CN113469138A - 对象检测方法和装置、存储介质及电子设备 - Google Patents

Abstract

本发明提供了一种对象检测方法和装置、存储介质及电子设备，该方法包括：对目标图像进行人物对象识别；响应于目标图像中不包含人物对象，通过目标信息识别神经网络提取目标图像的目标图像特征；确定目标图像特征与背景图像的背景图像特征之间的差异度，背景图像是从目标图像对应的图像集合中确定出的，其中，背景图像中未包含物品对象；响应于差异度达到差异度阈值的情况下，确定在目标图像中检测到遗留的物品对象。通过本发明，解决了现有遗留物品检测方法的抗干扰能力差的技术问题。

Description

对象检测方法和装置、存储介质及电子设备

技术领域

本发明涉及互联网技术领域，具体而言，涉及一种对象检测方法和装置、存储介质及电子设备。

背景技术

在实际生活中，对遗留物品的检测十分重要，能够有效的帮助人们避免一些误操作所造成的财产损失。比如在人流量大的火车站，旅客往往很容易在座椅上遗失物品。现在可以借助各种公共场所中广布的摄像头获取的监控图像来对遗失物品进行检测，并及时发出提示信息，从而避免财产损失。

传统的遗留物品检测主要是利用传统的背景建模方式来对前景进行检测，但是这种方式一般容易受到光照、阴影的影响，抗干扰能力较差，无法应对实际使用中的复杂情况，难以对遗留物品进行有效地检测。因此，现有的对遗失物品检测的技术存在抗干扰能力差，检测准确率低的技术问题。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种对象检测方法和装置、存储介质及电子设备，以至少解决现有遗留物品检测方法的抗干扰能力差，检测准确率低的技术问题。

根据本发明实施例的一个方面，提供了一种对象检测方法，包括：对目标图像进行人物对象识别；响应于目标图像中不包含人物对象，通过目标信息识别神经网络提取目标图像的目标图像特征；确定目标图像特征与背景图像的背景图像特征之间的差异度，背景图像是从目标图像对应的图像集合中确定出的，其中，背景图像中未包含物品对象；响应于差异度达到差异度阈值的情况下，确定在目标图像中检测到遗留的物品对象。

根据本发明实施例的另一方面，还提供了一种对象检测装置，包括：识别单元，用于对目标图像进行人物对象识别；提取单元，用于响应于目标图像中不包含人物对象，通过目标信息识别神经网络提取目标图像的目标图像特征；比对单元，用于确定目标图像特征与背景图像的背景图像特征之间的差异度，背景图像是从目标图像对应的图像集合中确定出的，其中，背景图像中未包含物品对象；确定单元，用于响应于差异度达到差异度阈值的情况下，确定在目标图像中检测到遗留的物品对象。

根据本发明实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述对象检测方法。

根据本发明实施例的又一方面，还提供了一种电子设备，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为通过计算机程序执行上述的对象检测方法。

在本发明实施例中，采用对目标图像进行人物对象识别，再在目标图像中并未包括人物对象的情况下，通过目标信息识别神经网络提取目标图像的目标图像特征，再对目标图像特征与背景图像特征进行比对，最后在比对的结果指示目标图像特征与背景图像特征之间的差异度达到差异度阈值的情况下，确定在目标图像中检测到遗留的物品对象的方法，从而通过先检测存在人物对象的图像，排除人物对象对于目标对象检测的干扰，再通过基于深度学习得到的神经网络模型对目标图像的图像特征进行提取，提高了特征提取的算法的抗干扰能力，从而达到了提高检测遗留的物品对象的准确率的目的，并提升了检测算法抗干扰能力的技术效果，进而解决了现有遗留物品检测方法的抗干扰能力差，检测准确率低的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种可选的对象检测方法的示意图；

图2是根据本发明实施例的另一种可选的对象检测方法的示意图；

图3是根据本发明实施例的又一种可选的对象检测方法的示意图；

图4是根据本发明实施例的又一种可选的对象检测方法的示意图；

图5是根据本发明实施例的又一种可选的对象检测方法的示意图；

图6是根据本发明实施例的一种可选的对象检测装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本发明实施例的一个方面，提供了一种对象检测方法，可选地，作为一种可选的实施方式，上述对象检测方法可以但不限于应用于如图1所示的网络环境中的对象检测系统中，该对象检测系统包括设备102、网络110及服务器112。设备102中包括识别单元103，提取单元104，比对单元105及确定单元106。其中，识别单元103，用于对目标图像进行人物对象识别；提取单元104，用于响应于目标图像中不包含人物对象，通过目标信息识别神经网络提取目标图像的目标图像特征；比对单元105，用于确定目标图像特征与背景图像的背景图像特征之间的差异度，背景图像是从目标图像对应的图像集合中确定出的，其中，背景图像中未包含物品对象；确定单元106，用于响应于差异度达到差异度阈值的情况下，确定在目标图像中检测到遗留的物品对象具体的，请参照步骤S101至步骤S109。

S101，服务器112解析一段视频数据得到图像序列，将解析得到的图像序列发送给网络110；

S102，网络110将图像序列发送给设备102；

S103，设备102将图像序列中的一张图片确定为目标图像，并对目标图像进行人物对象识别；

S104，设备102响应于目标图像不包含人物对象，通过目标信息识别神经网络提取目标图像的目标图像特征；

S105，设备102确定目标图像特征与背景图像的背景图像特征之间的差异度；

S106，设备102响应于差异度达到差异度阈值的情况下，确定在目标图像中检测到遗留的物品对象；

S107，设备102根据目标图像指示的位置信息，向网络110发送存在遗留的物品对象的提示信息；

S108，网络110向服务器112发送提示信息；

S109，服务器112接收提示信息，并根据提示信息的解析结果向特定设备推送提示信息。

在本发明实施例中，采用对目标图像进行人物对象识别，再在目标图像中并未包括人物对象的情况下，通过目标信息识别神经网络提取目标图像的目标图像特征，再对目标图像特征与背景图像特征进行比对，最后在比对的结果指示目标图像特征与背景图像特征之间的差异度达到差异度阈值的情况下，确定在目标图像中检测到遗留的物品对象的方法，从而通过先检测存在人物对象的图像，排除人物对象对于目标对象检测的干扰，再通过基于深度学习得到的神经网络模型对目标图像的图像特征进行提取，提高了特征提取的算法的抗干扰能力，从而达到了提高检测遗留的物品对象的准确率的目的，并提升了检测算法抗干扰能力的技术效果，进而解决了现有遗留物品检测方法的抗干扰能力差，检测准确率低的技术问题。

参见图2，根据本发明实施例的一个方面，提供了一种对象检测方法，包括：

S202，对目标图像进行人物对象识别；

S204，响应于目标图像中不包含人物对象，通过目标信息识别神经网络提取目标图像的目标图像特征；

S206，确定目标图像特征与背景图像的背景图像特征之间的差异度，背景图像是从目标图像对应的图像集合中确定出的，其中，背景图像中未包含物品对象；

S208，响应于差异度达到差异度阈值的情况下，确定在目标图像中检测到遗留的物品对象。

在本发明实施例中，采用对目标图像进行人物对象识别，再在目标图像中并未包括人物对象的情况下，通过目标信息识别神经网络提取目标图像的目标图像特征，再对目标图像特征与背景图像特征进行比对，最后在比对的结果指示目标图像特征与背景图像特征之间的差异度达到差异度阈值的情况下，确定在目标图像中检测到遗留的物品对象的方法，从而通过先检测存在人物对象的图像，排除人物对象对于目标对象检测的干扰，再通过基于深度学习得到的神经网络模型对目标图像的图像特征进行提取，提高了特征提取的算法的抗干扰能力，从而达到了提高检测遗留的物品对象的准确率的目的，并提升了检测算法抗干扰能力的技术效果，进而解决了现有遗留物品检测方法的抗干扰能力差，检测准确率低的技术问题。

可选地，在本实施例中，上述用户设备可以但不限于为手机、平板电脑、笔记本电脑、PC机等支持运行应用客户端的计算机设备。上述服务器和用户设备可以但不限于通过网络实现数据交互，上述网络可以包括但不限于无线网络或有线网络。其中，该无线网络包括：蓝牙、WIFI及其他实现无线通信的网络。上述有线网络可以包括但不限于：广域网、城域网、局域网。上述仅是一种示例，本实施例中对此不作任何限定。

可选地，根据本发明实施例的一个方面，上述步骤S206，确定目标图像特征与背景图像的背景图像特征之间的差异度，还可以包括：

S1，对目标图像特征和背景图像特征进行融合处理，以得到融合特征图；

S2，在融合特征图指示目标图像中包含候选前景对象的情况下，根据候选前景对象所在候选前景区域的区域信息对目标图像进行抠图处理，得到第一区域，并根据候选前景区域的区域信息对背景图像进行抠图处理，得到第二区域；

S3，比对第一区域及第二区域，得到差异度。

根据本发明上述实施例，通过先对提取得到的目标图像特征与背景图像特征进行融合处理，再对融合得到的融合特征图进行初步前景对象识别，然后根据识别结果对目标图像和背景图像进行抠图处理，最终进行二次识别，从而提高了前景对象的识别效率。可选的，前景图像可以为实际应用中的遗留物对象。

可选地，根据本发明实施例的一个方面，上述融合处理，还可以包括：

S1，对目标图像特征和背景图像特征进行融合处理，以得到融合特征图包括：将目标图像特征和背景图像特征进行拼接处理，以得到融合特征图，其中，融合特征图指示同时包括目标图像特征和背景图像特征的高维特征信息；

S2，在对目标图像特征和背景图像特征进行融合处理，以得到融合特征图之后，还包括：将融合特征图输入分类识别器以识别出目标图像中的候选前景对象。

根据本发明上述实施例，对目标图像特征与背景图像特征进行融合处理可以是将目标图像特征与背景图像特征进行拼接，从而得到高维融合特征图，然后将高维特征图输入分类识别器以识别前景图像，从而得到初步前景对象信息。通过上述方法，初步得到前景对象信息，进而方便后续进一步对前景对象进行验证，提高了前景对象的识别率。

可选地，根据本发明实施例的一个方面，上述比对第一区域及第二区域，还可以包括：

S1，计算第一区域与第二区域之间的余弦距离；

S2，将余弦距离确定为差异度，其中，在余弦距离小于目标阈值的情况下，确定差异度达到差异度阈值。

可选地，上述比对第一区域及第二区域的方法，可以是根据前景信息对目标图像抠图得到第一区域以及对背景图像抠图得到第二区域后，获取第一区域以及第二区域所在位置的像素矩阵信息，对第一区域像素矩阵以及第二区域像素矩阵进行余弦距离计算。可选地，上述第一区域以及第二区域可以是矩形，也可以是圆形，还可以是不规则图形。可选地，上述进行余弦距离计算的公式可以是L＝cos(f1,f2)，其中，f1对应于第一区域像素矩阵，f2对应于第二区域像素矩阵。可选地，在余弦距离计算得到的结果小于目标阈值的情况下，判断当前目标图像中存在前景对象，在余弦距离计算得到的结果大于目标阈值的情况下，判断当前目标图像中不存在前景对象，可选地，上述前景对象可以为遗留的物品对象。

根据本发明的上述实施例，通过在获取得到初步前景对象信息后，根据前景对象信息对目标图像以及背景图像进行抠图处理，对抠图得到的第一区域以及第二区域进行余弦距离计算，从而进一步定量确定存在前景对象，提高前景对象的识别准确率。

可选地，根据本发明实施例的一个方面，上述实施例的步骤S206至S208，还可以是根据faster-RCNN的网络结构来实现对遗留物品的检测，通过图3所示的方式将S204中提取的特征进行融合，并根据融合后的特征图中的每一个特征点分别预测当前目标为前景或是背景，以及在当前目标为前景情况下获取的当前目标所在区域的目标框信息。

可选地，根据本发明实施例的一个方面，在上述步骤中获取得到目标框信息后，为进一步对目标是否为前景进行判别，通过上一步得到的目标框的信息通过如图4所示的方法对目标图像以及背景图像进行抠图处理，并通过利用公式L＝cos(f1,f2)来计算对应前景及背景图之间对应区域的余弦距离，从而判别目标是否确实为前景。并且在余弦距离计算值小于目标阈值的情况下，确定当前目标为前景。可选地，前景可以为遗留物对象。

根据本发明的上述实施例，提供了一种通过faster-RCNN网络结构初步判断是否存在前景对象，再通过结合faster-RCNN网络结构的结果通过余弦距离法进一步确定是否存在前景对象，解决了精确判断是否存在前景对象的技术问题，进而实现了提高前景对象的识别率的技术效果。可选地，上述前景对象可以为遗失物品对象。

可选地，根据本发明实施例的一个方面，上述步骤S208之后，还可以包括：

S1，获取目标图像所指示的遗留的物品对象所在位置的位置信息；

S2，提示携带有位置信息的提示信息。

可选地，上述获取目标图像所指示的遗留的物品对象所在位置的方式可以是直接读取目标图像信息中包括的目标图像所指示的位置信息。

可选地，上述提示信息的发送方式可以是终端通过网络向服务器发送提示信息，服务器再根据绑定的平台信息向信息发布平台发送提示信息，也可以是直接向目标对象中存在的人物对象发送提示信息，在此不做任何限定。

根据本发明的上述实施例，实现了在检测到遗留的物品对象的情况下，及时发送提示信息，从而实现了及时提示遗留物品信息的技术效果，避免了不必要的损失。

可选地，根据本发明实施例的一个方面，上述步骤S202之前，还可以包括：

S1，获取样本图像集合，其中，样本图像集合中的每张样本图像标注有图像特征标签；

S2，将样本图像集合中的样本图像依次作为当前样本图像，并输入初始化信息识别神经网络进行训练，直至达到训练收敛条件：

S3，对当前样本图像进行图像特征提取，以得到当前样本特征；

S4，在当前样本特征与当前样本图像对应的图像特征标签之间的差异值大于参考阈值的情况下，调整当前训练的信息识别神经网络中的特征提取参数；

S5，在当前样本特征与当前样本图像对应的图像特征标签之间的差异值小于或等于参考阈值的情况下，将当前训练的信息识别神经网络确定为目标信息识别神经网络。

根据本发明的上述实施例，通过提前进行深度学习训练从而得到的目标信息识别神经网络，进而通过深度学习训练得到的目标信息识别神经网络对背景图像和目标图像进行特征提取，解决了传统方法中基于背景建模的方式容易产生阴影、光照变换误报的问题。

可选地，根据本发明实施例的一个方面，上述步骤S202之前，还可以包括：

S1，获取当前采集到的目标视频对应的图像序列；

S2，将图像序列中的图像依次确定为目标图像。

根据本发明的上述实施例，通过获取目标视频对应的图像序列，并依次将图像序列中的图像作为目标图像进行后续的识别步骤，实现了对目标视频中的前景对象的高效识别，提高了前景对象的识别率。

可选地，根据本发明实施例的一个方面，如图5所示，本发明可以实施在图5所示应用实例中。

以图5所示的流程图为例，实现对遗留的物品对象的检测和报警。

S501，输入视频帧；

可选地，上述视频帧可以是一段视频数据，也可以是一组与一段视频数据对应的图像序列。

S502，人体检测：对当前帧进行人体检测，并对检测到人体的图像进行过滤，仅对不包含人体的图像进行后续处理；

S503，基于深度学习训练信息识别网络；

S504，深度学习特征提取：通过训练得到的信息识别网络对当前图像进行特征提取；

S505，确定当前帧为背景图像，在确定当前帧为背景图像的情况下，提取得到的特征为背景特征，在确定当前帧图像不为背景图像的情况下，提取得到的特征为当前特征；

S506，特征对比：对提取得到当前帧的图像特征与背景特征进行对比；

S507，检测到遗留物：根据对比结果确定存在遗留物品；

S508，在检测到遗留物的情况下，进行遗留物报警，结束操作或者返回第一步，处理图像序列中的下一视频帧。

在本发明实施例中，采用对目标图像进行人物对象识别，再在目标图像中并未包括人物对象的情况下，通过目标信息识别神经网络提取目标图像的目标图像特征，再对目标图像特征与背景图像特征进行比对，最后在比对的结果指示目标图像特征与背景图像特征之间的差异度达到差异度阈值的情况下，确定在目标图像中检测到遗留的物品对象的方法，从而通过先检测存在人物对象的图像，排除人物对象对于目标对象检测的干扰，再通过基于深度学习得到的神经网络模型对目标图像的图像特征进行提取，提高了特征提取的算法的抗干扰能力，从而达到了提高检测遗留的物品对象的准确率的目的，并提升了检测算法抗干扰能力的技术效果，进而解决了现有遗留物品检测方法的抗干扰能力差，检测准确率低的技术问题。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

可选地，根据本发明实施例的另一个方面，还提供了一种用于实施对象检测方法的装置。如图6所示，该装置包括：

识别单元601，用于对目标图像进行人物对象识别；

提取单元602，用于响应于目标图像中不包含人物对象，通过目标信息识别神经网络提取目标图像的目标图像特征；

比对单元603，用于确定目标图像特征与背景图像的背景图像特征之间的差异度，背景图像是从目标图像对应的图像集合中确定出的，其中，背景图像中未包含物品对象；

确定单元604，用于响应于差异度达到差异度阈值的情况下，确定在目标图像中检测到遗留的物品对象。

在本发明实施例中，采用对目标图像进行人物对象识别，再在目标图像中并未包括人物对象的情况下，通过目标信息识别神经网络提取目标图像的目标图像特征，再对目标图像特征与背景图像特征进行比对，最后在比对的结果指示目标图像特征与背景图像特征之间的差异度达到差异度阈值的情况下，确定在目标图像中检测到遗留的物品对象的方法，从而通过先检测存在人物对象的图像，排除人物对象对于目标对象检测的干扰，再通过基于深度学习得到的神经网络模型对目标图像的图像特征进行提取，提高了特征提取的算法的抗干扰能力，从而达到了提高检测遗留的物品对象的准确率的目的，并提升了检测算法抗干扰能力的技术效果，进而解决了现有遗留物品检测方法的抗干扰能力差，检测准确率低的技术问题。

可选地，根据本发明实施例的另一个方面，上述比对单元还可以包括：

融合模块，用于对目标图像特征和背景图像特征进行融合处理，以得到融合特征图；

抠图模块，用于在融合特征图指示目标图像中包含候选前景对象的情况下，根据候选前景对象所在候选前景区域的区域信息对目标图像进行抠图处理，得到第一区域，并根据候选前景区域的区域信息对背景图像进行抠图处理，得到第二区域；

比对模块，用于比对第一区域及第二区域，得到差异度。

根据本发明实施例的另一个方面，上述融合模块还可以包括：

融合子模块，用于将目标图像特征和背景图像特征进行拼接处理，以得到融合特征图，其中，融合特征图指示同时包括目标图像特征和背景图像特征的高维特征信息；

融合子模块还用于将融合特征图输入分类识别器以识别出目标图像中的候选前景对象。

可选地，根据本发明实施例的另一个方面，上述比对模块还可以包括：

计算子模块，用于计算第一区域与第二区域之间的余弦距离；

检测子模块，用于将余弦距离确定为差异度，其中，在余弦距离小于目标阈值的情况下，确定差异度达到差异度阈值。

根据本发明实施例的另一个方面，上述确定单元还可以包括

位置模块，用于获取目标图像所指示的遗留的物品对象所在位置的位置信息；

提示模块，用于提示携带有位置信息的提示信息。

可选地，根据本发明实施例的另一个方面，上述识别单元还可以用于：

获取样本图像集合，其中，样本图像集合中的每张样本图像标注有图像特征标签；

将样本图像集合中的样本图像依次作为当前样本图像，并输入初始化信息识别神经网络进行训练，直至达到训练收敛条件：

对当前样本图像进行图像特征提取，以得到当前样本特征；

在当前样本特征与当前样本图像对应的图像特征标签之间的差异值大于参考阈值的情况下，调整当前训练的信息识别神经网络中的特征提取参数；

在当前样本特征与当前样本图像对应的图像特征标签之间的差异值小于或等于参考阈值的情况下，将当前训练的信息识别神经网络确定为目标信息识别神经网络。

可选地，根据本发明实施例的另一个方面，上述识别单元还可以包括：

获取模块，用于获取当前采集到的目标视频对应的图像序列；

确定模块，用于将图像序列中的图像依次确定为目标图像。

上述实施例中的集成的单元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，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

上述实施例中的集成的单元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，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，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信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

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，在本发明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。

以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (16)

1.一种对象检测方法，其特征在于，包括：

对目标图像进行人物对象识别；

响应于所述目标图像中不包含所述人物对象，通过目标信息识别神经网络提取所述目标图像的目标图像特征；

确定所述目标图像特征与背景图像的背景图像特征之间的差异度，所述背景图像是从所述目标图像对应的图像集合中确定出的，其中，所述背景图像中未包含物品对象；

响应于所述差异度达到差异度阈值的情况下，确定在所述目标图像中检测到遗留的物品对象。

2.根据权利要求1所述的方法，其特征在于，确定所述目标图像特征与背景图像的背景图像特征之间的差异度包括：

对所述目标图像特征和所述背景图像特征进行融合处理，以得到融合特征图；

在所述融合特征图指示所述目标图像中包含候选前景对象的情况下，根据所述候选前景对象所在候选前景区域的区域信息对所述目标图像进行抠图处理，得到第一区域，并根据所述候选前景区域的区域信息对所述背景图像进行抠图处理，得到第二区域；

比对所述第一区域及所述第二区域，得到所述差异度。

3.根据权利要求2所述的方法，其特征在于，

所述对所述目标图像特征和所述背景图像特征进行融合处理，以得到融合特征图包括：将所述目标图像特征和所述背景图像特征进行拼接处理，以得到所述融合特征图，其中，所述融合特征图指示同时包括所述目标图像特征和所述背景图像特征的高维特征信息；

在所述对所述目标图像特征和所述背景图像特征进行融合处理，以得到融合特征图之后，还包括：将所述融合特征图输入分类识别器以识别出所述目标图像中的所述候选前景对象。

4.根据权利要求2所述的方法，其特征在于，所述比对所述第一区域及所述第二区域，得到所述差异度包括：

计算所述第一区域与所述第二区域之间的余弦距离；

将所述余弦距离确定为所述差异度，其中，在所述余弦距离小于目标阈值的情况下，确定所述差异度达到所述差异度阈值。

5.根据权利要求1所述的方法，其特征在于，响应于所述差异度达到差异度阈值的情况下，确定在所述目标图像中检测到遗留的物品对象之后，还包括：

获取所述目标图像所指示的所述遗留的物品对象所在位置的位置信息；

提示携带有所述位置信息的提示信息。

6.根据权利要求1所述的方法，其特征在于，在所述对目标图像进行人物对象识别之前，还包括：

获取样本图像集合，其中，所述样本图像集合中的每张样本图像标注有图像特征标签；

将所述样本图像集合中的样本图像依次作为当前样本图像，并输入初始化信息识别神经网络进行训练，直至达到训练收敛条件：

对所述当前样本图像进行图像特征提取，以得到当前样本特征；

在所述当前样本特征与所述当前样本图像对应的所述图像特征标签之间的差异值大于参考阈值的情况下，调整当前训练的信息识别神经网络中的特征提取参数；

在所述当前样本特征与所述当前样本图像对应的所述图像特征标签之间的差异值小于或等于参考阈值的情况下，将所述当前训练的信息识别神经网络确定为所述目标信息识别神经网络。

7.根据权利要求1所述的方法，其特征在于，所述对目标图像进行人物对象识别包括：

获取当前采集到的目标视频对应的图像序列；

将所述图像序列中的图像依次确定为所述目标图像。

8.一种对象检测装置，其特征在于，包括：

识别单元，用于对目标图像进行人物对象识别；

提取单元，用于响应于所述目标图像中不包含所述人物对象，通过目标信息识别神经网络提取所述目标图像的目标图像特征；

比对单元，用于确定所述目标图像特征与背景图像的背景图像特征之间的差异度，所述背景图像是从所述目标图像对应的图像集合中确定出的，其中，所述背景图像中未包含物品对象；

确定单元，用于响应于所述差异度达到差异度阈值的情况下，确定在所述目标图像中检测到遗留的物品对象。

9.根据权利要求8所述的装置，其特征在于，所述比对单元包括：

融合模块，用于对所述目标图像特征和所述背景图像特征进行融合处理，以得到融合特征图；

抠图模块，用于在所述融合特征图指示所述目标图像中包含候选前景对象的情况下，根据所述候选前景对象所在候选前景区域的区域信息对所述目标图像进行抠图处理，得到第一区域，并根据所述候选前景区域的区域信息对所述背景图像进行抠图处理，得到第二区域；

比对模块，用于比对所述第一区域及所述第二区域，得到所述差异度。

10.根据权利要求9所述的装置，其特征在于，所述融合模块包括：

融合子模块，用于将所述目标图像特征和所述背景图像特征进行拼接处理，以得到所述融合特征图，其中，所述融合特征图指示同时包括所述目标图像特征和所述背景图像特征的高维特征信息；

所述融合子模块还用于将所述融合特征图输入分类识别器以识别出所述目标图像中的所述候选前景对象。

11.根据权利要求9所述的装置，其特征在于，所述比对模块包括：

计算子模块，用于计算所述第一区域与所述第二区域之间的余弦距离；

检测子模块，用于将所述余弦距离确定为所述差异度，其中，在所述余弦距离小于目标阈值的情况下，确定所述差异度达到所述差异度阈值。

12.根据权利要求8所述的装置，其特征在于，所述确定单元，还包括：

位置模块，用于获取所述目标图像所指示的所述遗留的物品对象所在位置的位置信息；

提示模块，用于提示携带有所述位置信息的提示信息。

13.根据权利要求8所述的装置，其特征在于，所述识别单元，还用于：

获取样本图像集合，其中，所述样本图像集合中的每张样本图像标注有图像特征标签；

将所述样本图像集合中的样本图像依次作为当前样本图像，并输入初始化信息识别神经网络进行训练，直至达到训练收敛条件：

对所述当前样本图像进行图像特征提取，以得到当前样本特征；

在所述当前样本特征与所述当前样本图像对应的所述图像特征标签之间的差异值大于参考阈值的情况下，调整当前训练的信息识别神经网络中的特征提取参数；

在所述当前样本特征与所述当前样本图像对应的所述图像特征标签之间的差异值小于或等于参考阈值的情况下，将所述当前训练的信息识别神经网络确定为所述目标信息识别神经网络。

14.根据权利要求8所述的装置，其特征在于，所述识别单元包括：

获取模块，用于获取当前采集到的目标视频对应的图像序列；

确定模块，用于将所述图像序列中的图像依次确定为所述目标图像。

15.一种计算机可读的存储介质，其特征在于，所述计算机可读的存储介质包括存储的程序，其中，所述程序运行时执行所述权利要求1至7任一项中所述的对象检测方法。

16.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行权利要求1至7任一项中所述的对象检测方法。

Images