CN113313189A - 一种遮挡检测方法、装置及电子设备 - Google Patents
一种遮挡检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113313189A CN113313189A CN202110655910.3A CN202110655910A CN113313189A CN 113313189 A CN113313189 A CN 113313189A CN 202110655910 A CN202110655910 A CN 202110655910A CN 113313189 A CN113313189 A CN 113313189A
- Authority
- CN
- China
- Prior art keywords
- model
- image
- shielding
- information
- region
- 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 55
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000004590 computer program Methods 0.000 claims description 11
- 238000003709 image segmentation Methods 0.000 claims description 8
- 238000002347 injection Methods 0.000 claims description 5
- 239000007924 injection Substances 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- 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
- G06F18/21—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
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
Abstract
本发明实施例提供了一种遮挡检测方法、装置及电子设备。其中，所述方法包括：获取目标对象的待检测图像；将所述待检测图像输入至遮挡判断模型，得到所述遮挡判断模型基于所述待检测图像中关注区域的被遮挡情况输出的遮挡检测结果，其中，所述遮挡检测结果用于表示所述待检测图像中关注区域的被遮挡情况，所述遮挡判断模型为预先利用标注有关注区域遮挡信息的样本图像训练得到的，所述关注区域遮挡信息用于表示样本图像中关注区域的真实被遮挡情况。可以准确判断目标对象是否被遮挡。
Description
技术领域
本发明涉及图像处理技术领域，特别是涉及一种遮挡检测方法、装置及电子设备。
背景技术
通过对包含有对象的图像进行分析，可以获取该对象的相关信息，例如对包含有一车辆的图像进行分析，能够获取该车辆的车牌号。但是分析得到的信息并不一定完全准确，如果利用不准确的信息继续进行后续的业务，则将影响后续业务的准确性。
因此，需要对分析得到的信息的准确性加以区分。由于理论上图像中包含的关于对象的信息越多，则分析得到的信息越准确。因此如果图像中的对象被遮挡，则由于对象并未完整的出现在图像中，图像中包含的关于该对象的信息较少，因此此时认为从该图像中分析得到的信息准确性较低。即可以认为当图像中的对象被遮挡时，从图像中分析得到的信息准确性较低。
因此如何准确判断图像中的对象是否被遮挡成为亟待解决的技术问题。
发明内容
本发明实施例的目的在于提供一种遮挡检测方法、装置及电子设备，以实现准确地检测对象是否被遮挡。具体技术方案如下：
在本发明实施例的第一方面，提供了一种遮挡检测方法，所述方法包括：
获取目标对象的待检测图像；
将所述待检测图像输入至遮挡判断模型，得到所述遮挡判断模型基于所述待检测图像中关注区域的被遮挡情况输出的遮挡检测结果，其中，所述遮挡检测结果用于表示所述待检测图像中关注区域的被遮挡情况，所述遮挡判断模型为预先利用标注有关注区域遮挡信息的样本图像训练得到的，所述关注区域遮挡信息用于表示样本图像中关注区域的真实被遮挡情况。
在一种可能的实施例中，所述遮挡判断模型通过以下方式训练得到：
将标注有关注区域遮挡信息的样本图像输入至预设初始模型，得到所述预设初始模型输出的预测遮挡信息，其中所述预测遮挡信息用于表示所述样本图像中关注区域的预测被遮挡情况；
根据第一差异调整所述预设初始模型的模型参数，得到遮挡判断模型，其中，所述第一差异为预测遮挡信息与所述关注区域遮挡信息之间的差异。
在一种可能的实施例中，所述预设初始模型包括主干子模型、分类子模型；
将标注有关注区域遮挡信息的样本图像输入至预设初始模型，得到所述预设初始模型输出的预测遮挡信息，包括：
将标注有关注区域遮挡信息以及关注区域位置信息的样本图像输入至所述主干子模型，得到所述主干子模型输出的图像特征，其中，所述关注区域位置信息用于表示所述样本图像中关注区域所处的真实位置；
将所述图像特征输入至所述分类子模型，得到所述分类子模型输出的预测遮挡信息；
所述方法还包括：
将所述图像特征输入至回归模型，得到所述回归模型输出的预测位置信息，所述预测位置信息用于表示所述样本图像中所述关注区域所处的预测位置；
所述根据第一差异调整所述预设初始模型的模型参数，得到遮挡判断模型，包括：
根据第一差异调整所述分类子模型的模型参数，并根据所述第一差异和第二差异调整所述主干子模型的模型参数，得到遮挡判断模型，其中，所述第二差异为所述预测位置信息与所述关注区域位置信息之间的差异。
在一种可能的实施例中，所述获取目标对象的待检测图像，包括：
对包含有目标对象在内的原始图像进行图像分割，得到所述目标对象的待检测图像。
在一种可能的实施例中，当所述目标对象为车辆时，所述关注区域为车牌区域；当所述目标对象为人员时，所述关注区域为眼睛区域。
在本发明实施例的第二方面，提供了一种遮挡检测装置，所述装置包括：
图像获取模块，用于获取目标对象的待检测图像；
遮挡判断模块，用于将所述待检测图像输入至遮挡判断模型，得到所述遮挡判断模型基于所述待检测图像中关注区域的被遮挡情况输出的遮挡检测结果，其中，所述遮挡检测结果用于表示所述待检测图像中关注区域的被遮挡情况，所述遮挡判断模型为预先利用标注有关注区域遮挡信息的样本图像训练得到的，所述关注区域遮挡信息用于表示样本图像中关注区域的真实被遮挡情况。
在一种可能的实施例中，所述装置还包括模型训练模块，用于预先通过以下方式训练得到遮挡判断模型：
将标注有关注区域遮挡信息的样本图像输入至预设初始模型，得到所述预设初始模型输出的预测遮挡信息，其中所述预测遮挡信息用于表示所述样本图像中关注区域的预测被遮挡情况；
根据第一差异调整所述预设初始模型的模型参数，得到遮挡判断模型，其中，所述第一差异为预测遮挡信息与所述关注区域遮挡信息之间的差异。
在一种可能的实施例中，所述预设初始模型包括主干子模型、分类子模型；
所述模型训练模块将标注有关注区域遮挡信息的样本图像输入至预设初始模型，得到所述预设初始模型输出的预测遮挡信息，包括：
将标注有关注区域遮挡信息以及关注区域位置信息的样本图像输入至所述主干子模型，得到所述主干子模型输出的图像特征，其中，所述关注区域位置信息用于表示所述样本图像中关注区域所处的真实位置；
将所述图像特征输入至所述分类子模型，得到所述分类子模型输出的预测遮挡信息；
所述模型训练模块，还用于将所述图像特征输入至回归模型，得到所述回归模型输出的预测位置信息，所述预测位置信息用于表示所述样本图像中所述关注区域所处的预测位置；
所述模型训练模块根据第一差异调整所述预设初始模型的模型参数，得到遮挡判断模型，包括：
根据第一差异调整所述分类子模型的模型参数，并根据所述第一差异和第二差异调整所述主干子模型的模型参数，得到遮挡判断模型，其中，所述第二差异为所述预测位置信息与所述关注区域位置信息之间的差异。
在一种可能的实施例中，所述图像获取模块获取目标对象的待检测图像，包括：
对包含有目标对象在内的原始图像进行图像分割，得到所述目标对象的待检测图像。
在一种可能的实施例中，当所述目标对象为车辆时，所述关注区域为车牌区域；当所述目标对象为人员时，所述关注区域为眼睛区域。
在本发明实施例的第三方面，提供了一种电子设备，包括：
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述第一方面任一所述的方法步骤。
在本发明实施例的第四方面，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内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一所述的方法步骤。
本发明实施例有益效果：
本发明实施例提供的遮挡检测方法、装置及电子设备，一方面由于待检测图像为基于样本图像训练得到的，因此遮挡判断模型可以从大量的样本图像学习到不同场景下图像与遮挡检测结果之间的映射关系，从而在不同场景下准确判断出待检测图像中目标对象的被遮挡情况。另一方面，由于样本图像标注的是关注区域遮挡信息，因此能够使得训练得到遮挡判断模型的过程中能够使得遮挡判断模型聚焦于关注区域是否被遮挡，从而更有效地对遮挡判断模型进行监督，使得训练得到的遮挡判断模型更加准确，同时，由于关注区域为用户实际关注的区域，因此关注区域被遮挡情况能够代表目标对象被遮挡情况，因此不会因为遮挡判断模型聚焦于关注区域而导致无法准确判断目标对象被遮挡情况。综上所述，选用该实施例可以准确地检测对象是否被遮挡。。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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实施例。
图1为本发明实施例提供的遮挡检测方法的一种流程示意图；
图2为本发明实施例提供的遮挡判断模型训练方法的一种流程示意图；
图3为本发明实施例提供的遮挡判断模型训练方法的另一种流程示意图；
图4为本发明实施例提供的用于实现遮挡检测的模型框架的一种架构示意图；
图5为本发明实施例提供的遮挡检测装置的一种结构示意图；
图6为本发明实施例提供的电子设备的一种结构示意图。
具体实施方式
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，所描述的实施例仅仅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，本领域普通技术人员基于本申请所获得的所有其他实施例，都属于本发明保护的范围。
为了更清楚的对本发明实施例提供的遮挡检测方法进行说明，下面将对本发明实施例提供的遮挡检测方法的一种可能的应用场景进行示例性说明，可以理解的是，以下示例仅是本发明实施例提供的遮挡检测方法的一种可能的应用场景，在其他可能的实施例中本发明实施例提供的遮挡检测方法也可以应用于其他可能的应用场景中，以下示例对此不做任何限制。
为了获取道路上的车辆的信息，例如可以利用摄像机拍摄道路上的车辆，并通过识别拍摄到的图像中的车牌号以确定道路上车辆的车牌号，从而对道路上的车辆进行管理。
但是车辆可能被各种物体遮挡，如被其他车辆遮挡、被路边的电线杆遮挡等，此时可以认为获取到的车辆的信息准确性较低，可以剔除该信息或为该信息设置较低的置信度。
为判断车辆是否被遮挡，可以检测得到图像中包括车辆在内的各个物体所处的位置，根据车辆所处的位置以及各个其他物体所处的位置以及预设的判断逻辑判断车辆是否被其他物体遮挡。例如，可以认为当车辆所处的位置与其他物体所处的位置的重合程度达到预设重合程度阈值时，车辆被其他物体遮挡。
但是该方案能否准确判断出车辆是否被遮挡，依赖于预设的判断逻辑是否合理。而判断逻辑的设置往往依赖于相关人员的经验，可以理解的是，相关人员的经验是有限的，难以针对各种不同的应用场景设置合理的判断逻辑。因此该方案只能够适用于有限的场景，在这些场景以外的其他场景中该方案无法准确判断出车辆是否被遮挡。示例性的，在一些场景中，车辆所处的位置与其他物体所处的位置重合程度较低时，已经无法从拍摄到的图像中准确识别车牌号，而在另一些场景中，车辆所处的位置即使与其他物体所处的位置重合程度较高，仍然能够从拍摄得到的图像中准确识别车牌号。
基于此，本发明实施例提供了一种遮挡检测方法，该方法可以应用于任一具备遮挡检测功能的电子设备上，方法可以如图1所示，包括：
S101，获取目标对象的待检测图像。
S102，将待检测图像输入至遮挡判断模型，得到遮挡判断模型基于待检测图像中关注区域的被遮挡情况输出的遮挡检测结果，其中，遮挡检测结果用于表示待检测图像中关注区域的被遮挡情况，遮挡判断模型为预先利用标注有关注区域遮挡信息的样本图像训练得到的。
选用该实施例，一方面由于待检测图像为基于样本图像训练得到的，因此遮挡判断模型可以从大量的样本图像学习到不同场景下图像与遮挡检测结果之间的映射关系，从而在不同场景下准确判断出待检测图像中目标对象的被遮挡情况。另一方面，由于样本图像标注的是关注区域遮挡信息，因此能够使得训练得到遮挡判断模型的过程中能够使得遮挡判断模型聚焦于关注区域是否被遮挡，从而更有效地对遮挡判断模型进行监督，使得训练得到的遮挡判断模型更加准确，同时，由于关注区域为用户实际关注的区域，因此关注区域被遮挡情况能够代表目标对象被遮挡情况，因此不会因为遮挡判断模型聚焦于关注区域而导致无法准确判断目标对象被遮挡情况。综上所述，选用该实施例可以准确地检测对象是否被遮挡。
其中，在S101中，待检测图像为包含目标对象在内的图像。示例性的，在一种可能的实施例中，可以是对拍摄到的原始图像进行目标检测，以在原始图像中确定出包裹目标对象的最小矩形框，截取该最小矩形框内的图像作为目标对象的待检测图像。
在另一种可能的实施例中，也可以是对包含有目标对象的原始图像进行图像分割，得到目标对象的待检测图像。示例性的，可以是将原始图像输入预先训练的用于图像分割的分割模型，得到分割模型输出的目标对象的多边形轮廓，截取该多边形轮廓内的图像作为目标对象的待检测图像。
可以理解的是，通过图像分割得到的待检测图像中不包含或仅包含较少的目标对象以外的其他物体，而其他物体的信息在判断目标对象是否被遮挡时可以认为是无用的噪声，因此选用该实施例可以降低待检测图像中的噪声，从而提高后续遮挡判断模型输出的遮挡检测结果的准确性。
在S102中，关注区域遮挡信息用于表示样本图像中关注区域的真实被遮挡情况。其中，关注区域根据应用场景的不同可以是指不同的区域，并且样本图像中的关注区域应当为样本图像中的样本图像所处区域的子区域，待检测图像中的关注区域应当为待检测图像中目标对象所处区域的子区域。示例性的，当目标对象为车辆，且相关人员关注车辆的车牌号时，关注区域可以是车牌号区域，当目标对象为车辆，且相关人员关注车辆驾驶员是否系安全带时，则关注区域可以是驾驶室区域。当目标对象为人员，且相关人员关注人员的身份时，关注区域可以是人眼区域或整个人脸区域，当目标对象为人员，且相关人员关注人员的衣服颜色时，关注区域可以是身体区域。
遮挡检测结果用于表示待检测图像中关注区域的被遮挡情况，遮挡检测结果根据应用场景的不同可以以不同的形式表示。示例性的，在一种可能的实施例中，遮挡检测结果可以为“未遮挡”、“遮挡”、“疑似遮挡”中的一种结果，其中，“未遮挡”表示目标对象未被遮挡，“遮挡”表示目标对象被遮挡，“疑似遮挡”表示目标对象被遮挡与未被遮挡的可能性相当。
可以理解的是，关注区域为图像中对象所处区域的子区域，即关注区域在图像中所占的像素点应当少于对象在图像中所占的像素点，因此通过标注关注区域遮挡信息可以使得在训练遮挡判断模型时遮挡判断模型能够聚焦于关注区域，而无需或仅需较少的考虑关注区域以外的其他区域，因此能够更加有效对遮挡判断模型进行监督。
同时，关注区域为相关人员关注的区域，如果关注区域被遮挡则可以认为相关人员难以准确从该图像中获取关于对象的感兴趣信息，而如果关注区域未被遮挡，即使对象的其他区域被遮挡，相关人员也能够准确从该图像中获取关于对象的感兴趣信息。因此关注区域的被遮挡情况能够代表对象的被遮挡情况，即遮挡判断模型输出的遮挡检测结果能够反映待检测图像中目标对象的被遮挡情况。
为了更清楚的对本发明实施例提供的遮挡检测方法进行说明，下面将对遮挡判断模型的训练进行说明，可以参见图2，图2所示为本发明实施例提供的遮挡判断模型的训练方法的一种流程示意图，可以包括：
S201，将标注有关注区域遮挡信息的样本图像输入至预设初始模型，得到预设初始模型输出的预测遮挡信息。
S202，根据第一差异调整预设初始模型的模型参数，得到遮挡判断模型。
其中，在S201中，预测遮挡信息用于表示样本图像中关注区域的预测被遮挡情况，即预测遮挡信息为预设初始模型预测得到用于表示样本图像中关注区域的被遮挡情况的信息。预设初始模型初始时的模型参数可以是经过训练得到的，也可以是人工配置的，本实施例对此不做任何限制。
在S202中，第一差异为预测遮挡信息与关注区域遮挡信息之间的差异，示例性的，第一差异可以是基于预测遮挡信息与关注区域遮挡信息构建得到的损失函数，在根据第一差异调整预设初始模型的模型参数时，可以是按照梯度下降法将预设初始模型的模型参数向着使损失函数下降的方向调整。
在另一种可能的实施例，也可以是采用其他方法训练得到遮挡判断模型的，示例性的，可以参见图3，图3所示为本发明实施例提供的遮挡判断模型训练方法的另一种流程示意图，该该实施例中预设初始模型中包括主干子模型以及分类子模型，方法可以包括：
S301，将标注有关注区域遮挡信息以及关注区域位置信息的样本图像输入至主干子模型，得到主干子模型输出的图像特征。
S302，将图像特征输入至分类子模型，得到分类子模型输出的预测遮挡信息。
S303，将图像特征输入至回归模型，得到回归模型输出的预测位置信息。
S304，根据第一差异调整分类子模型的模型参数，并根据第一差异和第二差异调整主干子模型的模型参数，得到遮挡判断模型。
其中，在S301中，关注区域位置信息用于表示样本图像中关注区域所处的真实位置。示例性的，假设关注区域为车牌区域，则关注区域位置信息用于表示样本图像中车牌区域的位置，该位置可以是以包括车牌区域在内的最小矩形的顶点坐标的形式表示的，也可以是以其他形式表示的。
在S302中，关于预测遮挡信息可以参见前述S201中的相关描述，在此不再赘述。分类子模型用于实现图像特征到预测遮挡信息之间的映射。
在S303中，回归模型用于实现图像特征到预测位置信息之间的映射，预测位置信息用于表示样本图像中关注区域所处的预测位置，即预测位置信息为回归模型预测得到的用于表示样本图像中关注区域所处位置的信息。
在S304中，第二差异为预测位置信息与关注区域位置信息之间的差异，示例性的，第二差异可以是基于预测位置信息与关注区域位置信息构建得到的损失函数。
可以理解的是，由于预测位置信息为回归模型基于主干子模型提取到的图像特征预测得到的，在回归模型不变的情况下，理论上主干子模型提取到的图像特征越准确，则预测位置信息与关注区域位置信息之间的差异越小，反之，如果主干子模型提取到的图像特征越不准确，则预测位置信息与关注区域位置信息越接大，因此第二差异可以作为调整主干子模型的模型参数的依据。
选用该实施例，通过回归模型与分类子模型复用主干子模型，使得可以借助回归模型输出的预测位置信息监督主干子模型的训练，提高主干子模型提取得到的图像特征的准确性，从而提高训练得到遮挡判断模型的准确性。
为了更清楚的对本发明实施例提供的遮挡检测方法进行说明，下面将对结合实际应用场景对本发明实施例提供的遮挡检测方法进行示例性的说明，假设目标对象为车辆，关注区域为车牌区域，则可以参见图4，图4所示为本发明实施例提供的用于实现遮挡检测的模型框架的一种架构示意图，可以包括：
车辆定位模型410、掩码模型420、主干子模型431、分类子模型432以及回归模型440。
其中，车辆定位模型410的输入为原始图像，输出为车辆坐标，车辆坐标可以是原始图像中车辆的多边形罗阔的各个顶点的坐标。车辆定位模型410可以是任意具备在图像中定位车辆位置的能力的模型，示例性的，车辆定位模型可以是分割模型，也可以是检测模型。
掩码模型420的输入为车辆坐标以及原始图像，输出为基于车辆坐标从原始图像中分割出的车辆分割图像。在遮挡检测的阶段，车辆分割图像即为待检测图像，在训练阶段，车辆分割图像即为样本图像。
主干子模型431的输入为车辆分割图像，输出为车辆分割图像的图像特征。
分类子模型432的输入为图像特征，输出为分类结果，其中，在遮挡检测阶段，分类结果记为遮挡检测结果，在训练阶段，分类结果为预测遮挡信息。
回归模型440的输入为图像特征，输出为回归车牌坐标。其中，在遮挡检测阶段，可以只获取分类子模型432输出的分类结果而不获取回归模型440输出的回归车牌坐标。在训练阶段，回归车牌坐标即预测位置信息。
参见图5，图5所示为本发明实施例提供的遮挡检测装置的一种结构示意图，可以包括：
图像获取模块501，用于获取目标对象的待检测图像；
遮挡判断模块502，用于将所述待检测图像输入至遮挡判断模型，得到所述遮挡判断模型基于所述待检测图像中关注区域的被遮挡情况输出的遮挡检测结果，其中，所述遮挡检测结果用于表示所述待检测图像中关注区域的被遮挡情况，所述遮挡判断模型为预先利用标注有关注区域遮挡信息的样本图像训练得到的，所述关注区域遮挡信息用于表示样本图像中关注区域的真实被遮挡情况。
在一种可能的实施例中，所述装置还包括模型训练模块，用于预先通过以下方式训练得到遮挡判断模型：
将标注有关注区域遮挡信息的样本图像输入至预设初始模型，得到所述预设初始模型输出的预测遮挡信息，其中所述预测遮挡信息用于表示所述样本图像中关注区域的预测被遮挡情况；
根据第一差异调整所述预设初始模型的模型参数，得到遮挡判断模型，其中，所述第一差异为预测遮挡信息与所述关注区域遮挡信息之间的差异。
在一种可能的实施例中，所述预设初始模型包括主干子模型、分类子模型；
所述模型训练模块将标注有关注区域遮挡信息的样本图像输入至预设初始模型，得到所述预设初始模型输出的预测遮挡信息，包括：
将标注有关注区域遮挡信息以及关注区域位置信息的样本图像输入至所述主干子模型，得到所述主干子模型输出的图像特征，其中，所述关注区域位置信息用于表示所述样本图像中关注区域所处的真实位置；
将所述图像特征输入至所述分类子模型，得到所述分类子模型输出的预测遮挡信息；
所述模型训练模块，还用于将所述图像特征输入至回归模型，得到所述回归模型输出的预测位置信息，所述预测位置信息用于表示所述样本图像中所述关注区域所处的预测位置；
所述模型训练模块根据第一差异调整所述预设初始模型的模型参数，得到遮挡判断模型，包括：
根据第一差异调整所述分类子模型的模型参数，并根据所述第一差异和第二差异调整所述主干子模型的模型参数，得到遮挡判断模型，其中，所述第二差异为所述预测位置信息与所述关注区域位置信息之间的差异。
在一种可能的实施例中，所述图像获取模块501获取目标对象的待检测图像，包括：
对包含有目标对象在内的原始图像进行图像分割，得到所述目标对象的待检测图像。
在一种可能的实施例中，当所述目标对象为车辆时，所述关注区域为车牌区域；当所述目标对象为人员时，所述关注区域为眼睛区域。
本发明实施例还提供了一种电子设备，如图6所示，包括：
存储器601，用于存放计算机程序；
处理器602，用于执行存储器601上所存放的程序时，实现如下步骤：
获取目标对象的待检测图像；
将所述待检测图像输入至遮挡判断模型，得到所述遮挡判断模型基于所述待检测图像中关注区域的被遮挡情况输出的遮挡检测结果，其中，所述遮挡检测结果用于表示所述待检测图像中关注区域的被遮挡情况，所述遮挡判断模型为预先利用标注有关注区域遮挡信息的样本图像训练得到的，所述关注区域遮挡信息用于表示样本图像中关注区域的真实被遮挡情况。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图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。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一遮挡检测方法的步骤。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一遮挡检测方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、计算机可读存储介质以及计算机程序产品的实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (12)
1.一种遮挡检测方法，其特征在于，所述方法包括：
获取目标对象的待检测图像；
将所述待检测图像输入至遮挡判断模型，得到所述遮挡判断模型基于所述待检测图像中关注区域的被遮挡情况输出的遮挡检测结果，其中，所述遮挡检测结果用于表示所述待检测图像中关注区域的被遮挡情况，所述遮挡判断模型为预先利用标注有关注区域遮挡信息的样本图像训练得到的，所述关注区域遮挡信息用于表示样本图像中关注区域的真实被遮挡情况。
2.根据权利要求1所述的方法，其特征在于，所述遮挡判断模型通过以下方式训练得到：
将标注有关注区域遮挡信息的样本图像输入至预设初始模型，得到所述预设初始模型输出的预测遮挡信息，其中所述预测遮挡信息用于表示所述样本图像中关注区域的预测被遮挡情况；
根据第一差异调整所述预设初始模型的模型参数，得到遮挡判断模型，其中，所述第一差异为预测遮挡信息与所述关注区域遮挡信息之间的差异。
3.根据权利要求2所述的方法，其特征在于，所述预设初始模型包括主干子模型、分类子模型；
将标注有关注区域遮挡信息的样本图像输入至预设初始模型，得到所述预设初始模型输出的预测遮挡信息，包括：
将标注有关注区域遮挡信息以及关注区域位置信息的样本图像输入至所述主干子模型，得到所述主干子模型输出的图像特征，其中，所述关注区域位置信息用于表示所述样本图像中关注区域所处的真实位置；
将所述图像特征输入至所述分类子模型，得到所述分类子模型输出的预测遮挡信息；
所述方法还包括：
将所述图像特征输入至回归模型，得到所述回归模型输出的预测位置信息，所述预测位置信息用于表示所述样本图像中所述关注区域所处的预测位置；
所述根据第一差异调整所述预设初始模型的模型参数，得到遮挡判断模型，包括：
根据第一差异调整所述分类子模型的模型参数，并根据所述第一差异和第二差异调整所述主干子模型的模型参数，得到遮挡判断模型，其中，所述第二差异为所述预测位置信息与所述关注区域位置信息之间的差异。
4.根据权利要求1所述的方法，其特征在于，所述获取目标对象的待检测图像，包括：
对包含有目标对象在内的原始图像进行图像分割，得到所述目标对象的待检测图像。
5.根据权利要求1所述的方法，其特征在于，当所述目标对象为车辆时，所述关注区域为车牌区域；当所述目标对象为人员时，所述关注区域为眼睛区域。
6.一种遮挡检测装置，其特征在于，所述装置包括：
图像获取模块，用于获取目标对象的待检测图像；
遮挡判断模块，用于将所述待检测图像输入至遮挡判断模型，得到所述遮挡判断模型基于所述待检测图像中关注区域的被遮挡情况输出的遮挡检测结果，其中，所述遮挡检测结果用于表示所述待检测图像中关注区域的被遮挡情况，所述遮挡判断模型为预先利用标注有关注区域遮挡信息的样本图像训练得到的，所述关注区域遮挡信息用于表示样本图像中关注区域的真实被遮挡情况。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括模型训练模块，用于预先通过以下方式训练得到遮挡判断模型：
将标注有关注区域遮挡信息的样本图像输入至预设初始模型，得到所述预设初始模型输出的预测遮挡信息，其中所述预测遮挡信息用于表示所述样本图像中关注区域的预测被遮挡情况；
根据第一差异调整所述预设初始模型的模型参数，得到遮挡判断模型，其中，所述第一差异为预测遮挡信息与所述关注区域遮挡信息之间的差异。
8.根据权利要求7所述的装置，其特征在于，所述预设初始模型包括主干子模型、分类子模型；
所述模型训练模块将标注有关注区域遮挡信息的样本图像输入至预设初始模型，得到所述预设初始模型输出的预测遮挡信息，包括：
将标注有关注区域遮挡信息以及关注区域位置信息的样本图像输入至所述主干子模型，得到所述主干子模型输出的图像特征，其中，所述关注区域位置信息用于表示所述样本图像中关注区域所处的真实位置；
将所述图像特征输入至所述分类子模型，得到所述分类子模型输出的预测遮挡信息；
所述模型训练模块，还用于将所述图像特征输入至回归模型，得到所述回归模型输出的预测位置信息，所述预测位置信息用于表示所述样本图像中所述关注区域所处的预测位置；
所述模型训练模块根据第一差异调整所述预设初始模型的模型参数，得到遮挡判断模型，包括：
根据第一差异调整所述分类子模型的模型参数，并根据所述第一差异和第二差异调整所述主干子模型的模型参数，得到遮挡判断模型，其中，所述第二差异为所述预测位置信息与所述关注区域位置信息之间的差异。
9.根据权利要求6所述的装置，其特征在于，所述图像获取模块获取目标对象的待检测图像，包括：
对包含有目标对象在内的原始图像进行图像分割，得到所述目标对象的待检测图像。
10.根据权利要求6所述的装置，其特征在于，当所述目标对象为车辆时，所述关注区域为车牌区域；当所述目标对象为人员时，所述关注区域为眼睛区域。
11.一种电子设备，其特征在于，包括：
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-5任一所述的方法步骤。
12.一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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-5任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110655910.3A CN113313189A (zh) | 2021-06-11 | 2021-06-11 | 一种遮挡检测方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110655910.3A CN113313189A (zh) | 2021-06-11 | 2021-06-11 | 一种遮挡检测方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113313189A true CN113313189A (zh) | 2021-08-27 |
Family
ID=77378703
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110655910.3A Pending CN113313189A (zh) | 2021-06-11 | 2021-06-11 | 一种遮挡检测方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113313189A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114333345A (zh) * | 2021-12-31 | 2022-04-12 | 北京精英路通科技有限公司 | 停车位被遮挡时的预警方法、设备、存储介质及程序产品 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107590482A (zh) * | 2017-09-29 | 2018-01-16 | 百度在线网络技术（北京）有限公司 | 信息生成方法和装置 |
| CN112016464A (zh) * | 2020-08-28 | 2020-12-01 | 中移（杭州）信息技术有限公司 | 检测人脸遮挡的方法、装置、电子设备及存储介质 |
| CN112380981A (zh) * | 2020-11-12 | 2021-02-19 | 平安科技（深圳）有限公司 | 人脸关键点的检测方法、装置、存储介质及电子设备 |
| CN112446246A (zh) * | 2019-08-30 | 2021-03-05 | 初速度（苏州）科技有限公司 | 一种图像遮挡检测方法及车载终端 |
-
2021
- 2021-06-11 CN CN202110655910.3A patent/CN113313189A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107590482A (zh) * | 2017-09-29 | 2018-01-16 | 百度在线网络技术（北京）有限公司 | 信息生成方法和装置 |
| CN112446246A (zh) * | 2019-08-30 | 2021-03-05 | 初速度（苏州）科技有限公司 | 一种图像遮挡检测方法及车载终端 |
| CN112016464A (zh) * | 2020-08-28 | 2020-12-01 | 中移（杭州）信息技术有限公司 | 检测人脸遮挡的方法、装置、电子设备及存储介质 |
| CN112380981A (zh) * | 2020-11-12 | 2021-02-19 | 平安科技（深圳）有限公司 | 人脸关键点的检测方法、装置、存储介质及电子设备 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114333345A (zh) * | 2021-12-31 | 2022-04-12 | 北京精英路通科技有限公司 | 停车位被遮挡时的预警方法、设备、存储介质及程序产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108875534B (zh) | 人脸识别的方法、装置、系统及计算机存储介质 | |
| CN110390229B (zh) | 一种人脸图片筛选方法、装置、电子设备及存储介质 | |
| CN110706261A (zh) | 车辆违章检测方法、装置、计算机设备和存储介质 | |
| CN109670383B (zh) | 视频遮蔽区域选取方法、装置、电子设备及系统 | |
| CN111210399B (zh) | 一种成像质量评价方法、装置及设备 | |
| CN112102288B (zh) | 水体识别和水体变化检测方法、装置、设备及介质 | |
| US11688078B2 (en) | Video object detection | |
| CN107564020B (zh) | 一种图像区域确定方法及装置 | |
| CN110570390B (zh) | 一种图像检测方法及装置 | |
| CN111915567A (zh) | 一种图像质量评估方法、装置、设备及介质 | |
| CN110753178B (zh) | 一种曝光时间调整方法及装置、摄像机 | |
| CN112686252A (zh) | 一种车牌检测方法和装置 | |
| CN113869137A (zh) | 事件检测方法、装置、终端设备及存储介质 | |
| CN110298302B (zh) | 一种人体目标检测方法及相关设备 | |
| CN111932545A (zh) | 图像处理方法、目标计数方法及其相关装置 | |
| CN111553302A (zh) | 关键帧选取方法、装置、设备及计算机可读存储介质 | |
| CN111583159B (zh) | 一种图像补全方法、装置及电子设备 | |
| CN113313189A (zh) | 一种遮挡检测方法、装置及电子设备 | |
| CN114494990A (zh) | 一种目标检测方法、系统、终端设备及存储介质 | |
| CN111178347B (zh) | 证件图像的模糊度检测方法、装置、设备及存储介质 | |
| CN112686298A (zh) | 一种目标检测方法、装置及电子设备 | |
| CN115272682A (zh) | 目标对象检测方法、目标检测模型的训练方法及电子设备 | |
| CN113158773B (zh) | 一种活体检测模型的训练方法及训练装置 | |
| CN112434717B (zh) | 一种模型训练方法及装置 | |
| CN114973215A (zh) | 一种疲劳驾驶的确定方法、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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210827 |