检测方法流程图，如图1所示，该流程包括如下步骤：
S11，获取拍摄设备对小目标船只进行跟踪拍摄的连续图像。
在这里，所述拍摄设备可以是设置在沿海的电子围网视频监控设备，还可以是设置在海面上空的无人机拍摄设备等用于对海面船只进行监控拍摄的设备。由于海面积广阔，可以设置多个拍摄设备，获得更大的监控视野。电子设备与所述多个拍摄设备通讯连接，以预设周期对所述多个拍摄设备拍摄到的视频进行抽帧，例如，所述预设周期为2秒抽取一帧，将抽取出来的视频帧画面作为所述连续图像。更进一步地，小目标船只在行进过程中，依次进入所述多个拍摄设备的拍摄视野，电子设备可以按照时间的先后顺序，依次对所述多个拍摄设备进行抽帧，得到对所述小目标船只进行跟踪拍摄的连续图像；或者，当所述拍摄设备为角度可调的拍摄设备，例如无人机拍摄设备，当其拍摄的画面中出现所述小目标船只时，对所述小目标船只进行目标锁定并跟踪拍摄，以供电子设备进行抽帧。
S12，将所述连续图像中相邻两帧图像做差值运算，得到至少一帧差值图像。
其中，所述差值图像为包括所述相邻两帧图像中第一小目标船只和第二小目标船只的图像。
在这里，分别称所述小目标船只在所述相邻两帧图像中为第一小目标船只和第二小目标船只，由于所述小目标船只处于行进过程中，因此，所述第一小目标船只与所述第二小目标船只的姿态有所差异。进一步地，由于不同拍摄设备输出的图像分辨率不同，因此，可先将所述连续图像共同缩放至预设尺寸，再将相邻两帧图像的像素对应做差，消除所述相邻两帧图像中的背景，得到包括所述第一小目标船只以及所述第二小目标船只的差值图像。
S13，利用所述至少一帧差值图像，对所述小目标船只进行检测。
在这里，可将所述至少一帧差值图像输入提前训练好的小目标船只检测模块中，以对所述小目标船只进行检测。具体地，所述小目标船只检测模块可包括特征提取模块以及分类器。其中，所述特征提取模块用于从所述差值图像中提取小目标船只特征，所述分类器用于根据提取到的特征进行分类，得到所述小目标船只的类别。
本发明通过将对小目标船只进行跟踪拍摄的连续图像中相邻两帧图像做差值运算，得到至少一帧差值图像，并利用所述至少一帧差值图像对所述小目标船只进行检测。通过相邻帧图像做差值运算，对所述相邻帧图像进行背景消除，使得检测的准确度提高。
可选地，如图2所示，当所述连续图像包括两帧图像时，本发明实施例的小目标检测方法可包括如下步骤：
S21，实时获取所述拍摄设备输出的图像。
电子设备以预设的周期从所述拍摄设备拍摄的实时视频图像中抽帧，得到所述图像，或者，电子设备实时获取所述拍摄设备输出的视频图像。
S22，判断所述拍摄设备输出的图像中是否存在小目标船只。当所述拍摄设备输出的图像中存在小目标船只时，执行S23，当所述拍摄设备输出的图像中不存在小目标船只时，返回执行S21。
作为本发明实施例的一个可选实施方式，所述S22可包括：
判断所述图像中船只在所述图像中的分辨率占比是否小于等于0.1，当所述占比小于等于0.1时，确定所述拍摄设备输出的图像中存在小目标船只。
在这里，电子设备通过计算获取到的所述图像中，船只局部在整个图像中的分辨率占比是否小于等于0.1，即可确定所述拍摄设备输出的图像中是否存在小目标船只。通常情况下，目标在图像中的分辨率占比为0.1时，即认定该目标为小目标，当然，考虑到检测精度、效率等，还可以设置0.05、0.2等，数值越小检测的精度越高，计算量越大。
S23，获取拍摄设备对小目标船只进行跟踪拍摄的连续图像。
详细请参见图1所示的S11，在此不再赘述。
S24，将所述连续图像中相邻两帧图像做差值运算，得到至少一帧差值图像。
其中，所述差值图像为包括所述相邻两帧图像中第一小目标船只和第二小目标船只的图像。
详细请参见图1所示的S12，在此不再赘述。
S25，对所述差值图像进行特征提取，得到对应于所述第一小目标船只以及所述第二小目标船只的第一特征图像和第二特征图像。
在这里，可通过特征金字塔网络、YOLO网络等特征提取网络，对所述差值图像进行特征提取，得到对应于所述第一小目标船只以及所述第二小目标船只的第一特征图像和第二特征图像。
电子设备将获取到的两帧图像做差值运算去除背景后，得到一帧差值图像，由于所述小目标船只处于进行过程中的姿态角度有所差异，因此，所述两帧图像中包含的所述小目标船只的特征信息也有所差异，将两帧图像中的小目标船只分别记为第一小目标船只和第二小目标船只，即是所述第一小目标船只与所述第二小目标船只的姿态角度有所差异。将所述两帧图像做差值运算去除背景后，得到的所述差值图像中只包括所述第一小目标船只与所述第二小目标船只。将所述差值图像输入预先训练好的特征提取网络中，输出所述第一特征图像以及所述第二特征图像。
S26，将所述第一特征图像和所述第二特征图像缩放至第一预设尺寸，并将缩放后的所述第一特征图像以及所述第二特征图像进行特征融合，得到第一目标特征图像。
在这里，所述第一特征图像与所述第二特征图像中包含的特征信息有所差异，因此，融合后的所述目标特征图像包含更多的特征信息。由于所述两帧图像中呈现的第一小目标船只和第二小目标船只的分辨率尺寸有所差异，因此，为了便于融合，将所述第一特征图像以及所述第二特征图像共同缩放至第一预设尺寸。
S27，利用所述第一目标特征图像，对所述小目标船只进行检测。
可选地，将所述第一目标特征图像输入预先训练好的分类器，得到所述小目标船只的类别。
可选地，如图3所示，当所述连续图像包括至少三帧图像时，本发明实施例的小目标检测方法可包括如下步骤：
S31，实时获取所述拍摄设备输出的图像。
详细请参见图2所示的S21，在此不再赘述。
S32，判断所述拍摄设备输出的图像中是否存在小目标船只。当所述拍摄设备输出的图像中存在小目标船只时，执行S33，当所述拍摄设备输出的图像中不存在小目标船只时，返回执行S31。
详细请参见图2所示的S22，在此不再赘述。
S33，获取拍摄设备对小目标船只进行跟踪拍摄的连续图像。
详细请参见图1所示的S11，在此不再赘述。
S34，将所述连续图像中相邻两帧图像做差值运算，得到至少一帧差值图像。
其中，所述差值图像为包括所述相邻两帧图像中第一小目标船只和第二小目标船只的图像。
具体地，以所述连续图像中包括三帧图像为例，将所述三帧图像中的所述小目标船只分别记为第一小目标船只、第二小目标船只以及第三小目标船只，由于所述小目标船只在所述三帧图像中的姿态角度有所差异，因此，所述三帧图像中包含的所述小目标船只的特征信息也有所差异。将第一帧图像与第二帧图像、第二帧图像与第三帧图像分别做差值运算去除背景，得到第一差值图像和第二差值图像。所述第一差值图像为包括第一帧图像与第二帧图像中的第一目标船只、第二小目标船只的图像，所述第三帧图像为包括第二帧图像与第三帧图像中的第二小目标船只、第三小目标船只的图像。
S35，将所述至少一帧差值图像做与运算，得到与运算图像。
其中，所述与运算图像为包括所有所述图像中的小目标船只的图像；
具体地，将所述第一差值图像与所述第二差值图像中的像素对应于运算，得到所述与运算图像。所述与运算图像为包括所述第一小目标船只、第二小目标船只以及第三小目标船只的图像。
S36，对所述与运算图像进行特征提取，得到对应于每帧所述图像中的小目标船只的多个特征图像。
具体地，利用特征金字塔网络、YOLO网络等特征提取网络，对所述与运算图像进行特征提取，得到对应于所述第一小目标船只、第二小目标船只以及第三小目标船只的第一特征图像、第二特征图像以及第三特征图像。
S37，将所述多个特征图像缩放至第二预设尺寸，并将缩放后的所述多个特征图像进行特征融合，得到第二目标特征图像。
具体地，将所述第一特征图像、第二特征图像以及所述第三特征图像进行特征融合，得到的所述第二目标特征图像包含更多的小目标船只特征信息。为了便于融合，可将所述第一特征图像、第二特征图像以及所述第三特征图像共同缩放至第二预设尺寸。
S38，利用所述第二目标特征图像，对所述小船只进行检测。
可选地，将所述第二目标特征图像输入预先训练好的分类器，得到所述小目标船只的类别。
作为本发明实施例的一个可选实施方式，上述的第一预设尺寸等于所述第二预设尺寸，均为所述分类器所支持的窗口尺寸。
本发明通过将对小目标船只进行跟踪拍摄的连续图像中相邻两帧图像做差值运算，得到至少一帧差值图像，并利用所述至少一帧差值图像对所述小目标船只进行检测。通过相邻帧图像做差值运算，对所述相邻帧图像进行背景消除，使得检测的准确度提高。
根据第二方面，本发明实施例提供了一种小目标船只检测装置，如图4所示，该装置包括：
获取模块41，用于获取拍摄设备对小目标船只进行跟踪拍摄的连续图像；
运算模块42，将所述连续图像中相邻两帧图像做差值运算，得到至少一帧差值图像；其中，所述差值图像为包括所述相邻两帧图像中第一小目标船只和第二小目标船只的图像；
检测模块43，用于利用所述至少一帧差值图像，对所述小船只进行检测。
本发明实施例提供的小目标船只检测装置，通过将对小目标船只进行跟踪拍摄的连续图像中相邻两帧图像做差值运算，得到至少一帧差值图像，并利用所述至少一帧差值图像对所述小目标船只进行检测。通过相邻帧图像做差值运算，对所述相邻帧图像进行背景消除，使得检测的准确度提高。
上述各个模块的实现可参见相应的方法步骤，在此不再赘述。
根据第三方面，本发明实施例提供了一种电子设备，请参阅图5，图5是本发明可选实施例提供的一种电子设备的结构示意图，如图5所示，该电子设备可以包括：至少一个处理器51，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口53，存储器54，至少一个通信总线52。其中，通信总线52用于实现这些组件之间的连接通信。其中，通信接口53可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口53还可以包括标准的有线接口、无线接口。存储器54可以是高速RAM存储器(Random Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器54可选的还可以是至少一个位于远离前述处理器51的存储装置。存储器54中存储应用程序，且处理器51调用存储器54中存储的程序代码，以用于执行上述任一方法步骤。
其中，通信总线52可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线52可以分为地址总线、数据总线、控制总线等。为便于表示，图5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。
其中，存储器54可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；存储器54还可以包括上述种类的存储器的组合。
其中，处理器51可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
其中，处理器51还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic,缩写：GAL)或其任意组合。
可选地，存储器54还用于存储程序指令。处理器51可以调用程序指令，实现如本申请图1-图3所示的小目标检测方法。
根据第四方面，本发明实施例还提供了一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行本申请图1-图3所示的小目标检测方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种小目标船只检测方法，其特征在于，包括：
获取拍摄设备对小目标船只进行跟踪拍摄的连续图像；
将所述连续图像中相邻两帧图像做差值运算，得到至少一帧差值图像；其中，所述差值图像为包括所述相邻两帧图像中第一小目标船只和第二小目标船只的图像；
利用所述至少一帧差值图像，对所述小目标船只进行检测。
2.根据权利要求1所述的方法，其特征在于，所述连续图像包括两帧图像，所述利用所述至少一帧差值图像，对所述小船只进行检测，包括：
对所述差值图像进行特征提取，得到对应于所述第一小目标船只以及所述第二小目标船只的第一特征图像和第二特征图像；
将所述第一特征图像和所述第二图像缩放至第一预设尺寸，并将缩放后的所述第一特征图像以及所述第二特征图像进行特征融合，得到第一目标特征图像；
利用所述第一目标特征图像，对所述小目标船只进行检测。
3.根据权利要求1所述的方法，其特征在于，所述连续图像包括至少三帧图像，所述利用所述至少一帧差值图像，对所述小船只进行检测，包括：
将所述至少一帧差值图像做与运算，得到与运算图像；其中，所述与运算图像为包括所有所述图像中的小目标船只的图像；
对所述与运算图像进行特征提取，得到对应于每帧所述图像中的小目标船只的多个特征图像；
将所述多个特征图像缩放至第二预设尺寸，并将缩放后的所述多个特征图像进行特征融合，得到第二目标特征图像；
利用所述第二目标特征图像，对所述小船只进行检测。
4.根据权利要求2或3所述的方法，其特征在于，将所述第一目标特征图像或所述第二目标特征图像输入预先训练好的分类器，得到所述小目标船只的类别。
5.根据权利要求1-4任一项所述的方法，其特征在于，在所述获取对小目标船只进行跟踪拍摄的连续图像之前，还包括：
实时获取所述拍摄设备输出的图像；
判断所述拍摄设备输出的图像中是否存在小目标船只；
当所述拍摄设备输出的图像中存在小目标船只时，执行所述获取对小目标船只进行跟踪拍摄的连续图像的步骤。
6.根据权利要求5所述的方法，其特征在于，所述判断所述拍摄设备输出的图像中是否存在小目标船只，包括：
判断所述图像中船只在所述图像中的分辨率占比是否小于等于0.1，当所述占比小于等于0.1时，确定所述拍摄设备输出的图像中存在小目标船只。
7.根据权利要求2或3所述的方法，其特征在于，所述第一预设尺寸等于所述第二预设尺寸。
8.一种小目标船只检测装置，其特征在于，包括：
获取模块，用于获取拍摄设备对小目标船只进行跟踪拍摄的连续图像；
运算模块，将所述连续图像中相邻两帧图像做差值运算，得到至少一帧差值图像；其中，所述差值图像为包括所述相邻两帧图像中第一小目标船只和第二小目标船只的图像；
检测模块，用于利用所述至少一帧差值图像，对所述小船只进行检测。
9.一种电子设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-7中任一项所述的小目标船只检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的小目标船只检测方法。
CN202011364893.XA 2020-11-27 2020-11-27 小目标船只检测方法、装置及电子设备 Active CN112329729B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011364893.XA CN112329729B (zh) 2020-11-27 2020-11-27 小目标船只检测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011364893.XA CN112329729B (zh) 2020-11-27 2020-11-27 小目标船只检测方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN112329729A true CN112329729A (zh) 2021-02-05
CN112329729B CN112329729B (zh) 2021-11-23

Family

ID=74309718

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011364893.XA Active CN112329729B (zh) 2020-11-27 2020-11-27 小目标船只检测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN112329729B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113179371A (zh) * 2021-04-21 2021-07-27 新疆爱华盈通信息技术有限公司 一种拍摄方法、装置及抓拍系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559498A (zh) * 2013-09-24 2014-02-05 北京环境特性研究所 基于多特征融合的快速人车目标分类方法
WO2014208963A1 (ko) * 2013-06-25 2014-12-31 중앙대학교 산학협력단 적응적 블록 분할을 이용한 다중 객체 검출 장치 및 방법
CN105657580A (zh) * 2015-12-30 2016-06-08 北京工业大学 一种胶囊内镜视频摘要生成方法
CN106709472A (zh) * 2017-01-17 2017-05-24 湖南优象科技有限公司 一种基于光流特征的视频目标检测与跟踪方法
CN107862291A (zh) * 2017-11-14 2018-03-30 河海大学 一种基于深度学习的人车自动分类方法
CN109285181A (zh) * 2018-09-06 2019-01-29 百度在线网络技术（北京）有限公司 用于识别图像的方法和装置
CN109902565A (zh) * 2019-01-21 2019-06-18 深圳市烨嘉为技术有限公司 多特征融合的人体行为识别方法
CN110516517A (zh) * 2018-05-22 2019-11-29 杭州海康威视数字技术股份有限公司 一种基于多帧图像的目标识别方法、装置及设备
CN110705412A (zh) * 2019-09-24 2020-01-17 北京工商大学 一种基于运动历史图像的视频目标检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014208963A1 (ko) * 2013-06-25 2014-12-31 중앙대학교 산학협력단 적응적 블록 분할을 이용한 다중 객체 검출 장치 및 방법
CN103559498A (zh) * 2013-09-24 2014-02-05 北京环境特性研究所 基于多特征融合的快速人车目标分类方法
CN105657580A (zh) * 2015-12-30 2016-06-08 北京工业大学 一种胶囊内镜视频摘要生成方法
CN106709472A (zh) * 2017-01-17 2017-05-24 湖南优象科技有限公司 一种基于光流特征的视频目标检测与跟踪方法
CN107862291A (zh) * 2017-11-14 2018-03-30 河海大学 一种基于深度学习的人车自动分类方法
CN110516517A (zh) * 2018-05-22 2019-11-29 杭州海康威视数字技术股份有限公司 一种基于多帧图像的目标识别方法、装置及设备
CN109285181A (zh) * 2018-09-06 2019-01-29 百度在线网络技术（北京）有限公司 用于识别图像的方法和装置
CN109902565A (zh) * 2019-01-21 2019-06-18 深圳市烨嘉为技术有限公司 多特征融合的人体行为识别方法
CN110705412A (zh) * 2019-09-24 2020-01-17 北京工商大学 一种基于运动历史图像的视频目标检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIAOFENG LU 等: "Object contour tracking using multi-feature fusion based particle filter", 《ICIEA2012》 *
张永梅 等: "改进的Camshift轮船目标跟踪算法", 《计算机工程与设计》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113179371A (zh) * 2021-04-21 2021-07-27 新疆爱华盈通信息技术有限公司 一种拍摄方法、装置及抓拍系统
CN113179371B (zh) * 2021-04-21 2023-04-07 新疆爱华盈通信息技术有限公司 一种拍摄方法、装置及抓拍系统

Also Published As

Publication number Publication date
CN112329729B (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
CN110176027B (zh) 视频目标跟踪方法、装置、设备及存储介质
CN109376667B (zh) 目标检测方法、装置及电子设备
CN111667520B (zh) 红外图像和可见光图像的配准方法、装置及可读存储介质
CN110070572B (zh) 使用稀疏深度数据生成距离图像的方法和系统
EP3709266A1 (en) Human-tracking methods, apparatuses, systems, and storage media
WO2022000862A1 (zh) 鱼眼图像中的对象检测方法、装置及存储介质
CN111222395A (zh) 目标检测方法、装置与电子设备
CN112132156A (zh) 多深度特征融合的图像显著性目标检测方法及系统
EP3798975B1 (en) Method and apparatus for detecting subject, electronic device, and computer readable storage medium
CN108337505B (zh) 信息获取方法和装置
CN112329702B (zh) 一种快速人脸密度预测和人脸检测方法、装置、电子设备及存储介质
CN111639513A (zh) 一种船只遮挡识别方法、装置及电子设备
CN110991385A (zh) 一种识别船只行驶轨迹的方法、装置及电子设备
US11354923B2 (en) Human body recognition method and apparatus, and storage medium
CN108229281B (zh) 神经网络的生成方法和人脸检测方法、装置及电子设备
CN111881984A (zh) 一种基于深度学习的目标检测方法和装置
CN112329729B (zh) 小目标船只检测方法、装置及电子设备
CN111582012A (zh) 一种检测小目标船只方法及装置
EP4332910A1 (en) Behavior detection method, electronic device, and computer readable storage medium
CN115797164B (zh) 固定视场中的图像拼接方法、装置、系统
CN112101134B (zh) 物体的检测方法及装置、电子设备和存储介质
CN111177449B (zh) 基于图片的多维信息整合方法及相关设备
CN115829890A (zh) 一种图像融合方法、装置、设备、存储介质及产品
CN111612028A (zh) 一种基于深度学习的船只特征优化方法、装置和电子设备
CN113139419B (zh) 一种无人机检测方法及装置

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