CN113393487B - 运动目标检测方法、装置、电子设备及介质 - Google Patents
运动目标检测方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN113393487B CN113393487B CN202110577533.6A CN202110577533A CN113393487B CN 113393487 B CN113393487 B CN 113393487B CN 202110577533 A CN202110577533 A CN 202110577533A CN 113393487 B CN113393487 B CN 113393487B
- Authority
- CN
- China
- Prior art keywords
- target
- image
- moving target
- size
- moving
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000006243 chemical reaction Methods 0.000 claims description 48
- 238000004590 computer program Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 9
- 241001465754 Metazoa Species 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 241000699666 Mus <mouse, genus> Species 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000009545 invasion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 241000271566 Aves Species 0.000 description 1
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 241001504654 Mustela nivalis Species 0.000 description 1
- 241000270295 Serpentes Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于计算机技术领域,提供了运动目标检测方法,包括:提取视频图像中的运动目标区域;将所提取的运动目标区域拼接成具有目标尺寸的拼接图像;将拼接图像输入预先训练的目标检测模型,得到针对拼接图像的检测结果信息,检测结果信息包括拼接图像中呈现的运动目标的类别信息和位置信息;在视频图像中的位置信息对应的位置处,呈现相应运动目标的类别信息。本申请仅对拼接图像进行目标检测,可以提高目标区域所占的图像比例,有助于提高对运动目标进行检测的准确率。
Description
技术领域
本申请属于计算机技术领域,尤其涉及一种运动目标检测方法、装置、电子设备及介质。
背景技术
目前,经常会存在由于小动物入侵,如,老鼠、黄鼠狼、猫、狗、蛇、鸟等,导致短路等事故发生的情况。
因此,相关技术中,需要对入侵的小动物等进行准确检测,以实现对相关设备进行及时保护。
发明内容
本申请实施例提供了运动目标检测方法、装置、电子设备及介质,旨在解决相关技术中不能对小动物入侵进行准确检测的问题。
第一方面,本申请实施例提供了一种运动目标检测方法,该方法包括:
提取视频图像中的运动目标区域;
将所提取的运动目标区域拼接成具有目标尺寸的拼接图像;
将拼接图像输入预先训练的目标检测模型,得到针对拼接图像的检测结果信息,检测结果信息包括拼接图像中呈现的运动目标的类别信息和位置信息;
在视频图像中的位置信息对应的位置处,呈现相应运动目标的类别信息。
进一步地,提取视频图像中的运动目标区域,包括:
根据视频图像与目标背景图像的差值图像,确定视频图像中的初始目标区域;
将初始目标区域的外接矩形框内的图像区域,确定为运动目标区域。
进一步地,将初始目标区域的外接矩形框内的图像区域,确定为运动目标区域,包括:
若初始目标区域的数目有多个,将存在交集的多个外接矩形框合并成大矩形框,以及将大矩形框内的图像区域,确定为运动目标区域。
进一步地,将所提取的运动目标区域拼接成具有目标尺寸的拼接图像,包括:
若运动目标区域的数目有多个,根据运动目标区域的数目和目标尺寸,确定各运动目标区域的转换尺寸,以及将各运动目标区域缩放至转换尺寸;
将缩放至转换尺寸的所有运动目标区域拼接成拼接图像。
进一步地,根据运动目标区域的数目和目标尺寸,确定各运动目标区域的转换尺寸,包括:将运动目标区域的数目和目标尺寸输入预设计算公式,计算得到转换尺寸;以及预设计算公式包括:
其中,M×N为转换尺寸,480×480为目标尺寸,S为运动目标区域的数目,为向上取整符号。
进一步地,将缩放至转换尺寸的所有运动目标区域拼接成拼接图像,包括:
将缩放至转换尺寸的所有运动目标区域,以螺旋拼接方式进行拼接,且在运动目标区域的数目小于目标数目时,采用具有转换尺寸的预设图像继续拼接,直至得到由目标数目个图像块拼接得到的拼接图像;
其中,目标数目的取值为n2,且n为对运动目标区域的数目开根号后向上取整得到的数值。
进一步地,螺旋拼接方式,包括:顺时针螺旋拼接方式,逆时针螺旋拼接方式。
第二方面,本申请实施例提供了一种运动目标检测装置,该装置包括:
区域提取单元,用于提取视频图像中的运动目标区域;
图像拼接单元,用于将所提取的运动目标区域拼接成具有目标尺寸的拼接图像;
图像检测单元,用于将拼接图像输入预先训练的目标检测模型,得到针对拼接图像的检测结果信息,检测结果信息包括拼接图像中呈现的运动目标的类别信息和位置信息;
信息呈现单元,用于在视频图像中的位置信息对应的位置处,呈现相应运动目标的类别信息。
第三方面,本申请实施例提供了一种电子设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述运动目标检测方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,上述计算机程序被处理器执行时实现上述运动目标检测方法的步骤。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行上述第一方面中任一项的运动目标检测方法。
本申请实施例与相关技术相比存在的有益效果是:由于入侵的小动物通常较小,在视频图像中所占的图像比例通常很小,通过将视频图像中的运动目标区域拼接成拼接图像,仅对拼接图像进行目标检测,可以提高目标区域所占的图像比例,有助于提高对运动目标进行检测的准确率。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或相关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是本申请一实施例提供的运动目标检测方法应用的系统架构图;
图2是本申请一实施例提供的运动目标检测方法的流程示意图;
图3是本申请一实施例提供的顺时针螺旋拼接的一个效果示意图;
图4是本申请一实施例提供的顺时针螺旋拼接的另一个效果示意图;
图5是本申请一实施例提供的顺时针螺旋拼接的又一个效果示意图;
图6是本申请一实施例提供的运动目标检测装置的结构示意图;
图7是本申请一实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
为了说明本申请的技术方案,下面通过以下实施例来进行说明。
参考图1,为本申请实施例提供的一种运动目标检测方法应用的系统架构图。
如图1所示,系统架构可以包括摄像装置101和电子设备102。摄像装置101与电子设备102之间通过网络实现通信连接。上述网络可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
其中,拍摄装置101通常设置于需要被监控的场所,如仓库、配电房等。实际应用中,拍摄装置101可以由一个或多个摄像头组成。
电子设备102可以是对拍摄装置所拍摄的视频图像进行处理的各种设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等。实际应用中,电子设备102可以提取视频图像中的运动目标区域;将所提取的运动目标区域拼接成具有目标尺寸的拼接图像;将拼接图像输入预先训练的目标检测模型,得到针对拼接图像的检测结果信息,检测结果信息包括拼接图像中呈现的运动目标的类别信息和位置信息;在视频图像中的位置信息对应的位置处,呈现相应运动目标的类别信息。
需要说明的是,本实施例所提供的运动目标检测方法通常由电子设备102执行。应该理解,图1中的摄像装置101和电子设备102的数目仅仅是示意性的。根据实现需要,可以具有任意数目的摄像装置和电子设备。
参考图2,为本申请实施例提供的一种运动目标检测方法的流程示意图,如图2所示的运动目标检测方法,包括:
步骤201,提取视频图像中的运动目标区域。
其中,运动目标区域通常是运动目标所在的图像区域。实际应用中,运动目标区域的形状通常为矩形。
在本实施例中,运动目标检测方法的执行主体通常为电子设备(例如图1所示的电子设备102)。上述执行主体可以通过多种方式提取得到视频图像中的运动目标区域。
作为示例,上述执行主体可以通过如下方式,提取得到视频图像中的运动目标区域:将视频图像输入预先训练的运动目标区域检测模型,得到针对视频图像的运动目标区域。其中,运动目标区域检测模型可以用于分析视频图像与运动目标区域的对应关系。具体地,运动目标区域检测模型可以是基于训练样本,利用机器学习方法,对初始模型(例如卷积神经网络(Convolutional Neural Network,CNN)、残差网络(ResNet)等)进行训练后得到的模型。
在本实施例的一些可选的实现方式中,上述执行主体也可以通过如下方式,提取得到视频图像中的运动目标区域:
首先,根据视频图像与目标背景图像的差值图像,确定视频图像中的初始目标区域。
其中,目标背景图像可以是预先确定的背景图像。实践中,目标背景图像可以是在当前的视频图像之前的一帧视频图像。
这里,上述执行主体可以将视频图像与目标背景图像作差,得到差值图像。由于差值图像中,运动目标区域的像素值通常会相对较大,因此,上述执行主体可以直接从差值图像中提取得到运动目标所在的区域,记作初始目标区域。
实际应用中,在将视频图像与目标背景图像进行作差计算之前,上述执行主体通常还可以对视频图像进行预处理,如,对视频图像进行灰度化处理,对视频图像进行高斯模糊处理等,以使得提取得到的初始目标区域的准确率更高。另外,目标背景图像通常可以实时更新,针对如何对目标背景图像进行更新,本实施例不做具体限定。
然后,将初始目标区域的外接矩形框内的图像区域,确定为运动目标区域。
这里,由于初始目标区域通常为不规则的形状。为了便于后期处理,上述执行主体可以将初始目标区域的外接矩形框内的图像区域,作为运动目标区域。
由于通过两个图像作差的方式得到差值图像,从差值图像中提取得到运动目标区域的方式,计算量小,有助于提高对运动目标进行检测的效率。
上述实现方式中,上述将初始目标区域的外接矩形框内的图像区域,确定为运动目标区域,可以包括:若初始目标区域的数目有多个,将存在交集的多个外接矩形框合并成大矩形框,以及将大矩形框内的图像区域,确定为运动目标区域。
这里,针对每个初始目标区域具有一个外接矩形框,若初始目标区域有多个时,则对应具有多个外接矩形框。上述执行主体可以将存在交集的多个外接矩形框合并成一个大矩形框,以及将大矩形框内的图像区域,作为一个运动目标区域。
需要指出的是,将存在交集的多个外接矩形框合并成一个大矩形框,可以减少拼接个数,降低拼接的复杂度,有助于提高对运动目标进行检测的效率。另外,将存在交集的多个外接矩形框合并成一个大矩形框,还可以有效利用视频图像中的内容的连续性,实现对相关联的内容合并分析,有助于进一步提高对运动目标进行检测的准确率。
步骤202,将所提取的运动目标区域拼接成具有目标尺寸的拼接图像。
其中,上述目标尺寸可以是预先设定的尺寸。实际应用中,目标尺寸的横坐标和纵坐标可以取相同的数值,且可以设置为32的倍数。如,目标尺寸可以为480×480。
这里,若运动目标区域只有一个,则上述执行主体可以直接将该运动目标区域的尺寸缩放至目标尺寸,得到拼接图像。若运动目标区域不止一个,则上述执行主体可以将多个运动目标区域拼接成具有目标尺寸的拼接图像。
步骤203,将拼接图像输入预先训练的目标检测模型,得到针对拼接图像的检测结果信息。
其中,检测结果信息包括拼接图像中呈现的运动目标的类别信息和位置信息。上述类别信息通常是用于指示运动目标的类别的信息。作为示例,类别信息可以为“1”用于指示运动目标的类别为老鼠,也可以为“mouse”用于指示运动目标的类别为老鼠。上述位置信息通常是用于指示运动目标在拼接图像中的位置的信息。
其中,上述目标检测模型可以用于分析图像与检测结果信息之间的对应关系。具体地,目标检测模型可以是基于训练样本,利用机器学习方法,对初始模型(例如CNN,ResNet等)进行训练后得到的模型。实践中,初始模型通常是基于YOLO算法的目标检测模型。
这里,上述执行主体可以直接将拼接图像输入预先训练的目标检测模型中,这样,该目标检测模型可以输出针对拼接图像的检测结果信息。
步骤204,在视频图像中的位置信息对应的位置处,呈现相应运动目标的类别信息。
这里,由于拼接图像中各像素点在视频图像中具有对应的位置点,上述执行主体可以在得到运动目标的位置信息后,计算得到该位置信息在视频图像中对应的位置,然后,在计算得到的该位置处,呈现该运动目标的类别信息。
这里,在视频图像中呈现运动目标的类别信息,可以使得检测结果更加直观。
本实施例提供的方法,由于入侵的小动物通常较小,在视频图像中所占的图像比例通常很小,通过将视频图像中的运动目标区域拼接成拼接图像,仅对拼接图像进行目标检测,可以提高目标区域所占的图像比例,有助于提高对运动目标进行检测的准确率。
在本申请的各个实施例的可选的实现方式中,上述将所提取的运动目标区域拼接成具有目标尺寸的拼接图像,包括:若运动目标区域的数目有多个,根据运动目标区域的数目和目标尺寸,确定各运动目标区域的转换尺寸,以及将各运动目标区域缩放至转换尺寸。将缩放至转换尺寸的所有运动目标区域拼接成拼接图像。
其中,上述转换尺寸通常是由目标区域的数目和目标尺寸计算得到。作为示例,转换尺寸的横坐标可以为目标尺寸的横坐标与目标区域的数目的商,且转换尺寸的纵坐标可以为目标尺寸的纵坐标。如,若目标区域的数目为2,目标尺寸为480×240,则转换尺寸可以为240×240。
上述执行主体可以将各个运动目标区域缩放至转换尺寸。然后,将缩放处理后的所有运动目标区域拼接成一个拼接图像。举例来说,若有两个缩放处理后的所有运动目标区域,分别为区域1和区域2,区域1和区域2的尺寸为240×240,则将区域1和区域2拼接得到的拼接图像的尺寸可以为480×240。
这里,将各运动目标区域缩放至相同的尺寸,可以降低对运动目标区域进行拼接的计算复杂度,有助于进一步提高对运动目标进行检测的效率。
在一些可选的实现方式中,上述根据运动目标区域的数目和目标尺寸,确定各运动目标区域的转换尺寸,可以包括:将运动目标区域的数目和目标尺寸输入预设计算公式,计算得到转换尺寸。此时,上述预设计算公式可以包括:
其中,M×N为转换尺寸,480×480为目标尺寸,S为运动目标区域的数目,为向上取整符号。
这里,目标尺寸的横坐标和纵坐标取值相同,均为480,且转换尺寸的横坐标和纵坐标的取值也相同。将各运动目标区域缩放为方形框,可以进一步降低对运动目标区域进行拼接的计算复杂度,有助于进一步提高对运动目标进行检测的效率。
在一些可选的实现方式中,上述将缩放至转换尺寸的所有运动目标区域拼接成拼接图像,包括:将缩放至转换尺寸的所有运动目标区域,以螺旋拼接方式进行拼接,且在运动目标区域的数目小于目标数目时,采用具有转换尺寸的预设图像继续拼接,直至得到由目标数目个图像块拼接得到的拼接图像。
其中,目标数目的取值为n2,且n为对运动目标区域的数目开根号后向上取整得到的数值。举例来说,若有3个运动目标区域,则对运动目标区域的数目开根号后向上取整得到的数值为2,此时,n的取值为2,且目标数目为4。其中,上述预设图像通常是预先设定的图像。实践中,上述预设图像通常是具有转换尺寸的空白图像,空白图像的像素值为0。
其中,上述螺旋拼接方式,通常是按照从内圈至外圈的顺序,将各运动目标区域拼接成方形的拼接图像。拼接得到的拼接图像中,相邻的两圈中的内圈的运动目标区域数目为4(m-1)且外圈的运动目标区域数目为4m,m为大于或等于1且小于n的整数。
需要指出的是,将所有运动目标区域,以螺旋拼接方式拼接得到拼接图像,拼接过程易于实现。另外,由于目标检测模型通常对方形图像的检测效率和准确率更高,以螺旋拼接方式拼接得到拼接图像,可以使得拼接得到的拼接图像的横坐标与纵坐标之间的比例与1相同或接近,有助于提高目标检测模型对拼接得到的方形拼接图像中的运动目标进行检测的检测效率和准确率。
实际应用中,缩放至转换尺寸的运动目标区域的形状通常为正方形。缩放至转换尺寸的运动目标区域的形状通常为正方形时,可以进一步简化对运动目标区域进行图像拼接的复杂度,且可以进一步提高目标检测模型对拼接得到的方形拼接图像中的运动目标进行检测的检测效率和准确率。
可选地,螺旋拼接方式,可以包括:顺时针螺旋拼接方式,逆时针螺旋拼接方式。
图3-图5示出了顺时针螺旋拼接的效果示意图。
如图3所示地,存在2个运动目标区域时,若该两个运动目标区域分别为区域1和区域2,则可以按照图3中的箭头所指顺时针方向对区域1和区域2进行拼接。由于运动目标区域的数目2小于目标数目4,其中,此时,可以另外采用2个预设图像继续拼接,直至得到由4个图像块拼接得到的拼接图像。图3示出了拼接得到的拼接图像,该拼接图像中,位置1可以为区域1,位置2为区域2,位置3为填充的预设图像,位置4为填充的预设图像。实践中,预设图像为空白图像,空白图像的像素值为0。
如图4所示地,存在4个运动目标区域时,若该两个运动目标区域分别为区域1、区域2、区域3和区域4,则可以按照图4中的箭头所指顺时针方向对区域1、区域2、区域3和区域4进行拼接。由于运动目标区域的数目4等于目标数目4,其中,此时,采用区域1、区域2、区域3和区域4拼接得到的图像即为拼接图像。图4示出了拼接得到的拼接图像,该拼接图像中,位置1可以为区域1,位置2为区域2,位置3为区域3,位置4为区域4。
如图5所示地,存在5个运动目标区域时,若该两个运动目标区域分别为区域1、区域2、区域3、区域4和区域5,则可以按照图5中的箭头所指顺时针方向对区域1、区域2、区域3、区域4和区域5进行拼接。由于运动目标区域的数目5小于目标数目9,其中,此时,可以另外采用4个预设图像继续拼接,直至得到由9个图像块拼接得到的拼接图像。图5示出了拼接得到的拼接图像,该拼接图像中,位置1可以为区域1,位置2为区域2,位置3为区域3,位置4为区域4,位置5可以为区域5,位置6为填充的预设图像,位置7为填充的预设图像,位置8为填充的预设图像,位置9为填充的预设图像。
进一步参考图6,对应于上文实施例的运动目标检测方法,图6为本申请实施例提供的运动目标检测装置600的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图6,该装置包括:
区域提取单元601,用于提取视频图像中的运动目标区域;
图像拼接单元602,用于将所提取的运动目标区域拼接成具有目标尺寸的拼接图像;
图像检测单元603,用于将拼接图像输入预先训练的目标检测模型,得到针对拼接图像的检测结果信息,检测结果信息包括拼接图像中呈现的运动目标的类别信息和位置信息;
信息呈现单元604,用于在视频图像中的位置信息对应的位置处,呈现相应运动目标的类别信息。
在一些实施例中,区域提取单元601具体用于:
根据视频图像与目标背景图像的差值图像,确定视频图像中的初始目标区域;
将初始目标区域的外接矩形框内的图像区域,确定为运动目标区域。
在一些实施例中,将初始目标区域的外接矩形框内的图像区域,确定为运动目标区域,包括:
若初始目标区域的数目有多个,将存在交集的多个外接矩形框合并成大矩形框,以及将大矩形框内的图像区域,确定为运动目标区域。
在一些实施例中,图像拼接单元602具体用于:
若运动目标区域的数目有多个,根据运动目标区域的数目和目标尺寸,确定各运动目标区域的转换尺寸,以及将各运动目标区域缩放至转换尺寸;
将缩放至转换尺寸的所有运动目标区域拼接成拼接图像。
在一些实施例中,根据运动目标区域的数目和目标尺寸,确定各运动目标区域的转换尺寸,包括:将运动目标区域的数目和目标尺寸输入预设计算公式,计算得到转换尺寸;以及预设计算公式包括:
其中,M×N为转换尺寸,480×480为目标尺寸,S为运动目标区域的数目,为向上取整符号。
在一些实施例中,将缩放至转换尺寸的所有运动目标区域拼接成拼接图像,包括:
将缩放至转换尺寸的所有运动目标区域,以螺旋拼接方式进行拼接,且在运动目标区域的数目小于目标数目时,采用具有转换尺寸的预设图像继续拼接,直至得到由目标数目个图像块拼接得到的拼接图像;
其中,目标数目的取值为n2,且n为对运动目标区域的数目开根号后向上取整得到的数值。
在一些实施例中,螺旋拼接方式,包括:顺时针螺旋拼接方式,逆时针螺旋拼接方式。
本实施例提供的装置,
由于入侵的小动物通常较小,在视频图像中所占的图像比例通常很小,通过将视频图像中的运动目标区域拼接成拼接图像,仅对拼接图像进行目标检测,可以提高目标区域所占的图像比例,有助于提高对运动目标进行检测的准确率。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例根据同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
进一步参考图7,图7为本申请一实施例提供的电子设备700的结构示意图。如图7所示,该实施例的电子设备700包括:至少一个处理器701(图7中仅示出一个处理器)、存储器702以及存储在存储器702中并可在至少一个处理器701上运行的计算机程序703,例如运动目标检测程序。处理器701执行计算机程序703时实现上述任意各个方法实施例中的步骤。处理器701执行计算机程序703时实现上述各个运动目标检测方法的实施例中的步骤。处理器701执行计算机程序703时实现上述各装置实施例中各模块/单元的功能,例如图6所示单元601至604的功能。
示例性的,计算机程序703可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器702中,并由处理器701执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序703在电子设备700中的执行过程。例如,计算机程序703可以被分割成区域提取单元,图像拼接单元,图像检测单元,信息呈现单元,各单元具体功能在上述实施例中已有描述,此处不再赘述。
电子设备700可以是电子设备、台式电脑、平板电脑、云端电子设备和移动终端等计算电子设备。电子设备700可包括,但不仅限于,处理器701,存储器702。本领域技术人员可以理解,图7仅仅是电子设备700的示例,并不构成对电子设备700的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如电子设备还可以包括输入输出电子设备、网络接入电子设备、总线等。
所称处理器701可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,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、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器702可以是电子设备700的内部存储单元,例如电子设备700的硬盘或内存。存储器702也可以是电子设备700的外部存储电子设备,例如电子设备700上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器702还可以既包括电子设备700的内部存储单元也包括外部存储电子设备。存储器702用于存储计算机程序以及电子设备所需的其他程序和数据。存储器702还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/电子设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/电子设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块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机可读存储介质中。其中,计算机可读存储介质可以是非易失性的,也可以是易失性的。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读存储介质不包括电载波信号和电信信号。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (7)
1.一种运动目标检测方法,其特征在于,所述方法包括:
提取视频图像中的运动目标区域;
将所提取的运动目标区域拼接成具有目标尺寸的拼接图像;
将所述拼接图像输入预先训练的目标检测模型,得到针对所述拼接图像的检测结果信息,所述检测结果信息包括所述拼接图像中呈现的运动目标的类别信息和位置信息;
在所述视频图像中的所述位置信息对应的位置处,呈现相应运动目标的类别信息;
其中,所述将所提取的运动目标区域拼接成具有目标尺寸的拼接图像,包括:
若所述运动目标区域的数目有多个,根据所述运动目标区域的数目和所述目标尺寸,确定各运动目标区域的转换尺寸,以及将各运动目标区域缩放至所述转换尺寸;其中,所述根据所述运动目标区域的数目和所述目标尺寸,确定各运动目标区域的转换尺寸,包括:将所述运动目标区域的数目和所述目标尺寸输入预设计算公式,计算得到所述转换尺寸,所述预设计算公式用于将所述目标尺寸在两个维度上的尺寸数据分别除以n以得到所述转换尺寸,n为对运动目标区域的数目开根号后向上取整得到的数值,所述目标尺寸为480×480,所述目标尺寸在两个维度上的尺寸数据均为480;
将缩放至所述转换尺寸的所有运动目标区域拼接成所述拼接图像,包括:将缩放至所述转换尺寸的所有运动目标区域,以螺旋拼接方式进行拼接,且在运动目标区域的数目小于目标数目时,采用具有所述转换尺寸的预设图像继续拼接,直至得到由所述目标数目个图像块拼接得到的所述拼接图像;其中,所述目标数目的取值为n2。
2.根据权利要求1所述的运动目标检测方法,其特征在于,所述提取视频图像中的运动目标区域,包括:
根据所述视频图像与目标背景图像的差值图像,确定所述视频图像中的初始目标区域;
将所述初始目标区域的外接矩形框内的图像区域,确定为所述运动目标区域。
3.根据权利要求2所述的运动目标检测方法,其特征在于,所述将所述初始目标区域的外接矩形框内的图像区域,确定为所述运动目标区域,包括:
若所述初始目标区域的数目有多个,将存在交集的多个外接矩形框合并成大矩形框,以及将所述大矩形框内的图像区域,确定为所述运动目标区域。
4.根据权利要求1所述的运动目标检测方法,其特征在于,所述螺旋拼接方式,包括:顺时针螺旋拼接方式,逆时针螺旋拼接方式。
5.一种运动目标检测装置,其特征在于,所述装置包括:
区域提取单元,用于提取视频图像中的运动目标区域;
图像拼接单元,用于将所提取的运动目标区域拼接成具有目标尺寸的拼接图像;
图像检测单元,用于将所述拼接图像输入预先训练的目标检测模型,得到针对所述拼接图像的检测结果信息,所述检测结果信息包括所述拼接图像中呈现的运动目标的类别信息和位置信息;
信息呈现单元,用于在所述视频图像中的所述位置信息对应的位置处,呈现相应运动目标的类别信息;
其中,所述将所提取的运动目标区域拼接成具有目标尺寸的拼接图像,包括:
若所述运动目标区域的数目有多个,根据所述运动目标区域的数目和所述目标尺寸,确定各运动目标区域的转换尺寸,以及将各运动目标区域缩放至所述转换尺寸;其中,所述根据所述运动目标区域的数目和所述目标尺寸,确定各运动目标区域的转换尺寸,包括:将所述运动目标区域的数目和所述目标尺寸输入预设计算公式,计算得到所述转换尺寸,所述预设计算公式用于将所述目标尺寸在两个维度上的尺寸数据分别除以n以得到所述转换尺寸,n为对运动目标区域的数目开根号后向上取整得到的数值,所述目标尺寸为480×480,所述目标尺寸在两个维度上的尺寸数据均为480;
将缩放至所述转换尺寸的所有运动目标区域拼接成所述拼接图像,包括:将缩放至所述转换尺寸的所有运动目标区域,以螺旋拼接方式进行拼接,且在运动目标区域的数目小于目标数目时,采用具有所述转换尺寸的预设图像继续拼接,直至得到由所述目标数目个图像块拼接得到的所述拼接图像;其中,所述目标数目的取值为n2。
6.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的方法。
7.一种计算机可读存储介质,所述存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110577533.6A CN113393487B (zh) | 2021-05-26 | 2021-05-26 | 运动目标检测方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110577533.6A CN113393487B (zh) | 2021-05-26 | 2021-05-26 | 运动目标检测方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113393487A CN113393487A (zh) | 2021-09-14 |
CN113393487B true CN113393487B (zh) | 2023-12-29 |
Family
ID=77619181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110577533.6A Active CN113393487B (zh) | 2021-05-26 | 2021-05-26 | 运动目标检测方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113393487B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114666473A (zh) * | 2022-02-10 | 2022-06-24 | 山东土地集团数字科技有限公司 | 耕地保护用视频监控方法、系统、终端及存储介质 |
CN114202732B (zh) * | 2022-02-15 | 2022-05-10 | 南京甄视智能科技有限公司 | 视频行为分类方法、模型训练方法、装置、介质及设备 |
CN114783047B (zh) * | 2022-03-10 | 2024-04-19 | 慧之安信息技术股份有限公司 | 基于边缘计算的室内吸烟检测方法和装置 |
CN114488563B (zh) * | 2022-04-15 | 2022-06-21 | 北京中建慧能科技有限公司 | 具有阵列式反射单元的光学成像器件的制备方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101017573A (zh) * | 2007-02-09 | 2007-08-15 | 南京大学 | 一种基于视频监控的运动目标检测与识别方法 |
CN101827204A (zh) * | 2010-04-19 | 2010-09-08 | 成都索贝数码科技股份有限公司 | 一种运动目标侦测方法及系统 |
CN101860757A (zh) * | 2010-06-03 | 2010-10-13 | 无锡中星微电子有限公司 | 智能监控系统及其图像编解码方法 |
CN103455797A (zh) * | 2013-09-07 | 2013-12-18 | 西安电子科技大学 | 航拍视频中运动小目标的检测与跟踪方法 |
CN108596946A (zh) * | 2018-03-21 | 2018-09-28 | 中国航空工业集团公司洛阳电光设备研究所 | 一种运动目标实时检测方法及系统 |
CN109299703A (zh) * | 2018-10-17 | 2019-02-01 | 思百达物联网科技(北京)有限公司 | 对鼠情进行统计的方法、装置以及图像采集设备 |
CN110084175A (zh) * | 2019-04-23 | 2019-08-02 | 普联技术有限公司 | 一种目标检测方法、目标检测装置及电子设备 |
CN110751678A (zh) * | 2018-12-12 | 2020-02-04 | 北京嘀嘀无限科技发展有限公司 | 运动目标的检测方法、装置和电子设备 |
CN111275036A (zh) * | 2018-12-04 | 2020-06-12 | 北京嘀嘀无限科技发展有限公司 | 目标检测方法、装置、电子设备及计算机可读存储介质 |
CN111340841A (zh) * | 2020-03-19 | 2020-06-26 | 昆明理工大学 | 一种实时多运动目标检测方法与系统 |
WO2020218024A1 (ja) * | 2019-04-24 | 2020-10-29 | 日本電信電話株式会社 | パノラマ映像合成装置、パノラマ映像合成方法、及びパノラマ映像合成プログラム |
CN112800805A (zh) * | 2019-10-28 | 2021-05-14 | 上海哔哩哔哩科技有限公司 | 视频剪辑方法、系统、计算机设备及计算机存储介质 |
-
2021
- 2021-05-26 CN CN202110577533.6A patent/CN113393487B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101017573A (zh) * | 2007-02-09 | 2007-08-15 | 南京大学 | 一种基于视频监控的运动目标检测与识别方法 |
CN101827204A (zh) * | 2010-04-19 | 2010-09-08 | 成都索贝数码科技股份有限公司 | 一种运动目标侦测方法及系统 |
CN101860757A (zh) * | 2010-06-03 | 2010-10-13 | 无锡中星微电子有限公司 | 智能监控系统及其图像编解码方法 |
CN103455797A (zh) * | 2013-09-07 | 2013-12-18 | 西安电子科技大学 | 航拍视频中运动小目标的检测与跟踪方法 |
CN108596946A (zh) * | 2018-03-21 | 2018-09-28 | 中国航空工业集团公司洛阳电光设备研究所 | 一种运动目标实时检测方法及系统 |
CN109299703A (zh) * | 2018-10-17 | 2019-02-01 | 思百达物联网科技(北京)有限公司 | 对鼠情进行统计的方法、装置以及图像采集设备 |
CN111275036A (zh) * | 2018-12-04 | 2020-06-12 | 北京嘀嘀无限科技发展有限公司 | 目标检测方法、装置、电子设备及计算机可读存储介质 |
CN110751678A (zh) * | 2018-12-12 | 2020-02-04 | 北京嘀嘀无限科技发展有限公司 | 运动目标的检测方法、装置和电子设备 |
CN110084175A (zh) * | 2019-04-23 | 2019-08-02 | 普联技术有限公司 | 一种目标检测方法、目标检测装置及电子设备 |
WO2020218024A1 (ja) * | 2019-04-24 | 2020-10-29 | 日本電信電話株式会社 | パノラマ映像合成装置、パノラマ映像合成方法、及びパノラマ映像合成プログラム |
CN112800805A (zh) * | 2019-10-28 | 2021-05-14 | 上海哔哩哔哩科技有限公司 | 视频剪辑方法、系统、计算机设备及计算机存储介质 |
CN111340841A (zh) * | 2020-03-19 | 2020-06-26 | 昆明理工大学 | 一种实时多运动目标检测方法与系统 |
Non-Patent Citations (1)
Title |
---|
复杂背景下对地多运动目标检测;许倩倩;《中国优秀硕士学位论文全文数据库 信息科技辑》;I138-2207 * |
Also Published As
Publication number | Publication date |
---|---|
CN113393487A (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113393487B (zh) | 运动目标检测方法、装置、电子设备及介质 | |
CN110705405B (zh) | 目标标注的方法及装置 | |
CN109886928B (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
CN112528878B (zh) | 检测车道线的方法、装置、终端设备及可读存储介质 | |
CN111860398A (zh) | 遥感图像目标检测方法、系统及终端设备 | |
CN110349138B (zh) | 基于实例分割框架的目标物体的检测方法及装置 | |
CN110688928A (zh) | 模型训练方法、装置、电子设备及计算机可读存储介质 | |
CN112712005B (zh) | 识别模型的训练方法、目标识别方法及终端设备 | |
CN113439227B (zh) | 放大图像的捕获和存储 | |
CN111325181A (zh) | 一种状态监测方法、装置、电子设备及存储介质 | |
EP4220552A1 (en) | Image processing method and system | |
CN113449538A (zh) | 视觉模型的训练方法、装置、设备及存储介质 | |
CN111368698A (zh) | 主体识别方法、装置、电子设备及介质 | |
CN113158773B (zh) | 一种活体检测模型的训练方法及训练装置 | |
CN111967529B (zh) | 识别方法、装置、设备及系统 | |
CN115690747B (zh) | 车辆盲区检测模型测试方法、装置、电子设备及存储介质 | |
CN108629219B (zh) | 一种识别一维码的方法及装置 | |
CN113034449B (zh) | 目标检测模型训练方法、装置及通信设备 | |
CN114764833A (zh) | 植物生长曲线确定方法、装置、电子设备及介质 | |
CN113139617A (zh) | 一种输电线路自主定位方法、装置及终端设备 | |
CN112270257A (zh) | 一种运动轨迹确定方法、装置及计算机可读存储介质 | |
CN112183563A (zh) | 一种图像识别模型的生成方法、存储介质及应用服务器 | |
CN110472505B (zh) | 票据流水号的识别方法、识别装置及终端 | |
CN117876432A (zh) | 目标跟踪方法、终端设备及计算机可读存储介质 | |
CN112422953A (zh) | 一种识别摄像头是否被遮挡的方法、装置及终端设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |