CN112698339B - 目标检测方法、装置及系统 - Google Patents

目标检测方法、装置及系统 Download PDF

Info

Publication number
CN112698339B
CN112698339B CN202011619591.2A CN202011619591A CN112698339B CN 112698339 B CN112698339 B CN 112698339B CN 202011619591 A CN202011619591 A CN 202011619591A CN 112698339 B CN112698339 B CN 112698339B
Authority
CN
China
Prior art keywords
intensity distribution
light intensity
distribution image
target
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.)
Active
Application number
CN202011619591.2A
Other languages
English (en)
Other versions
CN112698339A (zh
Inventor
王超
杜笑笑
朱义君
汪涛
任嘉伟
张艳语
穆昱
薛婧姝
亢令川
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.)
Information Engineering University of PLA Strategic Support Force
Original Assignee
Information Engineering University of PLA Strategic Support Force
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 Information Engineering University of PLA Strategic Support Force filed Critical Information Engineering University of PLA Strategic Support Force
Priority to CN202011619591.2A priority Critical patent/CN112698339B/zh
Publication of CN112698339A publication Critical patent/CN112698339A/zh
Application granted granted Critical
Publication of CN112698339B publication Critical patent/CN112698339B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/047—Probabilistic or stochastic 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Electromagnetism (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Remote Sensing (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了目标检测方法、装置及系统，其中，方法包括：获取待检测目标的光强分布图像；光强分布图像是待检测目标在多个可见光光源的照射下，接收端采用多PD接收得到；将光强分布图像输入训练后的神经网络模型，神经网络模型输出对待检测目标的检测结果；检测结果包括：待检测目标的类别和在光强分布图像中的位置。由于本申请中，可见光光源的数量是多个，所以发射的光线可以对空间进行全方位照射，以及通过训练后的神经网络模型进行目标检测，因此，本申请可以提高目标检测的准确性。

Description

目标检测方法、装置及系统
技术领域
本申请涉及图像处理领域，尤其涉及目标检测方法、装置及系统。
背景技术
在实际中，目标检测具有重要作用，多个领域都涉及到目标检测。
目前，目标检测的方式有激光雷达成像检测。其中，以激光器作为照射光源进行的非接触性目标成像技术，旨在通过激光引发的信号来重建目标的结构特征。
由于光线按直线传播的特性，激光成像一般只能探测得到目标物体朝向成像系统这一面的表面形貌。另外，激光成像需要严格对准。因此，在实际中，通过激光雷达成像检测，具有目标检测准确性低的问题。
发明内容
本申请提供了目标检测方法、装置及系统，目的在于解决通过激光雷达成像检测，具有目标检测准确性低的问题。
为了实现上述目的，本申请提供了以下技术方案：
本申请提供了一种目标检测方法，包括：
获取待检测目标的光强分布图像；所述光强分布图像是所述待检测目标在多个可见光光源的照射下，接收端采用多PD接收得到；
将所述光强分布图像输入训练后的神经网络模型，所述神经网络模型输出对所述待检测目标的检测结果；所述检测结果包括：所述待检测目标的类别和在所述光强分布图像中的位置。
可选的，所述训练后的神经网络模型是采用预设训练集对初始神经网络模型进行训练得到；所述预设训练集包括：多幅预设物体的光强分布图像，以及对每幅所述光强分布图像中的物体类别和位置进行标记的标记图像。
可选的，所述训练集中任意一个预设物体的光强分布图像，是该预设物体在所述可见光下连续移动过程中，所述接收端采用多PD接收到的该预设物体多个角度的光强分布图像。
本申请还提供了一种目标检测装置，包括：
获取模块，用于获取待检测目标的光强分布图像；所述光强分布图像是所述待检测目标在多个可见光光源的照射下，接收端采用多PD接收得到；
处理模块，用于将所述光强分布图像输入训练后的神经网络模型，所述神经网络模型输出对所述待检测目标的检测结果；所述检测结果包括：所述待检测目标的类别和在所述光强分布图像中的位置。
可选的，所述训练后的神经网络模型是采用预设训练集对初始神经网络模型进行训练得到；所述预设训练集包括：多幅预设物体的光强分布图像，以及对每幅所述光强分布图像中的物体类别和位置进行标记的标记图像。
可选的，所述训练集中任意一个预设物体的光强分布图像，是该预设物体在所述可见光下连续移动过程中，所述接收端采用多PD接收到的该预设物体多个角度的光强分布图像。
本申请还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序执行上述任一所述的目标检测方法。
本申请还提供了一种设备，所述设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如上述任一所述的目标检测方法。
本申请还提供了一种目标检测系统，包括：可见光发射端、采用多PD接收的接收端，以及处理器；其中，所述处理器与所述接收端连接；所述可见光发射端包括多个可见光光源；
所述可见光发射端，用于发射可见光；
所述接收端，用于通过多PD对光信号进行接收；并依据接收到的光信号生成所述待检测目标的光强分布图像；
所述处理器，用于执行如权利要求1～3任意一项所述的方法。
可选的，所述可见光发射端的半功率角为60°。
本申请所述的目标检测方法、装置及系统，获取待检测目标的光强分布图像；将光强分布图像输入训练后的神经网络模型，得到对待检测目标的检测结果，其中，检测结果包括：待检测目标的类别和在光强分布图像中的位置。
一方面，本申请是基于待检测目标的光强分布图像实现对待检测目标的检测。其中，光强分布图像是待检测目标在多个可见光光源的照射下，接收端采用多PD接收得到。由于可见光光源的数量是多个，所以发射的光线可以对空间进行全方位照射，从而，可以对待检测目标进行全方位照射，从而，避免了现有技术中激光成像只能得到目标物体朝向成像系统这一面的表面形貌的问题，从而，可以提高对待检测目标的检测准确性。
另一方面，本申请采用训练后的神经网络模型从待检测目标的光强分布图中对待检测目标进行检测，由于训练后的神经网络模型的性能较优，因此，本申请通过训练后的神经网络模型得到的检测结果的准确性可以得到提高。
综上所述，本申请可以提高目标检测的准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本申请的一些实施例，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为本申请实施例公开的一种目标检测系统的结构示意图；
图2为本申请实施例公开的发射端和接收端的空间分布示意图；
图3为本申请实施例公开的一种目标检测方法的流程图；
图4(a)为本申请实施例公开的目标的投影与物体的大小，位置和接收端的排布密度间的关系示意图；
图4(b)为本申请实施例公开的不同发射端半功率角(semi-angle)下的光强分布示意图；
图4(c)为本申请实施例公开的发射端在不同半功率角和不同空间位置下的光强分布示意图；
图4(d)为本申请实施例公开的在光强分布相对均匀的条件下，球形物体运动在多灯下的光强分布示意图；
图5为本申请实施例公开的一种目标检测装置的结构示意图；
图6为本申请实施例公开的一种设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
图1为本申请实施例提供的一种目标检测系统，可以包括：可见光发射端、采用多PD接收光信号的接收端以及处理器。其中，处理器与接收端连接，可见光发射端包括多个可见光光源。
其中，需要说明的是，在本申请实施例中，PD指光电探测器(Photodetector)。
在本实施例中，可见光发射端，用于发射可见光。
在本实施例中，可见光发射端即可见光光源，可见光光源是多个。
可选的，在本实施例中，可见光光源可以为LED光源。。
接收端，用于通过多PD对可见光的光信号进行接收；并依据接收到的光信号生成待检测目标的光强分布图像。
处理器，用于从接收端获取待检测目标的光强分布图像，并从待检测目标的光强分布图像中，检测出待检测目标。
在本实施例中，可以在室内天花板上布置LED，在地面平铺一定数量的PD，接收端生成光强分布图像。为了直观展示发射端和接收端，本实施例给出了图2所示的示意图。在图2中，上面是多个LED光源，下面是多个PD，中间是正方体，球形和人。接收端计算每个物体在多个LED灯下的投影，得到接收信号强度图(即光强分布图)。
在本实施例中，通过LED的合理空间布局可以实现对室内的全方位覆盖，从而，避免现有技术中，激光成像一般只能探测到目标物体朝向成像系统这一面的表面形貌，进而导致对于激光成像无法检测遮挡物体的问题。
在本实施例中，从待检测目标的光强分布图像中，检测出待检测目标的过程，是基于深度学习的方式实现。具体的，如图3所示的目标检测方法，执行主体可以为图1中的处理器，可以包括以下步骤：
S301、获取待检测目标的光强分布图像。
在本步骤中，可以从接收端获取待检测目标的光强分布图像。
S302、将待检测目标的光强分布图像输入训练后的神经网络模型，得到待检测目标的检测结果。
在本实施例中，待检测目标的检测结果包括：待检测目标的类别与待检测目标在光强分布图像中的位置信息。
在本实施例中，训练后的神经网络模型是对初始神经网络模型，采用训练集训练得到。其中，训练过程可以包括以下步骤A1～步骤A4：
A1、获取训练集。
在本步骤中，训练集的生成方式可以包括：获取多个预设物体分别对应的光强分布图像，得到光强分布图像集。
本实施例可以采用有监督学习，需要对获取的光强分布图像中的预设物体的投影进行类别和位置标记。将对获取的每幅光强分布图中的物体类别和位置进行标记的标记图像构成的集合，称为标签数据集。在本实施例中，至少将部分光强分布图像集与对应的标签数据集，作为训练集。
可选的，为了使得训练集中的数据更全面，使得采用训练集对初始神经网络模型进行训练得到的训练后的神经网络模型的测试准确性更高，在本实施例中，训练集中的光强分布图像集可以更新为：由预设物体在可见光下连续移动过程中，接收端产生的预设物体多角度下的光强分布图像构成的图像集。相应的训练集中的标签数据集就更新为更新后的训练集对应的标签数据集。
可选的，在本实施例中，除了配置训练集外，还可以配置用于决定神经网络是否可以停止训练的验证集，以及用于测试训练完成的神经网络模型效果的测试集。可选的，在本实施例中，可以按照6:2:2的分配比例，将光强分布图像集与对应的标签数据集，分为训练集、验证集和测试集。
A2、采用训练集对初始神经网络模型进行训练。
在本步骤中，训练的具体实现过程为现有技术，这里不再赘述。
A3、将验证集中的光强分布图像输入当前训练得到的神经网络模型，比较当前训练得到的神经网络模型输出的检测结果与输入的光强分布图像对应的标记检测结果之间的相似程度，是否大于预设阈值，如果是，则执行步骤A4，如果否，则执行步骤A2。
在本步骤中，如果相似程度大于预设阈值，则表明当前训练得到的神经网络模型，可以作为完成训练的神经网络模型。否则，表明当前训练得到的神经网络模型，不可以作为完成训练的神经网络模型，需要对当前训练得到的神经网络模型继续进行训练，即继续执行步骤A1，即采用训练集继续对当前训练得到的神经网络模型进行训练。
A4、将当前训练得到的神经网络模型，作为训练后的神经网络模型。
通过本步骤，得到训练后的神经网络模型。
S303、输出对待检测目标的检测结果。
本步骤的具体实现方式为现有技术，这里不再赘述。
在本实施例中，神经网络模型可以为Faster-RCNN网络。当然，在实际中，神经网络模型还可以为其他网络结构，本实施例不对神经网络模型的具体网络结构作限定。
在本实施例中，Faster-RCNN网络的结构主要分包括4个部分：提取共享特征图的基础网络、RPN、感兴趣区域池化RoI Pooling和预测部分。在Faster-RCNN网络中，输入的光强分布图像先经过13个卷积层，13个激活函数层，4个最大池化层的基础网络提取共享特征图。共享特征图可以被RPN部分和RoI Pooling部分共同使用。具体的，RPN将共享特征图通过1个3×3，2个1×1卷积层和Softmax函数，结合预设的锚框，生成候选框。与Fast-RCNN一样，RoI Pooling层将共享特征图与候选框信息整合后，进一步提取候选框的特征图。预测部分通过全连接层和Softmax函数计算候选框内目标的类别，同时使用边界框回归算法获得检测框的最终预测位置。
在本实施例中，可见光的发光强度分布服从朗伯辐射模型，接收端基于朗伯辐射模型生成光强分布图像。
其中，在可见光朗伯辐射模型中，考虑视距路径(Line of Sight，LoS)和非视距路径(Non Line of Sight，NLoS)。其中，视距路径是光线未经过任何反射和折射，直接被接收端接收。非视距路径是除视距路径之外的光线通过一次或多次反射到达接收端。
接收端的总接收功率可以表示为公式(1)：
Prx＝PtxHLOS(0)+∫PtxHref(0) (1)
式中，Prx表示接收端的总接收功率，Ptx表示发射端的发射功率，HLOS(0)表示视距链路下的信道增益，Href(0)表示非视距链路下的信道增益，∫PtxHref(0)表示非视距链路下的总反射功率。
多光源下的信道增益可以表示为公式(2)：
式中，h(t)表示信道增益，n表示第n个LED，NLED表示LED的总数，k表示第k次反射，hk(t,Φn)表示第k次反射后的信道增益。
其中，每个LED的发射功率相等。非视距路径下，只考虑一次反射，即k＝1。
其中，视距路径下的信道增益如公式(3)所示：
式中，hij表示信道增益，m表示朗伯阶数，dij表示为接收器同发射器的直线距离，φ表示光源的辐射角，ψ表示接收端的接收角，ψc表示光源的半功率角，A表示PD的有效接收面积，T和g分别表示接收端的光滤波器增益和光聚能增益。
在本申请实施例中，发明人在研究中发现，发射端光源的数量、发射端半角功率，以及发射端位置对接收信号强度具有影响，即对光强分布图像具有影响。因此，本申请实施例对发射端光源的数量、发射端半角功率，以及发射端位置对光强分布图像的具体影响进行了研究。结果如下所示：
当发射端采用单灯发射时，设置单灯的发射功率为25W，半功率角为60°。根据移动球形的接收信号强度图(即光强分布图)，可知目标的投影与物体的大小，位置和接收端的排布密度相关。具体示例，如图4(a)所示。在图4(a)中给出了四幅光强分布图像，按照从左到右的顺序，前两幅光强分布图像用于对比目标大小对光强分布图像的影响。第二幅和第三幅用于对于目标位置对光强分布图像的影响。第一幅和第四幅用于对比接收器排布密度对光强分布图像的影响。
在单灯的基础上进一步进行多灯实验，房间大小设置为(5m,5m,3m)，天花板上放置同等距离的四个LED灯，这四个LED灯在在房间中的位置坐标分别表示为LED1、LED2、LED3和LED4。其中，LED1＝[1.5m，1.5m，3m]，LED2＝[1.5m，3.5m，3m]，LED3＝[3.5m，1.5m，3m]，LED4＝[3.5m，3.5m，3m]。
发射端半功率角(semi-angle)对接收信号强度的影响：当半功率角较小时，四周光强分布存在盲区，盲区内物体无法被识别。具体结果示例如图4(b)所示。在图4(b)中，从左到右，依次是半功率角为30°、45°和60°的光强分布图像。当发射端的半功率角较大时，光强分布相对均匀。因此，半功率角的取值选为60°。
发射端位置对接收信号强度的影响：房间大小(5m，5m，3m)，LED1＝[1m，1m，3m]，LED2＝[1m，4m，3m]，LED3＝[4m，1m，3m]，LED4＝[4m，4m，3m]。具体结果如图4(c)所示。在图4(c)中，从左到右，依次是半功率角为30°、45°和60°的光强分布图像。当发射端的半功率角较大时，光强分布相对均匀。因此，选取60°。LED灯在房间中的位置分布为LED1＝[1m，1m，3m]，LED2＝[1m，4m，3m]，LED3＝[4m，1m，3m]，LED4＝[4m，4m，3m]。
在本申请实施例中，随着物体在灯下的位置变化，遍历灯下的每一个位置，得到物体的不同投影图像(光强分布图像)，得到物体的多角度下的光强分布图像，可以作为神经网络的训练集。作为示例，图4(d)直观展示在光强分布相对均匀的条件下，球形物体运动在多灯下的光强分布图像。在图4(d)中，展示了球形物体在两个位置下的光强分布图像。
基于上述研究结果，可选的，在本实施例中，可见光发射端的数量可以为多个，并且，每个可见光发射端的半功率角可以为60°。
本实施例具有以下有益效果：
有益效果一：
在本实施例中，可见光作为一种“绿色照明”技术，因其发光效率高，可靠性高，无电磁干扰，成本低等优点成为室内照明的首选。其发光强度分布服从朗伯辐射模型，即每个LED都有特定的辐射范围。在室内场所中，通过LED的合理空间布局可以实现对室内的全方位覆盖。此外，可见光对人体无辐射伤害，比激光更适用于目标检测。弥补了激光窄带光束和辐射的缺点，既能兼顾照明又能保护隐私。
有益效果二：
在接收端得到清晰的具有物体投影的光强分布图像后，采用深度学习技术手段提取图像的特征，实现室内移动物体的自动检测。
图5为本申请实施例提供的一种目标检测装置，可以包括：获取模块501和处理模块502，其中，
获取模块501，用于获取待检测目标的光强分布图像；所述光强分布图像是所述待检测目标在多个可见光光源的照射下，接收端采用多PD接收得到；
处理模块502，用于将所述光强分布图像输入训练后的神经网络模型，所述神经网络模型输出对所述待检测目标的检测结果；所述检测结果包括：所述待检测目标的类别和在所述光强分布图像中的位置。
可选的，所述训练后的神经网络模型是采用预设训练集对初始神经网络模型进行训练得到；所述预设训练集包括：多幅预设物体的光强分布图像，以及对每幅所述光强分布图像中的物体类别和位置进行标记的标记图像。
可选的，所述训练集中任意一个预设物体的光强分布图像，是该预设物体在所述可见光下连续移动过程中，所述接收端采用多PD接收到的该预设物体多个角度的光强分布图像。
目标检测装置包括处理器和存储器，上述获取模块501和处理模块502等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来提高目标检测的准确性。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述目标检测方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述目标检测方法。
本发明实施例提供了一种设备，如图6所示，设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线；其中，处理器、存储器通过总线完成相互间的通信；处理器用于调用存储器中的程序指令，以执行上述的目标检测方法。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：
获取待检测目标的光强分布图像；所述光强分布图像是所述待检测目标在多个可见光光源的照射下，接收端采用多PD接收得到；
将所述光强分布图像输入训练后的神经网络模型，所述神经网络模型输出对所述待检测目标的检测结果；所述检测结果包括：所述待检测目标的类别和在所述光强分布图像中的位置。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在一个典型的配置中，设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
本申请实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书的各个实施例中记载的特征可以相互替换或者组合，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种目标检测方法，其特征在于，所述方法应用于在室内天花板上布置LED，在地面平铺预设数量的PD的场景，所述方法包括：
获取待检测目标的光强分布图像；所述光强分布图像是所述待检测目标在多个可见光光源的照射下，接收端采用多PD接收得到；
将所述光强分布图像输入训练后的神经网络模型，所述神经网络模型输出对所述待检测目标的检测结果；所述检测结果包括：所述待检测目标的类别和在所述光强分布图像中的位置。
2.根据权利要求1所述的方法，其特征在于，所述训练后的神经网络模型是采用预设训练集对初始神经网络模型进行训练得到；所述预设训练集包括：多幅预设物体的光强分布图像，以及对每幅所述光强分布图像中的物体类别和位置进行标记的标记图像。
3.根据权利要求2所述的方法，其特征在于，所述训练集中任意一个预设物体的光强分布图像，是该预设物体在所述可见光下连续移动过程中，所述接收端采用多PD接收到的该预设物体多个角度的光强分布图像。
4.一种目标检测装置，其特征在于，所述装置应用于在室内天花板上布置LED，在地面平铺预设数量的PD的场景，所述装置包括：
获取模块，用于获取待检测目标的光强分布图像；所述光强分布图像是所述待检测目标在多个可见光光源的照射下，接收端采用多PD接收得到；
处理模块，用于将所述光强分布图像输入训练后的神经网络模型，所述神经网络模型输出对所述待检测目标的检测结果；所述检测结果包括：所述待检测目标的类别和在所述光强分布图像中的位置。
5.根据权利要求4所述的装置，其特征在于，所述训练后的神经网络模型是采用预设训练集对初始神经网络模型进行训练得到；所述预设训练集包括：多幅预设物体的光强分布图像，以及对每幅所述光强分布图像中的物体类别和位置进行标记的标记图像。
6.根据权利要求5所述的装置，其特征在于，所述训练集中任意一个预设物体的光强分布图像，是该预设物体在所述可见光下连续移动过程中，所述接收端采用多PD接收到的该预设物体多个角度的光强分布图像。
7.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序执行权利要求1～3任意一项所述的目标检测方法。
8.一种设备，其特征在于，所述设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如权利要求1～3中任一项所述的目标检测方法。
9.一种目标检测系统，其特征在于，包括：可见光发射端、采用多PD接收的接收端，以及处理器；其中，所述处理器与所述接收端连接；所述可见光发射端包括多个可见光光源；
所述可见光发射端，用于发射可见光；
所述接收端，用于通过多PD对光信号进行接收；并依据接收到的光信号生成所述待检测目标的光强分布图像；
所述处理器，用于执行如权利要求1～3任意一项所述的方法。
10.根据权利要求9所述的系统，其特征在于，所述可见光发射端的半功率角为60°。
CN202011619591.2A 2020-12-31 2020-12-31 目标检测方法、装置及系统 Active CN112698339B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011619591.2A CN112698339B (zh) 2020-12-31 2020-12-31 目标检测方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011619591.2A CN112698339B (zh) 2020-12-31 2020-12-31 目标检测方法、装置及系统

Publications (2)

Publication Number Publication Date
CN112698339A CN112698339A (zh) 2021-04-23
CN112698339B true CN112698339B (zh) 2023-07-18

Family

ID=75512878

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011619591.2A Active CN112698339B (zh) 2020-12-31 2020-12-31 目标检测方法、装置及系统

Country Status (1)

Country Link
CN (1) CN112698339B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107192981A (zh) * 2017-04-28 2017-09-22 天津大学 基于光照阴影和机器学习的可见光定位系统和方法
CN107796400A (zh) * 2017-09-30 2018-03-13 中原智慧城市设计研究院有限公司 基于可见光通信的室内三维定位方法
CN109655790A (zh) * 2018-12-18 2019-04-19 天津大学 基于室内led光源的多目标检测及身份识别系统及方法
CN110286356A (zh) * 2019-06-13 2019-09-27 天津大学 一种基于聚类和扇环模型的室内可见光被动式定位方法
CN110703195A (zh) * 2019-09-08 2020-01-17 天津大学 一种基于空间滤波器的室内可见光被动式定位方法
CN110726968A (zh) * 2019-09-08 2020-01-24 天津大学 一种基于聚类指纹法的可见光传感的被动式室内定位方法
CN111736113A (zh) * 2020-07-03 2020-10-02 苏州大学 三维无线光定位系统及方法

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3866553B2 (ja) * 2001-10-23 2007-01-10 日本航空電子工業株式会社 可動体の方位検出システム及び方位検出装置
CN103823204B (zh) * 2014-03-10 2015-03-11 北京理工大学 一种基于可见光标签的室内定位方法
CN103957060B (zh) * 2014-05-21 2017-04-12 中国人民解放军信息工程大学 一种可见光接收装置及可见光通信方法
WO2016188760A1 (en) * 2015-05-26 2016-12-01 Philips Lighting Holding B.V. Determining the position of a portable device relative to a luminaire
CN105717488B (zh) * 2016-04-28 2018-11-23 百色学院 一种基于可见光通信的优选二光源室内定位方法及系统
CN106610490A (zh) * 2016-12-30 2017-05-03 北京大学 一种基于led和图像传感器的光定位方法、系统和装置
CN106886008B (zh) * 2017-01-20 2020-02-11 百色学院 基于单个图像传感器的室内可见光定位方法及系统
CN107465459B (zh) * 2017-08-29 2020-01-03 北京邮电大学 一种基于颜色空间强度分布的室内可见光定位方法
CN108508407A (zh) * 2018-02-07 2018-09-07 杭州电子科技大学 一种可见光通信的室内定位系统
CN108828517B (zh) * 2018-03-16 2022-03-15 中国地质大学（武汉） 基于光照强度的可见光室内定位装置
CN108710910B (zh) * 2018-05-18 2020-12-04 中国科学院光电研究院 一种基于卷积神经网络的目标识别方法及系统
CN111310775B (zh) * 2018-12-11 2023-08-25 Tcl科技集团股份有限公司 数据训练方法、装置、终端设备及计算机可读存储介质
CN110581732B (zh) * 2019-09-30 2021-02-26 山东建筑大学 基于神经网络的室内可见光通信多目标优化系统及方法
CN111103579A (zh) * 2020-01-15 2020-05-05 长安大学 一种基于手机摄像头的可见光室内定位系统及定位方法
CN111220950A (zh) * 2020-03-13 2020-06-02 江苏师范大学 一种基于led可见光的室内定位方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107192981A (zh) * 2017-04-28 2017-09-22 天津大学 基于光照阴影和机器学习的可见光定位系统和方法
CN107796400A (zh) * 2017-09-30 2018-03-13 中原智慧城市设计研究院有限公司 基于可见光通信的室内三维定位方法
CN109655790A (zh) * 2018-12-18 2019-04-19 天津大学 基于室内led光源的多目标检测及身份识别系统及方法
CN110286356A (zh) * 2019-06-13 2019-09-27 天津大学 一种基于聚类和扇环模型的室内可见光被动式定位方法
CN110703195A (zh) * 2019-09-08 2020-01-17 天津大学 一种基于空间滤波器的室内可见光被动式定位方法
CN110726968A (zh) * 2019-09-08 2020-01-24 天津大学 一种基于聚类指纹法的可见光传感的被动式室内定位方法
CN111736113A (zh) * 2020-07-03 2020-10-02 苏州大学 三维无线光定位系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于LED的可见光室内定位算法研究;王昕昕;《中国优秀硕士学位论文全文数据库 信息科技辑》(第6期);I136-469 *

Also Published As

Publication number Publication date
CN112698339A (zh) 2021-04-23

Similar Documents

Publication Publication Date Title
Zhang et al. Pulsar: Towards ubiquitous visible light localization
JP6688791B2 (ja) 無線測位システム
US20170004363A1 (en) Gaze tracking device and a head mounted device embedding said gaze tracking device
CN108027623A (zh) 自行检测其源的相对物理布置的照明系统
Stoleru et al. Stardust: A flexible architecture for passive localization in wireless sensor networks
Taylor et al. Angular diversity approach to indoor positioning using visible light
KR102702245B1 (ko) 라디오 주파수 감지를 이용한 패시브 포지셔닝
Shahjalal et al. An implementation approach and performance analysis of image sensor based multilateral indoor localization and navigation system
Jung et al. Indoor location awareness based on received signal strength ratio and time division multiplexing using light-emitting diode light
US9226114B2 (en) Method and system of incorporating passive-based proximity data for position determination
Karmy et al. Performance Enhancement of an Indoor Localization System Based on Visible Light Communication Using RSSI/TDOA Hybrid Technique.
CN102783123A (zh) 便携式电子设备
US20200400779A1 (en) Radar based pattern code identification
Plets et al. On the impact of LED power uncertainty on the accuracy of 2D and 3D visible light positioning
Al-Hameed et al. LiDAL: Light detection and localization
Tang et al. Analysis of indoor VLC positioning system with multiple reflections
Huang et al. Three-dimensional nlos vlp based on a luminance distribution model for image sensor
CN112698339B (zh) 目标检测方法、装置及系统
US10475309B1 (en) Operation method of smart warning device for security
Wang et al. Spectral-Loc: Indoor localization using light spectral information
CN109375220A (zh) 安全检查系统及其数据处理方法
Zhao et al. Privacy-preserving indoor localization via active scene illumination
Serpi et al. Radio environment maps for indoor visible light communications aided by machine learning
Pan et al. Visible light indoor positioning based on camera with specular reflection cancellation
Lam et al. Refining light-based positioning for indoor smart spaces

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