CN112818814A - 入侵检测方法及装置、电子设备和计算机可读存储介质 - Google Patents

入侵检测方法及装置、电子设备和计算机可读存储介质 Download PDF

Info

Publication number
CN112818814A
CN112818814A CN202110112750.8A CN202110112750A CN112818814A CN 112818814 A CN112818814 A CN 112818814A CN 202110112750 A CN202110112750 A CN 202110112750A CN 112818814 A CN112818814 A CN 112818814A
Authority
CN
China
Prior art keywords
target image
image area
target
preset
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.)
Pending
Application number
CN202110112750.8A
Other languages
English (en)
Inventor
张先炳
邸硕临
朱铖恺
武伟
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.)
Beijing Sensetime Technology Development Co Ltd
Original Assignee
Beijing Sensetime 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 Beijing Sensetime Technology Development Co Ltd filed Critical Beijing Sensetime Technology Development Co Ltd
Priority to CN202110112750.8A priority Critical patent/CN112818814A/zh
Publication of CN112818814A publication Critical patent/CN112818814A/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
    • G06V20/10—Terrestrial scenes
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • 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
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本公开实施例公开了一种入侵检测方法及装置、电子设备和计算机可读存储介质。该方法包括：获取待检测图像；对待检测图像进行目标检测，得到至少一个第一目标图像区域；对至少一个第一目标图像区域进行过滤，得到至少一个第二目标图像区域，以及至少一个第二目标图像区域中每个第二目标图像区域对应的目标对象的类型；每个第二目标图像区域对应的目标对象为预设目标对象；在待检测图像中预设区域内包括第二目标图像区域时，确认第二目标区域对应的目标对象为入侵对象。通过本公开，能够提高入侵检测的准确性。

Description

入侵检测方法及装置、电子设备和计算机可读存储介质
技术领域
本公开涉及图像处理技术，尤其涉及一种入侵检测方法及装置、电子设备和计算机可读存储介质。
背景技术
交通场景下时常有行人或非机动车有意或无意闯入危险区域，如高速路面、红灯路口等，从而影响道路车辆的正常行驶，对交通安全造成极大的影响。为消除道路行驶安全隐患，提高交通安全指数，早期主要通过工作人员对交通监控视频进行巡逻，在发现行人或非机动车出现在交通危险区域的情况下，及时进行相关预警，并通知交警部门及时响应处理，引导敦促闯入者及时离开危险区域。这种人工巡逻交管视频的方案虽然能够有效发现闯入目标，但检测效率低，比较容易出现遗漏的情况，且轮询实时性也不高，亟需发展更为高效的交通场景目标入侵检测方法。
随着计算机视觉技术的发展，目标检测算法得到了极大的改进，将其用于预筛选视频中出现的行人或非机动车，并对闯入危险区域的目标进行告警，自动化地执行视频巡逻任务，极大地提高了的工作效率。
然而，相关技术中的目标检测方法，由于目标检测结果高度依赖于检测模型的检测精度，所以，当检测模型精度不高时，目标检测结果的准确度会较差，所以用于预筛选视频中出现的行人或非机动车时，经常会造成虚警误报的情况。
发明内容
本公开实施例提供一种入侵检测方法及装置、电子设备和计算机可读存储介质，能够提高入侵检测的准确性。
本公开实施例的技术方案是这样实现的：
本公开实施例提供一种入侵检测方法，包括：获取待检测图像；对所述待检测图像进行目标检测，得到至少一个第一目标图像区域；所述至少一个第一目标图像区域为与所述待检测图像中检测出的至少一个目标对象一一对应的图像区域；对所述至少一个第一目标图像区域进行过滤处理，得到至少一个第二目标图像区域，以及所述至少一个第二目标图像区域中每个第二目标图像区域对应的目标对象的类型；所述每个第二目标图像区域对应的目标对象为预设目标对象；在所述待检测图像中预设区域内包括所述第二目标图像区域时，确认所述第二目标区域对应的目标对象为入侵对象。
本公开实施例提供一种入侵检测装置，包括：获取模块，用于获取待检测图像；分类模块，用于对所述待检测图像进行目标检测，得到至少一个第一目标图像区域；所述至少一个第一目标图像区域为与所述待检测图像中检测出的至少一个目标对象一一对应的图像区域；过滤模块，用于对所述至少一个第一目标图像区域进行过滤，得到至少一个第二目标图像区域，以及所述至少一个第二目标图像区域中每个第二目标图像区域对应的目标对象的类型；所述每个第二目标图像区域对应的目标对象为预设目标对象；确认模块，用于在所述待检测图像中预设区域内包括所述第二目标图像区域时，确认所述第二目标区域对应的目标对象为入侵对象。
本公开实施例提供一种电子设备，包括：存储器，用于存储可执行计算机程序；处理器，用于执行所述存储器中存储的可执行计算机程序时，实现上述的入侵检测方法。
本公开实施例提供一种计算机可读存储介质，存储有计算机程序，用于引起处理器执行时，实现上述的入侵检测方法。
采用上述技术实施方案，由于在检测器检测出目标之后，再对该目标进行过滤处理，所以，可以过滤掉检测器误检测到的对象，而得到预设目标对象，使得最后检测出的目标更加准确，因而，在采用准确的目标检测结果进行预设区域内的入侵对象的确定时，提高了入侵检测的准确性；而且，由于在检测器检测出目标之后，还会对检测器检测出的目标进行过滤，所以还降低了对检测器的检测精度的依赖性，以及，还可以降低对检测器进行训练时使用的硬件设备的计算资源。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1为本公开实施例提供的示例性的在高速路检测场景下被误检测为行人的锥形桶；
图2为本公开实施例提供的入侵检测方方法的一个可选的流程示意图；
图3为本公开实施例提供的示例性的检测器的网络结构示意图；
图4为本公开实施例提供的示例性的提示信息的显示页面的示意图；
图5为本公开实施例提供的入侵检测方法的一个可选的流程示意图；
图6为本公开实施例提供的入侵检测方法的一个可选的流程示意图；
图7为本公开实施例提供的入侵检测方法的一个可选的流程示意图；
图8为本公开实施例提供的入侵检测方法的一个可选的流程示意图；
图9是本公开实施例提供的示例性的采用级联的第一分类器和第二分类器对第一目标图像区域进行分类的流程示意图；
图10为本公开实施例提供的示例性的入侵检测方法的流程示意图；
图11为本公开实施例提供的入侵检测装置的结构示意图；
图12为本公开实施例提供的电子设备的结构示意图。
具体实施方式
为了使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开作进一步地详细描述，所描述的实施例不应视为对本公开的限制，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它实施例，都属于本公开保护的范围。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
基于计算机视觉的入侵检测方法的关键问题是虚警误报。目前，根据实际算法应用的情况可以发现，误报主要是由于目标检测模型的误检测造成，例如，图1所示的是高速场景下被误检测为行人的锥形桶。相关技术方案中，目标检测的准确率高度依赖目标检测模型的精度，但是，一方面，训练一个高精度的目标检测模型需要投入大量人力进行检测框标注，并且会大幅度增加算法运行时的硬件成本，另一方面，在新的应用场景下，原来的高精度检测模型可能变为“低精度模型”，对环境的鲁棒性较差。如何提高入侵检测的准确率，同时降低对检测模型精度的依赖，是交通场景目标入侵检测技术亟待解决的问题。
本公开实施例提供一种入侵检测方法及装置、电子设备和计算机可读存储介质，能够提高入侵检测的准确性。
在一种可能的实现方式中，所述方法可以由图像识别装置，以及终端设备或服务器等电子设备执行。终端设备可以为摄像设备、用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行所述方法。
图2是本公开实施例提供的入侵检测方法的一个可选的流程示意图，将结合图2示出的步骤进行说明。
S101、获取待检测图像。
待检测图像可以是针对特定环境而直接采集到的图像，也可以是针对特定环境进行实时视频采集得到的视频流经过分帧处理，而得到的每一帧图像；例如，在针对某个交通路口的车辆和行人进行检测的情况下，待检测图像可以是以预设频率抓拍的该交通路口的通行情况的图像，也可以是实时采集到的该交通路口的通行情况的视频流经过分帧处理而得到的每一帧的图像；或者，在针对飞机跑道上的障碍物进行检测的情况下，待检测图像可以是以预设频率抓拍的飞机跑道的图像，也可以是实时采集到的该飞机跑道的视频流经过分帧处理而得到的每一帧的图像。
待检测图像中可以包含目标对象，目标对象是指在特定环境下要检测的对象，比如上述的某个交通路口的车辆、行人，以及飞机跑道上的障碍物；待检测图像也可以不包含目标对象，在不包括目标对象的情况下，检测结果即为空，本公开实施针对包含目标对象的待检测图像进行说明。
待检测图像可以是入侵检测装置通过自身的图像采集装置，例如，摄像头，而采集到的图像，也可以是由外部的图像采集装置输入到入侵检测装置中的图像。
S102、对所述待检测图像进行目标检测，得到至少一个第一目标图像区域；至少一个第一目标图像区域为与待检测图像中检测出的至少一个目标对象一一对应的图像区域。
入侵检测装置利用可以针对多个特定类型的目标进行分类的检测器，对获取到的待检测图像进行目标检测，得到检测出的每一个目标对应的目标图像区域，以及每个目标对象对应的类型。这里，每个目标对象对应的目标图像区域可以是该目标对应的检测框的图像区域。
在本公开的一些实施例中，检测器可以是多分类检测器；示例性的，可以是能够检测出待检测图像中的行驶者(例如，行人/驾驶员)、驾驶员和非机动车的组合、机动车，以及非机动车这四种预设目标对象的类型中的至少一个预设目标对象的类型的检测器。
在一些实施例中，图3是本公开实施例提供的示例性的检测器的网络结构图。如图3所示，检测器可以包括：卷积部分11、候选目标获得部分12、池化部分13和分类及边框回归部分14；卷积部分11用于对输入的待检测图像进行特征提取，得到待检测图像的特征；卷积部分11可以包括：两个相互连接的卷积层(convolution)111和112，以及两个相互连接的稠密卷积(dense convolution)层113和114。候选目标获得部分12可以由区域生成网络(Region Proposal Networks，RPN)构成，用于根据卷积部分11提取的特征，得到待检测图像中每个候选目标区域(预测出的每个检测框)的坐标(可以是候选目标区域的左上角点与右下角点的坐标，也可以是候选目标区域的中心点与候选目标区域的宽和高)；池化部分13可以由一个池化层构成，用于根据区域生成网络得到的每个检测框的坐标，从由卷积部分11提取的特征中分割出各个检测框，并对分割出的所有检测框进行池化，得到尺寸相同的检测框。分类及边框回归部分14包括两个全连接层141和142，其中，全连接层141用于对池化后的每个检测框进行分类，得到每个检测框对应的目标的类型，全连接层142用于对池化后的每个检测框进行边框回归处理，得到每个检测框的准确坐标点，并采用非极大值抑制法去掉交并比大于阈值的检测框，将得到的每个检测框(即每个第一目标图像区域)及每个检测框对应的目标的对象类型作为目标检测结果。
S103、对至少一个第一目标图像区域进行过滤处理，得到至少一个第二目标图像区域，以及至少一个第二目标图像区域中每个第二目标图像区域对应的目标对象的类型；其中，每个第二目标图像区域对应的目标对象为预设目标对象。
在本公开的一些实施例中，入侵检测装置可以采用精度高于检测器的分类器，对检测器得到的每个第一目标图像区域进行再次分类，通过对每个第一目标图像区域进行二次分类，来验证每个第一目标图像区域对应的目标对象的类型；从而将检测器误检测出的目标对象对应的背景图像区域(即包含有检测器误检测出的目标对象的第一目标图像区域)过滤掉，得到检测器检测出的正确的目标对象所对应的目标图像区域(即对应的目标对象为预设目标对象的第二目标图像区域)，以及对应的目标对象的类型。例如，在检测器对应的第一检测类型(即预设目标对象的类型)是“非机动车”和“行人”这两种类型，误检测出的目标对象为“被风吹动的塑料袋”的情况下，通过分类器的再次分类，可以过滤掉被检测器误检到的“被风吹动的塑料袋”对应的第一目标图像区域，得到“非机动车”和/或“行人”对应的第一目标图像区域，以及对应的“非机动车”和/或“行人”这一类型。
这里，分类器可以是预先采用标注了需要检测的目标对象(即预设目标对象)的正样本，以及不包含需要检测的目标对象的负样本，通过梯度下降算法训练获得。分类器包括的网络层的数量大于检测器的所包括的网络层数量，例如，分类器可以是残差网络与一个全连接层的组合，残差网络可以是Resnet50等。
在一些实施例中，上述的分类器的检测类型可以包括检测器的第一检测类型，例如，在检测器的第一检测类型是“行人”和“非机动车”的情况下，分类器的检测类型可以是“行人”和“非机动车”，也可以是“行人”和“非机动车”和“锥形桶”等。在另一些实施例中，分类器的检测类型也可以是检测器可能会误检测到的目标对象的类型，例如，在检测器的第一检测类型是“行人”和“非机动车”的情况下，分类器的检测类型可以是“被风吹动的塑料袋”、“锥形桶”、“猫”和“狗”等。
在本公开的一些实施例中，上述的包含有检测器误检测出的目标对象的第一目标图像区域，可以是包含静态非预设目标对象的第一目标图像区域，也可以是包含动态非预设目标对象的第一目标图像区域，还可以是同时包含静态非预设目标对象的第一目标图像区域与动态非预设目标对象的第一目标图像区域。例如，在检测器是对图1所示的某个高速路段上是否有行人或非机动车进行检测的情况下，动态非预设目标对象可以是“被风吹动的塑料袋”(图1中未示出)；静态非预设目标对象可以是图1所示的“锥形桶”。
S104、在待检测图像中预设区域内包括第二目标图像区域时，确认第二目标区域对应的目标对象为入侵对象。
在本公开的一些实施例中，每个第二目标图像区域具有第一位置信息，即预设目标对象的检测框的位置信息；待检测图像中包括：表征入侵检测范围的预设区域，预设区域具有第二位置信息。第一位置信息可以是第二目标图像区域在待检测图像中的坐标点，即坐标点，例如，可以是第二目标图像区域的两个对角的坐标点(左上角点与右下角点，或者，左下角点与右上角点)，还可以是第二目标图像区域的中心点的坐标与第二目标图像区域的宽和高。第二位置信息可以是预设区域在待检测图像中的坐标点，例如，同样可以是预设区域的两个对角的坐标点(左上角点与右下角点，或者左下角点与右上角点)，还可以是预设区域的中心点的坐标与预设区域的宽和高。入侵检测装置可以根据每个第二目标图像区域的第一位置信息是否位于预设区域的第二位置信息内，确定预设区域是否包括一个或多个第二目标图像区域。
在本公开的一些实施例中，所有的第二目标图像区域可以均与同一个预设区域对应。在本公开的另一些实施例中，预设区域也可以与第二目标图像区域对应的目标对象的类型具有对应关系，例如，可以是第一类型的目标对象对应第一预设区域，第二类型的目标对象对应第二预设区域；在此种情况下，入侵检测装置需要根据每个第二目标图像区域对应的位置信息和目标对象的类型，确定预设区域是否包括了至少一个第二目标图像区域。
在本公开的一些实施例中，待检测图像为高速公路图像，预设区域为高速公路图像中的行车道区域；至少一个第二目标图像区域可以为行驶者、非机动车或驾驶员与非机动车的组合所对应的第二目标图像区域。
在本公开的另一些实施例中，待检测图像为交通路口图像，预设区域为交通路口图像中的禁止通行区域；至少一个第二目标图像区域可以为行驶者、机动车、非机动车或驾驶员与非机动车的组合所对应的第二目标图像区域。
在一些实施例中，在确定预设区域包括一个或多个第二目标图像区域的情况下，可以在入侵检测装置的显示屏幕或在与入侵检测装置连接的显示屏幕上显示图文提示信息，也可以通过入侵检测装置的麦克风等声音输出装置发出语音提示信息，还可以发出灯光提示信息，或者，还可以向与入侵检测装置连接的其他移动设备或服务器等设备发送提示信息等。
在本公开的一个实施场景中，在待检测图像为高速公路图像，预设区域为高速公路图像中的行车道区域；至少一个第二目标图像区域为行驶者、非机动车或驾驶员与非机动车的组合所对应的第二目标图像区域，在确定行车道区域包括行驶者、非机动车或驾驶员与非机动车的组合，所对应的第二目标图像区域的情况下，发出闯入告警信息。示例性的，图4是本公开实施例提供的示例性的提示信息的显示页面的示意图。如图4所示，在入侵检测场景是高速公路，且入侵检测装置确定出“人”闯入行车道区域的情况下，可以在显示页面上采用检测框对检测出的“人”进行标注进行画面提示，并在显示页面上显示“行人闯入”这一文字提示信息。
在本公开的另一个实施场景中，在待检测图像为交通路口图像，预设区域为交通路口图像中的禁止通行区域；至少一个第二目标图像区域为行驶者、机动车、非机动车或驾驶员与非机动车的组合所对应的第二目标图像区域，在确定交通标识信息为行人通行标识，且禁止通行区域包括机动车所对应的第二目标图像区域的情况下，发出机动车告警信息；在确定交通标识信息为机动车通行标识，且禁止通行区域包括行驶者、非机动车或驾驶员与非机动车的组合，所对应的第二目标图像区域的情况下，发出行人闯入告警信息。这里，交通标识信息可以是红绿灯信息，禁止通行区域可以是斑马线，采用上述方法可以实现对斑马线处的行人、非机动车，以及机动车闯红灯的情况进行有效监控，进行告警信息的正确提示。
本公开实施例中，由于在检测器检测出目标之后，再对该目标进行过滤处理，所以，可以过滤掉检测器误检测到的对象，而得到预设目标对象，使得最后检测出的目标更加准确，因而，在采用准确的目标检测结果进行预设区域内的入侵对象的确定时，提高了最终入侵检测的准确性；而且，由于在检测器检测出目标之后，还会对检测器检测出的目标进行过滤，所以还降低了对检测器的检测精度的依赖性，以及，还可以降低对检测器进行训练时使用的硬件设备的计算资源。
图5是本公开实施例提供的入侵检测方法的一个可选的流程示意图；S103可以通过S201实现；将结合图5示出的步骤进行说明。
S201、基于至少一个第一目标图像区域与至少一个历史目标图像区域之间的交并比，滤除包含有静态非预设目标对象的第一目标图像区域，得到至少一个第二目标图像区域，以及每个第二目标图像区域对应的目标对象的类型；其中，至少一个历史目标图像区域，是通过待检测图像回溯获得的图像所对应的第一目标图像区域。
在本公开的一些实施例中，入侵检测装置可以计算与历史目标图像区域之间的交并比，根据得到的交并比，确定所要滤除的包含有静态非预设目标对象的第一目标图像区域，从而得到至少一个第二目标图像区域，以及每个第二目标图像区域对应的目标对象的类型，其中，至少一个历史目标图像区域中的每个历史目标图像区域为待检测图像之前的检测图像所对应的第一目标图像区域。
图6是本公开实施例提供的入侵检测方法的一个可选的流程示意图，如图6所示，在上述S201中，包含有静态非预设目标对象的第一目标图像区域，可以通过以下方法确认：
S301、确定出至少一个第一目标图像区域与至少一个历史目标图像区域之间的交并比。
S302、在第一目标图像区域与历史目标图像区域的交并比大于预设的阈值时，确认第一目标图像区域包含静态非预设目标对象。
这里，至少一个第一目标图像区域包括：N个第一目标图像区域；至少一个历史目标图像区域包括：M个历史目标图像区域；N、M均为大于0的整数。在一些实施例中，入侵检测装置可以计算每个第一目标图像区域与每个历史目标图像之间的交并比，从而对于每个第一目标图像区域，可以对应得到M个交并比。
在另一些实施例中，对于N个第一目标图像区域中的每个第一目标图像区域，入侵检测装置可以依次确定每个第一目标图像区域与M个历史目标图像区域之间的交并比，得到与每个第一目标图像区域对应的至少一个交并比，从而得到所述至少一个第一目标图像区域与所述至少一个历史目标图像区域之间的交并比。例如，对于一个第一目标图像区域H，在第一目标图像区域H与第一个历史目标图像区域之间的交并比，大于预设的交并比阈值的情况下，则第一目标图像区域H对应获得一个交并比，在第一目标图像区域H与第x个历史目标图像区域之间的交并比大于预设的交并比阈值，且与前x-1个历史目标图像区域之间的交并比小于预设的交并比阈值的情况下，则该第一目标图像区域H对应获得x个交并比。在此种情况下，S301可以通过S1-S6实现：
S1、确定出第n个第一目标图像区域，与第m个历史目标图像区域之间的第一交并比；n为大于0且小于N的整数，m为大于0且小于M的整数。
S2、在第一交并比小于或等于交并比阈值的情况下，继续确定第n个第一目标图像区域，与第m+1个历史目标图像区域之间的第二交并比，否则执行S603；
S3、在第一交并比大于交并比阈值的情况下，继续确定第n+1个第一目标图像区域，与第m个历史目标图像区域之间的第三交并比；
S4、确定第二交并比是否大于交并比阈值，直至m+1大于M，得到第n个第一目标图像区域，与M个历史目标图像区域之间的M个第二交并比；
S5、确定第三交并比是否大于交并比阈值，直至n+1大于N，得到N个第一目标图像区域，与第m个历史目标图像区域之间的N个第二交并比。
采用该方法，可以在一个第一目标图像区域与所述历史目标图像区域之间的交并比大于交并比阈值的情况下，便确定该第一目标图像区域为包含有静态非预设目标对象的第一目标图像区域，而不继续计算该第一目标图像区域与其他历史目标图像区域之间的交并比，如此，可以提高滤除包含有静态非预设目标对象的第一目标图像区域的速度，同时，减少装置的计算量。
在本申请的一些实施例中，对于一个第一目标图像区域，当该第一目标图像区域与每一个历史图像区域之间的交并比都大于或等于阈值，才确定该第一目标图像区域为包含有静态非预设目标对象的第一目标图像区域，如此，可以更进一步地提高过滤的准确性。本申请的其他一些实施例中，对于一个第一目标图像区域，当该第一目标图像区域与相邻的N个历史图像区域的交并比都大于或等于阈值的情况下，可以判定该第一目标图像区域为包含有静态非预设目标对象的第一目标图像区域。
在本公开的实施例中，预设的交并比阈值可以根据需要任意设定，例如，可以为0.5，还可以为0.6等，本公开实施例对此不作限定。
在本申请的一些实施例中，可以将至少一个第一目标图像区域中，对应的交并比小于预设的交并比阈值的第一目标图像区域，确定为至少一个第二目标图像区域，将至少一个第一目标图像区域中，交并比小于预设的交并比阈值的第一目标图像区域对应的目标对象的类型，确定为每个第二目标图像区域对应的目标对象的类型。这里，根据上述论述可知，每个第一目标图像区域对应有至少一个交并比，因而，对于一个第一目标图像区域，入侵检测装置可以确定该第一目标图像区域所对应的所有交并比是否都小于预设的交并比阈值，在该第一目标图像区域所对应的所有交并比都小于预设的交并比阈值的情况下，则确定该第一目标图像区域为第二目标图像区域。示例性的，将与M个历史目标图像区域中，每个历史目标图像区域之间的交并比均小于交并比阈值的第一目标图像区域，确定为至少一个第二目标图像区域。例如，对于第一目标图像区域H，在第一目标图像区域H对应有3个交并比的情况下，在该3个交并比均小于预设的交并比阈值的情况下，入侵检测装置可以将第一目标图像区域H确定为第二目标图像区域。
入侵检测装置在至少一个第一目标图像区域中，对应的交并比小于预设的交并比阈值的第一目标图像区域，确定为至少一个第二目标图像区域之后，可以将至少一个第一目标图像区域中，对应的交并比小于预设的交并比阈值的第一目标图像区域对应的目标对象的类型，作为第二目标图像区域对应的目标对象的类型。例如，在将至少一个第一目标图像区域中，对应的交并比小于预设的交并比阈值的第一目标图像区域确定为第二目标图像区域之后，且该第一目标图像区域是“行人”这一目标对象所对应的图像区域的情况下，可以将“行人”继续确定为该第二目标图像区域所对应的目标对象的类型。
图7是本公开实施例提供的入侵检测方法的一个可选的流程示意图，在S301之前，还可以包括S401-S402，S301可以通过S403实现：
S401、将每个第一目标图像区域进行存储；其中，每个第一目标图像区域具有一生命周期值；生命周期值用于表征每个第一目标图像区域的可存储时间；且可存储时间在获取到新的待检测图像的情况下依次递减。
S402、将生命周期值大于第一预设值的第一目标图像区域确认为所述至少一个历史目标图像区域。
S403、基于生命周期值的大小排序，依次确定每个第一目标图像区域与每一历史目标图像区域之间的交并比。
在S401中，入侵检测装置在得到第一目标图像区域之后，可以将每个第一目标图像区域进行暂存，并为每个第一目标图像区域设定生命周期值；生命周期值用于表征每个第一目标图像区域的可存储时间，且可存储时间在获取到新的待检测图像的情况下依次递减。生命周期值可以表示预设的时间，例如10ms，即表示可以将每个第一目标图像区域缓存10ms；生命周期值还可以表示用于判断当前的待检测图像之后的待检测图像所对应的第一目标图像区域，是否为包含有静态非预设目标对象的第一目标图像区域的待检测图像的数量；例如，在生命周期值是10的情况下，表示可以判断当前的待检测图像之后的10张待检测图像所对应的第一目标图像区域是否为包含有静态非预设目标对象的第一目标图像区域；在生命周期值是3的情况下，表示可以判断当前的待检测图像之后的3张待检测图像所对应的第一目标图像区域是否为包含有静态非预设目标对象的第一目标图像区域。
这里，由于视频帧一帧一帧连续输入到检测器中，以及以预设频率拍摄的图像之间也具有连续性，而间隔了很多帧的两个视频帧或间隔了很多图像的两个图像之间的关联性不强，并且，获取到一张待检测图像时，入侵检测装置便对该待检测图像进行目标检测及过滤处理，并确认该待检测图像的第二目标区域对应的目标对象是否为入侵对象，并得到入侵检测结果之后，继续获取新的待检测图像，重复上述步骤，因而，在当前输入的视频帧很久之前输入的视频帧，对当前输入的视频帧所对应的包含静态非预设目标对象的第一目标图像区域的滤除没有太大帮助，所以，为得到的每个第一目标图像区域设定生命周期值，并在获取到新的待检测图像，使每个第一目标图像区域的可存储时间在获取到新的待检测图像的情况下减少，以限定每个第一目标图像区域在缓存中存储的时间，可以在对后续的待检测图像进行过滤处理时，根据生命周期值及时去除缓存的一些不必要的目标图像区域，可以降低入侵检测装置或其他存储装置的存储负担。
在S402中，可以将生命周期值大于第一预设值的第一目标图像区域，作为用于与每个第一目标图像区域进行对比的至少一个历史目标图像区域；其中，第一预设值可以为3或5，还可以为10ms等等，可以根据实际情况任意设定，本公开实施例对此不作限定。
在S403中、在得到了用于比较的至少一个历史目标图像之后，可以先根据每个历史目标图像自身的生命周期值，对该至少一个历史目标图像进行排序，对于每一个第一目标图像区域，可以从生命周期值最大的历史目标图像开始，依次确定每一历史目标图像区域与该第一目标图像区域之间的交并比；这里，当一个历史目标图像区域的生命周期值越大，说明该历史目标图像区域与当前需要判定的该第一目标图像区域之间的相关性越高(因为两图像区域的时间间隔更短)，所以，根据从大到小的排序进行交并比的计算，可以提高判定的效率。不过，在其他实施例中，对于每一个第一目标图像区域，也可以从生命周期值最大的历史目标图像开始，依次确定每一历史目标图像区域与该第一目标图像区域之间的交并比。
在本申请的一些实施例中，在S301之后，还可以包括S501-S503：
S501、在获取到新的待检测图像的情况下，将每个历史目标图像区域的生命周期值减少第二预设值，以更新每一历史目标图像区域的生命周期值。
S502、将第一目标图像区域新增为一历史目标图像区域；其中，新增的历史目标图像区域的生命周期值最大。
S503、移除更新后的生命周期值小于或等于第三预设值的历史目标图像区域。
S504、将更新后的生命周期值大于第三预设值的历史目标图像区域，确定为至少一个历史目标图像区域。
在S501中，由于获取到一张待检测图像时，入侵检测装置便对该待检测图像进行目标检测，得到一个第一目标图像区域，并对每个第一目标图像区域进行过滤处理，得到第二目标图像区域，并确认该待检测图像的第二目标区域对应的目标对象是否为入侵对象，在得到入侵检测结果之后，继续获取新的待检测图像，重复上述步骤，所以，入侵检测装置可以在得到新的待检测图像之后，将每个历史目标图像区域的生命周期值减去第二预设值，得到新的生命周期值，实现对历史目标图像区域的生命周期值的更新。在一些实施例中，入侵检测装置可以在得到新的第一目标图像区域之后，将每个历史目标图像区域的生命周期值减去第二预设值，得到新的生命周期值。
在本公开的另一些实施例中，入侵检测装置也可以在预设时间达到的情况下，将每个历史目标图像区域的生命周期值减去第二预设值，例如，每隔10ms将每个历史目标图像区域的生命周期值减去第二预设值，得到新的生命周期值；之后，再检测当前是否接收到第一目标图像区域，在当前接收到第一目标图像区域的情况下，则计算第一目标图像区域与历史目标图像区域之间的交并比；在当前未接收到第一目标图像区域的情况下，则继续检测，直到等待时间满足10ms的情况下，继续将每个历史目标图像区域的生命周期值减去第二预设值。
这里，第二预设值的数值可以根据需要设定，例如，可以为1，也可以为0.5等，本公开实施例对此不作限定。
入侵检测装置每更新一次历史目标图像区域的生命周期值，便会确定每个历史目标图像区域更新后的生命周期值是否小于或等于第三预设值，以及时去除生命周期值小于或等于第三预设值的历史目标图像区域。
这里，由于视频帧一帧一帧连续输入到检测模型中，以及以预设频率拍摄的图像之间也具有连续性，而间隔了很多帧的两个视频帧或间隔了很多图像的两个图像之间的关联性不强，因而，在当前输入的视频帧很久之前输入的视频帧，对当前输入的视频帧所对应的包含静态非预设目标对象的第一目标图像区域的滤除没有太大帮助，所以，在满足一些条件的情况下，便更新每个历史目标图像区域的生命周期值，可以及时去除缓存的一些不必要的目标图像区域，进而可以选出与第一目标图像区域强相关的历史目标图像区域，从而可以降低入侵检测装置或其他存储装置的存储负担，并提高滤除包含静态非预设目标对象的第一目标图像区域的准确性。
这里，第三预设值的数值可以根据需要设定，例如，可以为0，也可以0.1等，本公开实施例对此不作限定。
在S502中，在计算完至少一个第一目标图像区域与至少一个历史目标图像区域之间的交并比之后，可以将该至少一个第一目标图像区域全部新增为历史目标图像区域，而且，每个新增的历史目标图像区域生命周期值是在所有的历史目标图像区域的生命周期值中最大。
在S503中，在更新了历史目标图像的生命周期值之后，入侵检测装置可以从缓存中移除更新后的生命周期值小于或等于第三预设值的历史目标图像区域，以将存储的不必要的历史目标图像区域进行删除。
在S504中，入侵检测装置可以将更新后的生命周期值大于第三预设值的历史目标图像区域，确定为至少一个历史目标图像区域，以用于后续的第一目标图像区域的判定。这里，入侵检测装置将生命周期值大于第三预设值的历史目标图像区域保留，并用于对包含静态非预设目标对象的第一目标图像区域的过滤，可以使用于对包含有静态非预设目标对象的第一目标图像区域进行滤除的历史目标图像区域的数量少而精，从而既可以提高对包含静态非预设目标对象的第一目标图像区域进行过滤的效率，还可以不影响过滤的准确性。
在本公开的另一些实施例中，在S301之前，也可以执行上述的S501-S504，本公开实施例对此不作限定。
在本公开的一些实施例中，上述的S103还可以通过S601实现：
S601、基于每个第一目标图像区域对应的目标对象的类型，滤除包含有动态非预设目标对象的第一目标图像区域，得到至少一个第二目标图像区域，以及每个第二目标图像区域对应的目标对象的类型。
在一些实施例中，入侵检测装置可以利用目标分类器，确定第一目标图像区域对应的目标对象的类型，并滤除包含有动态非预设目标对象的第一目标图像区域，得到至少一个第二目标图像区域，以及每个第二目标图像区域对应的目标对象的类型。
这里，入侵检测装置可以采用精度高于检测器的目标分类器，对检测器得到的每个第一目标图像区域进行再次分类，通过对每个第一目标图像区域进行再次分类，来验证每个第一目标图像区域对应的目标对象的类型；以将检测器误检测出的动态非预设目标对象对应的第一目标图像区域进行筛选并过滤。
在一些实施例中，目标分类器的检测类型可以包括检测器的第一检测类型。例如，在检测器的第一检测类型是“行人”和“非机动车”的情况下，目标分类器的检测类型(即预设目标对象的类型)也可以是“行人”和“非机动车”。
在本公开的另一些实施例中，目标分类器可以是二分类器，用于根据第一目标图像区域包含的目标对象的类型属于预设目标对象的类型还是属于背景，来对第一目标图像区域进行分类，得到分类结果，以根据分类结果滤除包含动态非预设目标对象的第一目标图像区域；其中，S601可以通过S701-S702实现：
S701、利用目标分类器，对每个第一目标图像区域进行分类，得到每个第一目标图像区域的分类结果。
S702、将分类结果满足预设条件的第一目标图像区域，确定为至少一个第二目标图像区域。
入侵检测装置可以采用目标分类器对每个第一目标图像区域进行分类，确定每个第一目标图像区域是否属于预设目标对象的类型或是否属于背景，并将该第一目标图像区域是否属于预设目标对象的类型或是否属于背景，作为该第一目标图像区域的分类结果。例如，在第一目标图像区域对应的目标对象是预设目标对象的情况下，该第一目标图像区域的的分类结果满足预设条件，在第一目标对象区域对应的目标对象是背景的情况下，该第一目标图像区域的分类结果不满足预设条件。
入侵检测装置在得到每个第一目标图像区域的分类结果后，可以将分类结果满足预设条件的第一目标图像区域，确定为至少一个第二目标图像区域，将将分类结果不满足预设条件的第一目标图像区域滤除。
在一些实施例中，目标分类器至少包括：两个级联的第一分类器和第二分类器，所述两个级联的第一分类器和第二分类器的网络层的数量依次增加；图8是本公开实施例提供的入侵检测方法的一个可选的流程示意图；上述的S601可以通过S801-S803实现；将结合图8示出的步骤进行说明。
S801、采用第一分类器对每个第一目标图像区域进行第一级分类，得到第一分类结果。
这里，两个级联的第一分类器和第二分类器包括的网络层的数量依次增加，表征两个级联的第一分类器和第二分类器的分类精度依次增加。第一分类器或第二分类器可以由残差网络和全连接层组成，其中，第二分类器中的第一残差网络的网络层的数量高于第一分类器中的第二残差网络的网络层的数量。
入侵检测装置可以先采用第一残差网络对第一目标图像区域进行特征提取，然后通过第一分类器中的第一全连接层基于提取的特征对第一目标图像区域进行第一级分类，得到表征第一目标图像区域包含的目标对象的类型是否属于预设目标对象类型的第一分类结果。
S802、采用第二级分类器，基于第一分类结果，对满足预设条件的第一目标图像区域进行第二级分类，得到第二分类结果。
在得到一个第一目标图像区域的第一分类结果后，可以基于第一分类结果确定出需要过滤掉的第一目标图像区域，得到包含的目标对象的类型属于预设目标对象类型的第一目标图像区域；再采用第二残差网络对包含的目标对象的类型属于预设目标对象类型的第一目标图像区域，继续进行特征提取，然后通过第二分类器中的第二全连接层基于提取的特征，对第一目标图像区域继续进行第二级分类，得到表征第一目标图像区域包含的目标对象的类型是否属于预设目标对象类型的第二分类结果。
S803、基于第二分类结果，将满足预设条件的第一目标图像区域，确定为至少一个第二目标图像区域，得到至少一个第二目标图像区域，以及每个第二目标图像区域对应的目标对象的类型。
在得到一个第一目标图像区域的第二分类结果后，可以基于第二分类结果继续确定出需要过滤掉的第一目标图像区域，得到包含的目标对象的类型属于预设目标对象类型的第一目标图像区域，从而得到至少一个第二目标图像区域，以及每个第二目标图像区域对应的目标对象的类型。
示例性的，图9是本公开实施例提供采用级联的第一分类器和第二分类器对第一目标图像区域进行分类的流程示意图。如图9所示，对于输入的一个第一目标图像区域I，入侵检测装置先采用第一残差网络Resnet18对该第一目标图像区域I进行特征提取，然后通过一个第一全连接层FC1基于提取的特征对第一目标图像区域I进行第一级分类，得到第一目标图像区域I的第一分类结果，第一分类结果表征第一目标图像区域I包含的目标对象的类型是否属于预设目标对象的类型；在第一全连接层FC1确定出第一目标图像区域I包含的目标对象的类型不属于预设目标对象的类型(即属于背景)的情况下，则将第一目标图像区域I过滤掉；在第一全连接层FC1确定出第一目标图像区域I包含的目标对象的类型属于预设目标对象的类型的情况下，则利用第二残差网络Resnet50继续对第一目标图像区域I进行特征提取，然后通过一个第二全连接层FC2基于提取的特征继续对第一目标图像区域I进行第二级分类，得到第一目标图像区域I的第二分类结果，第二分类结果表征第一目标图像区域I包含的目标对象的类型是否属于预设目标对象的类型；在第二全连接层FC2确定出第一目标图像区域I包含的目标对象的类型属于预设目标对象的类型的情况下，则将第一目标图像区域I输出(如图9所示)；在全连接层FC2确定出第一目标图像区域I包含的目标对象的类型不属于预设目标对象的类型的情况下，则将第一目标图像区域I过滤掉；如此，通过分类精度逐步提高的多个级联的分类器对第一目标图像区域进行层层过滤，最终可以得到其他的不包含有动态非预设目标对象的第一目标图像区域。
这里，采用精度逐渐增加的X个级联的分类器进行过滤，可以实现先采用网络层数量少、精度低的分类器将大部分的包含动态非预设目标对象的第一目标图像区域进行快速过滤，然后用精度高的分类器进行对剩余的第一目标图像区域进行继续过滤，以继续滤除包含动态非预设目标对象的第一目标图像区域，可以在提高过滤精度的同时，不会增加过多的过滤时间。
这里，当目标分类器包括X个级联的分类器，且X大于2的情况下，每个分类器同样由残差网络和一个全连接层组成，且每个分类器的作用与上述的第一分类器或第二分类器的作用相同；并且，不同的是，在按照第一目标图像区域所经过的先后顺序来对X个分类器进行命名的情况下，第i个分类器是对未被第i-1个分类器过滤掉的第一目标图像区域进行第i级分类，以得到该第一目标图像区域的第i分类结果，其中i为大于1小于X的整数。也就是说，当包括X个级联的分类器，且X大于2的情况下，每个分类器的工作原理与上述的第一分类器和第二分类器的工作原理相同。
以下提供一个本公开实施例的入侵检测方法的应用场景，在对某个高速公路进行入侵检测的情况下，如图10所示，对于一张待检测图像，可以先采用四分类检测器(检测对象类型包括：行人/驾驶员、非机动车、驾驶员与非机动车的组合、机动车)对该待检测图像进行目标检测，得到至少一个第一目标图像区域，再采用多分类器C1，…，Cn(n个级联的分类器)滤除包含动态非预设目标对象的第一目标图像区域，然后，采用驻留物过滤器(用于滤除包含静态非预设目标对象的第一目标图像区域的软件模块)滤除包含静态非预设目标对象的第一目标图像区域，最后得到至少一个第二目标图像区域；之后，根据每个第二目标图像区域在待检测图像中的坐标信息，以及待检测图像中的禁止区域(行车道或应急车道)在待检测图像中的坐标信息，确定该第二目标图像区域对应的目标是否进入了禁止区域(例如，行人/驾驶员、非机动车或驾驶员与非机动车的组合是否进入了行车道，或者，机动车是否进入了应急车道)，在行人/驾驶员、非机动车或驾驶员与非机动车的组合中的至少一者进入了行车道，或者，机动车进入了应急车道的情况下，则确定目标闯入了禁止区域，发出闯入告警信息。
本公开实施例提供的入侵检测方法，不仅适用于行人/非机动车入侵检测，还可进行驾驶员和机动车的入侵检测，基本涵盖了交通场景下所有参与对象的类型，可根据应用场景灵活配置监控类型；针对交通场景下的误检测情况，通过对误检测目标的过滤，大大提高入侵告警准确度，同时降低了对检测模型精度的依赖。
本公开实施例提供的入侵检测方法，可以应用在交通事故现场防闯入预警、危险区域行人/非机动车闯入预警、室外警戒线防闯入预警、高速场景导流线或匝道等区域行人/非机动车闯入预警，以及，红绿灯路口行人/非机动车闯红灯行为检测等场景中以提高闯入预警的准确度。
本公开还提供一种图像识别装置，图11是本公开实施例提供的入侵检测装置的结构示意图；如图11所示，入侵检测装置1包括：获取模块21，用于获取待检测图像；检测模块22，用于对所述待检测图像进行目标检测，得到至少一个第一目标图像区域；所述至少一个第一目标图像区域为与所述待检测图像中检测出的至少一个目标对象一一对应的图像区域；过滤模块23，用于对所述至少一个第一目标图像区域进行过滤处理，得到至少一个第二目标图像区域，以及所述至少一个第二目标图像区域中每个第二目标图像区域对应的目标对象的类型；所述每个第二目标图像区域对应的目标对象为预设目标对象；确认模块24，用于在所述待检测图像中预设区域内包括所述第二目标图像区域时，确认所述第二目标区域对应的目标对象为入侵对象。
在本公开的一些实施例中，所述过滤模块23，还用于基于所述每个第一目标图像区域对应的目标对象的类型，滤除包含有动态非预设目标对象的第一目标图像区域，得到所述至少一个第二目标图像区域，以及所述每个第二目标图像区域对应的目标对象的类型。
在本公开的一些实施例中，所述过滤模块23，还用于基于所述至少一个第一目标图像区域与至少一个历史目标图像区域之间的交并比，滤除包含有静态非预设目标对象的第一目标图像区域，得到所述至少一个第二目标图像区域，以及所述每个第二目标图像区域对应的目标对象的类型；其中，所述至少一个历史目标图像区域，是通过所述待检测图像回溯获得的图像所对应的第一目标图像区域。
在本公开的一些实施例中，所述过滤模块23，还用于确定出所述至少一个第一目标图像区域与所述至少一个历史目标图像区域之间的交并比；在所述第一目标图像区域与所述历史目标图像区域的交并比大于预设的阈值时，确认所述第一目标图像区域包含静态非预设目标对象。
在本公开的一些实施例中，所述入侵检测装置还包括：存储模块25，用于在所述确定出所述至少一个第一目标图像区域与至少一个历史目标图像区域之间的交并比之前，将所述每个第一目标图像区域进行存储；其中，每个第一目标图像区域具有一生命周期值；所述生命周期值用于表征所述每个第一目标图像区域的可存储时间，且所述可存储时间在获取到新的待检测图像的情况下依次递减；还用于将所述生命周期值大于第一预设值的第一目标图像区域确认为所述至少一个历史目标图像区域；所述过滤模块23，还用于基于所述生命周期值的大小排序，依次确定每个所述第一目标图像区域与每一所述历史目标图像区域之间的交并比。
在本公开的一些实施例中，所述确认模块24，还用于在所述确定出所述至少一个第一目标图像区域与至少一个历史目标图像区域之间的交并比之后，在获取到新的待检测图像的情况下，将所述每个历史目标图像区域的生命周期值减少第二预设值，以更新每一所述历史目标图像区域的生命周期值；将所述第一目标图像区域新增为一历史目标图像区域；其中，所述新增的历史目标图像区域的生命周期值最大；移除所述更新后的生命周期值小于或等于第三预设值的历史目标图像区域；将所述更新后的生命周期值大于所述第三预设值的历史目标图像区域，确定为所述至少一个历史目标图像区域。
在本公开的一些实施例中，所述过滤模块23，还用于利用目标分类器，确定所述第一目标图像区域对应的目标对象的类型，并滤除包含有动态非预设目标对象的第一目标图像区域，得到所述至少一个第二目标图像区域，以及所述每个第二目标图像区域对应的目标对象的类型。
在本公开的一些实施例中，所述目标分类器包括：至少两个级联的第一分类器和第二分类器，所述至少两个级联的第一分类器和第二分类器的网络层的数量依次增加；所述过滤模块23，还用于采用所述第一分类器对所述每个第一目标图像区域进行第一级分类，得到第一分类结果；采用所述第二分类器，基于所述第一分类结果，对满足预设条件的第一目标图像区域进行第二级分类，得到第二分类结果；基于所述第二分类结果，将满足预设条件的第一目标图像区域，确定为所述至少一个第二目标图像区域，得到所述至少一个第二目标图像区域，以及所述每个第二目标图像区域对应的目标对象的类型。
本公开实施例还提供一种电子设备，图12为本公开实施例提供的电子设备的结构示意图，如图12所示，电子设备2包括：存储器31和处理器32，其中，存储器31和处理器32通过通信总线33连接；存储器31，用于存储可执行计算机程序；处理器32，用于执行存储器31中存储的可执行计算机程序时，实现本公开实施例提供的入侵检测方法。
本公开实施例提供一种计算机可读存储介质，存储有计算机程序，用于引起处理器32执行时，实现本公开实施例提供的入侵检测方法。
在本公开的一些实施例中，存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。
在本公开的一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(HTML，Hyper TextMarkup Language)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。
作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
综上所述，采用本技术实现方案，由于在检测器检测出目标之后，再对该目标进行过滤处理，所以，可以过滤掉检测器误检测到的对象，而得到预设目标对象，使得最后检测出的目标更加准确，因而，在采用准确的目标检测结果进行预设区域内的入侵对象的确定时，提高了入侵检测的准确性；而且，由于在检测器检测出目标之后，还会对检测器检测出的目标进行过滤，所以还降低了对检测器的检测精度的依赖性，从而还可以降低对检测器进行训练的过程中使用的硬件设备的计算资源；不仅适用于行人/非机动车入侵检测，还可进行驾驶员和机动车的入侵检测，基本涵盖了交通场景下所有参与对象的类型，可根据应用场景灵活配置监控类型；针对交通场景下的误检测情况，通过对误检测目标的过滤，大大提高了入侵告警准确度，同时降低了对检测模型精度的依赖。
以上所述，仅为本公开的实施例而已，并非用于限定本公开的保护范围。凡在本公开的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本公开的保护范围之内。

Claims (11)

1.一种入侵检测方法，其特征在于，包括：
获取待检测图像；
对所述待检测图像进行目标检测，得到至少一个第一目标图像区域；所述至少一个第一目标图像区域为与所述待检测图像中检测出的至少一个目标对象一一对应的图像区域；
对所述至少一个第一目标图像区域进行过滤处理，得到至少一个第二目标图像区域，以及所述至少一个第二目标图像区域中每个第二目标图像区域对应的目标对象的类型；所述每个第二目标图像区域对应的目标对象为预设目标对象；
在所述待检测图像中预设区域内包括所述第二目标图像区域时，确认所述第二目标区域对应的目标对象为入侵对象。
2.根据权利要求1所述的入侵检测方法，其特征在于，所述对所述至少一个第一目标图像区域进行过滤处理，得到至少一个第二目标图像区域，以及所述至少一个第二目标图像区域中每个第二目标图像区域对应的目标对象的类型，包括：
基于所述每个第一目标图像区域对应的目标对象的类型，滤除包含有动态非预设目标对象的第一目标图像区域，得到所述至少一个第二目标图像区域，以及所述每个第二目标图像区域对应的目标对象的类型。
3.根据权利要求1所述的入侵检测方法，其特征在于，所述对所述至少一个第一目标图像区域进行过滤处理，得到至少一个第二目标图像区域，以及所述至少一个第二目标图像区域中每个第二目标图像区域对应的目标对象的类型，包括：
基于所述至少一个第一目标图像区域与至少一个历史目标图像区域之间的交并比，滤除包含有静态非预设目标对象的第一目标图像区域，得到所述至少一个第二目标图像区域，以及所述每个第二目标图像区域对应的目标对象的类型；
其中，所述至少一个历史目标图像区域，是通过所述待检测图像回溯获得的图像所对应的第一目标图像区域。
4.根据权利要求3所述的入侵检测方法，其特征在于，所述包含有静态非预设目标对象的第一目标图像区域，通过以下方法确认：
确定出所述至少一个第一目标图像区域与所述至少一个历史目标图像区域之间的交并比；
在所述第一目标图像区域与所述历史目标图像区域的交并比大于预设的阈值时，确认所述第一目标图像区域包含静态非预设目标对象。
5.根据权利要求4所述的入侵检测方法，其特征在于，在所述确定出所述至少一个第一目标图像区域与至少一个历史目标图像区域之间的交并比之前，所述方法还包括：
将所述每个第一目标图像区域进行存储；其中，每个第一目标图像区域具有一生命周期值；所述生命周期值用于表征所述每个第一目标图像区域的可存储时间，且所述可存储时间在获取到新的待检测图像的情况下依次递减；
将所述生命周期值大于第一预设值的第一目标图像区域确认为所述至少一个历史目标图像区域；
所述确定出所述至少一个第一目标图像区域与所述至少一个历史目标图像区域之间的交并比，包括：
基于所述生命周期值的大小排序，依次确定每个所述第一目标图像区域与每一所述历史目标图像区域之间的交并比。
6.根据权利要求5所述的入侵检测方法，其特征在于，在所述确定出所述至少一个第一目标图像区域与至少一个历史目标图像区域之间的交并比之后，所述方法还包括：
在获取到新的待检测图像的情况下，将所述每个历史目标图像区域的生命周期值减少第二预设值，以更新每一所述历史目标图像区域的生命周期值；
将所述第一目标图像区域新增为一历史目标图像区域；其中，所述新增的历史目标图像区域的生命周期值最大；
移除更新后的生命周期值小于或等于第三预设值的历史目标图像区域；
将所述更新后的生命周期值大于所述第三预设值的历史目标图像区域，确定为所述至少一个历史目标图像区域。
7.根据权利要求2所述的入侵检测方法，其特征在于，所述基于所述每个第一目标图像区域对应的目标对象的类型，滤除包含有动态非预设目标对象的第一目标图像区域，得到所述至少一个第二目标图像区域，以及所述每个第二目标图像区域对应的目标对象的类型，包括：
利用目标分类器，确定所述第一目标图像区域对应的目标对象的类型，并滤除包含有动态非预设目标对象的第一目标图像区域，得到所述至少一个第二目标图像区域，以及所述每个第二目标图像区域对应的目标对象的类型。
8.根据权利要求7所述的入侵检测方法，其特征在于，所述目标分类器至少包括：两个级联的第一分类器和第二分类器，所述两个级联的第一分类器和第二分类器的网络层的数量依次增加；所述利用目标分类器，确定所述第一目标图像区域对应的目标对象的类型，并滤除包含有动态非预设目标对象的第一目标图像区域，得到所述至少一个第二目标图像区域，以及所述每个第二目标图像区域对应的目标对象的类型，包括：
采用所述第一分类器对所述每个第一目标图像区域进行第一级分类，得到第一分类结果；
采用所述第二分类器，基于所述第一分类结果，对满足预设条件的第一目标图像区域进行第二级分类，得到第二分类结果；
基于所述第二分类结果，将满足预设条件的第一目标图像区域，确定为所述至少一个第二目标图像区域，得到所述至少一个第二目标图像区域，以及所述每个第二目标图像区域对应的目标对象的类型。
9.一种入侵检测装置，其特征在于，包括：
获取模块，用于获取待检测图像；
分类模块，用于对所述待检测图像进行目标检测，得到至少一个第一目标图像区域；所述至少一个第一目标图像区域为与所述待检测图像中检测出的至少一个目标对象一一对应的图像区域；
过滤模块，用于对所述至少一个第一目标图像区域进行过滤处理，得到至少一个第二目标图像区域，以及所述至少一个第二目标图像区域中每个第二目标图像区域对应的目标对象的类型；所述每个第二目标图像区域对应的目标对象为预设目标对象；
确认模块，用于在所述待检测图像中预设区域内包括所述第二目标图像区域时，确认所述第二目标区域对应的目标对象为入侵对象。
10.一种电子设备，其特征在于，包括：
存储器，用于存储可执行计算机程序；
处理器，用于执行所述存储器中存储的可执行计算机程序时，实现权利要求1至8中任一项所述的方法。
11.一种计算机可读存储介质，其特征在于，存储有计算机程序，用于引起处理器执行时，实现权利要求1至8中任一项所述的方法。
CN202110112750.8A 2021-01-27 2021-01-27 入侵检测方法及装置、电子设备和计算机可读存储介质 Pending CN112818814A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110112750.8A CN112818814A (zh) 2021-01-27 2021-01-27 入侵检测方法及装置、电子设备和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110112750.8A CN112818814A (zh) 2021-01-27 2021-01-27 入侵检测方法及装置、电子设备和计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN112818814A true CN112818814A (zh) 2021-05-18

Family

ID=75859738

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110112750.8A Pending CN112818814A (zh) 2021-01-27 2021-01-27 入侵检测方法及装置、电子设备和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112818814A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114973573A (zh) * 2022-06-14 2022-08-30 浙江大华技术股份有限公司 目标入侵确定方法、装置、存储介质及电子装置
CN117456430A (zh) * 2023-12-26 2024-01-26 广州汇豪计算机科技开发有限公司 一种视频识别方法、电子设备和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111507196A (zh) * 2020-03-21 2020-08-07 杭州电子科技大学 一种基于机器视觉和深度学习的车辆类型识别方法
CN111753612A (zh) * 2019-09-11 2020-10-09 上海高德威智能交通系统有限公司 一种抛洒物检测方法、装置及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111753612A (zh) * 2019-09-11 2020-10-09 上海高德威智能交通系统有限公司 一种抛洒物检测方法、装置及存储介质
CN111507196A (zh) * 2020-03-21 2020-08-07 杭州电子科技大学 一种基于机器视觉和深度学习的车辆类型识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114973573A (zh) * 2022-06-14 2022-08-30 浙江大华技术股份有限公司 目标入侵确定方法、装置、存储介质及电子装置
CN117456430A (zh) * 2023-12-26 2024-01-26 广州汇豪计算机科技开发有限公司 一种视频识别方法、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN107705552B (zh) 一种应急车道占用行为检测方法、装置及系统
CN109345829B (zh) 无人车的监控方法、装置、设备及存储介质
CN112163543A (zh) 一种车辆违法占道的检测方法及系统
CN111800507A (zh) 一种交通监控方法及交通监控系统
CN112818814A (zh) 入侵检测方法及装置、电子设备和计算机可读存储介质
KR102122850B1 (ko) 딥 러닝 기반의 교통분석 및 차량번호 인식 솔루션
CN112668496A (zh) 入侵检测方法、装置、设备及存储介质
KR20150100141A (ko) 행동패턴 분석 장치 및 방법
CN111753612A (zh) 一种抛洒物检测方法、装置及存储介质
CN115019242B (zh) 一种交通场景的异常事件检测方法、装置和处理设备
CN112800846B (zh) 高空抛物的监测方法、装置、电子设备及存储介质
CN111967377A (zh) 工程车辆状态识别方法、装置、设备及存储介质
CN114170569A (zh) 一种路面异常情况监测方法、系统、存储介质及设备
CN114926791A (zh) 一种路口车辆异常变道检测方法、装置、存储介质及电子设备
CN116403162B (zh) 一种机场场面目标行为识别方法、系统及电子设备
KR20190127303A (ko) 주행영상 기반의 알림정보 제공장치 및 방법
CN110766949B (zh) 违章抓拍方法及装置
CN116563801A (zh) 交通事故检测方法、装置、电子设备和介质
CN116246185A (zh) 一种安全带佩戴检测方法、装置、存储介质及设备
CN113470012B (zh) 标线识别方法、装置、存储介质及电子装置
CN114973326A (zh) 跌倒预警方法、装置、设备及可读存储介质
CN114373081A (zh) 图像处理方法及装置、电子设备及存储介质
CN114882709A (zh) 车辆拥堵检测方法、装置及计算机存储介质
CN113989749A (zh) 车站客流监控方法、电子设备及存储介质
Zaman et al. Deep Learning Approaches for Vehicle and Pedestrian Detection in Adverse Weather

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210518

RJ01 Rejection of invention patent application after publication