CN113553937A - 目标检测方法、装置、电子设备以及存储介质 - Google Patents

目标检测方法、装置、电子设备以及存储介质 Download PDF

Info

Publication number
CN113553937A
CN113553937A CN202110814881.0A CN202110814881A CN113553937A CN 113553937 A CN113553937 A CN 113553937A CN 202110814881 A CN202110814881 A CN 202110814881A CN 113553937 A CN113553937 A CN 113553937A
Authority
CN
China
Prior art keywords
region
interest
confidence
target
determining
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
CN202110814881.0A
Other languages
English (en)
Inventor
苏翔博
吴其蔓
康帅
王健
孙昊
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 Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110814881.0A priority Critical patent/CN113553937A/zh
Publication of CN113553937A publication Critical patent/CN113553937A/zh
Priority to US17/868,630 priority patent/US20220351493A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种目标检测方法、装置、电子设备以及存储介质，本公开涉及人工智能领域，具体涉及计算机视觉和深度学习技术，具体可用于智慧城市和智能交通场景下。具体实现方案为：将待检测的图片输入到目标检测模型，利用目标检测模型在图片中标记出至少一个感兴趣区域、以及确定出每个感兴趣区域包含预设目标对象的初始置信度；确定出图片中干扰物的浓度信息；基于浓度信息和感兴趣区域对应的初始置信度，确定出感兴趣区域包含预设目标对象的目标置信度。上述方法可以利用图片中的干扰物的浓度重新调整初始置信度以得到目标置信度，提高置信度的准确度和可信度，在较大程度上降低检测结果的误检率。

Description

目标检测方法、装置、电子设备以及存储介质
技术领域
本公开涉及人工智能领域，具体涉及计算机视觉和深度学习技术，具体可用于智慧城市和智能交通场景下。
背景技术
现有的针对图片的目标检测模型的训练方式，通常是将有干扰物的图片和无干扰物的图片共同作为训练数据对目标检测模型进行训练，由于在有干扰物的图片中目标对象的能见度较低，目标对象通常比较模糊，对模型而言学习难度较高，这会导致训练后的目标检测模型对有干扰物的图片的检测结果中出现较多的误检。
发明内容
本公开提供了一种目标检测方法、装置、电子设备以及存储介质。
根据本公开的第一方面，提供了一种目标检测方法，包括：
将待检测的图片输入到目标检测模型，利用目标检测模型在图片中标记出至少一个感兴趣区域、以及确定出每个感兴趣区域包含预设目标对象的初始置信度；
确定出图片中干扰物的浓度信息；
基于浓度信息和感兴趣区域对应的初始置信度，确定出感兴趣区域包含预设目标对象的目标置信度。
根据本公开的第二方面，提供了一种目标检测装置，包括：
初始置信度确定模块，用于将待检测的图片输入到目标检测模型，利用目标检测模型在图片中标记出至少一个感兴趣区域、以及确定出每个感兴趣区域包含预设目标对象的初始置信度；
浓度信息确定模块，用于确定出图片中干扰物的浓度信息；
目标置信度确定模块，用于基于浓度信息和感兴趣区域对应的初始置信度，确定出感兴趣区域包含预设目标对象的目标置信度。
根据本公开的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的目标检测方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述的目标检测方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述的目标检测方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
本公开提供的技术方案带来的有益效果是：
在本公开的技术方案中，在利用常规的目标检测模型确定出图片中每个感兴趣区域包含对应的目标对象的初始置信度之后，可以继续利用图片中的干扰物的浓度重新调整初始置信度以得到目标置信度，提高置信度的准确度和可信度，在较大程度上降低检测结果的误检率。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1示出了本公开实施例提供的一种目标检测方法的流程示意图；
图2示出了本公开实施例提供的另一种目标检测方法的流程示意图；
图3示出了本公开实施例提供的一种确定目标置信度的方法的流程示意图；
图4示出了本公开实施例提供的一种目标检测装置的结构示意图之一；
图5示出了本公开实施例提供的一种目标检测装置的结构示意图之二；
图6示出了本公开实施例提供的一种目标检测装置的结构示意图之三；
图7示出了可以用来实施本公开实施例提供的目标检测方法的示例电子设备的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
现有的针对图片的目标检测模型的训练方式，通常是将有干扰物的图片和无干扰物的图片共同作为训练数据对目标检测模型进行训练，由于在有干扰物的图片中目标对象的能见度较低，目标对象通常比较模糊，对模型而言学习难度较高，这会导致训练后的目标检测模型对有干扰物的图片的检测结果中出现较多的误检。
本公开实施例提供的目标检测方法、装置、电子设备以及存储介质，旨在解决现有技术的如上技术问题中的至少一个。
图1示出了本公开实施例提供的一种目标检测方法的流程示意图，如图1所示，该方法主要可以包括以下步骤：
S110：将待检测的图片输入到目标检测模型，利用目标检测模型在图片中标记出至少一个感兴趣区域、以及确定出每个感兴趣区域包含预设目标对象的初始置信度。
本公开实施例中的待检测的图片的来源可以根据实际应用场景而定，以监控场景为例，可以将监控视频中的视频帧作为待检测的图片。目标检测模型所采用的目标检测深度学习方法的类型可以根据实际的需要而定，例如可以采用直接多目标检测法(SingleShot Multi Box Detector，SSD)、精细直接多目标检测法(Single-Shot RefinementNeural Network for Object Detection)，RefineDet、基于针对移动端视觉应用的高效卷积神经网络的直接多目标检测法(MobileNet based Single Shot Multi Box Detector，MobileNet-SSD)、统一实时目标检测(You Only Look Once:Unified,Real-Time ObjectDetection，YOLO)等。
在本公开实施例中，可以根据检测场景定义至少一种预设类型的目标对象，将图片中可能包含一个预设类型的目标对象的区域称为感兴趣区域，其中，感兴趣区域可以在图片以方框、圆、椭圆、不规则多边形等形式的检测框被标记出来。目标检测模型还可以确定出每个感兴趣区域包含预设目标对象的初始置信度，该初始置信度表示感兴趣区域包含有预设目标对象的概率，可以理解，初始置信度越大，表示感兴趣区域包含有预设目标对象的概率越高。例如，可以利用目标检测模型在图片中标记出可能包含A类目标对象的感兴趣区域1，感兴趣区域1包含A类目标对象的初始置信度为0.65。
可选地，在图片中标记出至少一个感兴趣区域时，可以在图片中标记出至少一个感兴趣区域中每个感兴趣区域的位置信息。其中，位置信息包括感兴趣区域的坐标信息和/或尺寸信息。
S120：确定出图片中干扰物的浓度信息。
在本公开实施例中，干扰物可以是雾、霾、烟、粉尘、沙尘、雨雪等影响检测精度的干扰因素。在该步骤中，用于确定图片中干扰物的浓度信息算法可以根据实际的需要而定，例如可以使用暗通道估计法来确定图片中干扰物的浓度信息。
S130：基于浓度信息和感兴趣区域对应的初始置信度，确定出感兴趣区域包含预设目标对象的目标置信度。
在该步骤中，浓度信息可以表征图片中每个区域的干扰物的浓度情况，基于浓度信息对感兴趣区域对应的初始置信度进行调整，将感兴趣区域的调整后的初始置信度，作为感兴趣区域包含预设目标对象的目标置信度。可以理解，感兴趣区域中的干扰物的浓度越大，初始置信度的不准确性越高，因此，需要对初始置信度的调整程度也越大。
本公开实施例提供的目标检测方法，在利用常规的目标检测模型确定出图片中每个感兴趣区域包含对应的目标对象的初始置信度之后，可以继续利用图片中的干扰物的浓度重新调整初始置信度以得到目标置信度，提高置信度的准确度和可信度，在较大程度上降低检测结果的误检率。
在本公开实施例中，在步骤S110之前，可以基于目标检测模型对应的图片规格，调整待检测的图片的尺寸和/或颜色参数。
在本公开实施例中，在步骤S130之后，可以确定每个感兴趣区域包含预设目标对象的目标置信度是否符合预设置信度条件；将对应的目标置信度符合预设置信度条件的感兴趣区，确定为目标感兴趣区域。
图2示出了本公开实施例提供的另一种目标检测方法的流程示意图，如图2所示，该方法主要可以包括以下步骤：
S210：基于目标检测模型对应的图片规格，调整待检测的图片的尺寸和/或颜色参数。
图片规格基于目标检测模型训练过程中所使用的训练集中的样本图片参数而定，调整待检测的图片的尺寸和/或颜色参数是对图片的预处理过程，该预处理过程的目的是为了待检测的图片的规格调整为与目标检测模型训练过程中的样本图片的规格统一，增强目标检测模型的鲁棒性。
可选地，对于待检测的图片的预处理过程，可以包括将图片缩放成固定尺寸(如416*416)。可选地，预处理过程还可以包括对图片中每个像素的三个通道的值进行调整，例如对图片中每个像素的三个通道的值减去对应的预设数值。这里，每个通道对应的预设数值，可以是图片集中相同的通道的值的平均值，以红色通道为例，可以求取图片集中所有图片的红色通道的值的平均值，将该平均值作为红色通道对应的预设数值。假设像素的红绿蓝三个通道对应的预设数值可以分别是104、117和123，可以将图片中每个像素的红绿蓝三个通道的值分别减去104、117和123，使得每个通道的值分布在0附近。
S220：将待检测的图片输入到目标检测模型，利用目标检测模型在图片中标记出至少一个感兴趣区域中每个感兴趣区域的位置信息。
在本公开实施例中，位置信息的表达形式可以根据实际的需要进行选择，例如，位置信息包括感兴趣区域的长宽值和至少一个顶点坐标，或者位置信息包括感兴趣区域的至少两个顶点坐标。
如前文所述，感兴趣区域可以从图片以方框、圆、椭圆、不规则多边形等形式的检测框被标记出来。以感兴趣区域是方框区域为例，感兴趣区域的位置信息可以表达为以长宽值和一个顶点坐标的形式进行表达，感兴趣区域的位置信息可以描述为(x，y，w，h)，其中，x和y是感兴趣区域的一个顶点的坐标，w是感兴趣区域的宽度，h是感兴趣区域的长度。
在本公开实施例中，该步骤S220中的其他描述可以参照步骤S110中的描述，此处不再赘述。
S230：利用目标检测模型确定出每个感兴趣区域包含预设目标对象的初始置信度。
感兴趣区域的位置信息可以描述为(x，y，w，h)，感兴趣区域的位置信息和初始置信度可以共同描述为(x，y，w，h，conf)，conf为感兴趣区域包含预设目标对象的初始置信度。在本公开实施例中，步骤S230中的其他描述可以步骤S110中的描述，此处不再赘述。
S240：确定出图片中干扰物的浓度信息。
在本公开实施例中，干扰物可以是雾、霾、烟、粉尘、沙尘、雨雪等影响检测精度的干扰因素。在该步骤中，用于确定图片中干扰物的浓度信息算法可以根据实际的需要而定，例如可以采用暗通道估计法来确定图片中干扰物的浓度信息。
S250：基于感兴趣区域的位置信息，从浓度信息中确定出感兴趣区域对应的子浓度信息。
在该步骤中，浓度信息可以表征图片中每个区域的干扰物的浓度情况，可以理解，因此，基于感兴趣区域的位置信息可以从浓度信息中确定出每个感兴趣区域对应的子浓度信息。
S260：基于感兴趣区域对应的子浓度信息和初始置信度，确定出感兴趣区域包含预设目标对象的目标置信度。
每个感兴趣区域对应的子浓度信息可以表征该感兴趣区域的干扰物的浓度情况，基于对应的子浓度信息对感兴趣区域的初始置信度进行调整，将感兴趣区域的调整后的初始置信度，作为感兴趣区域包含预设目标对象的目标置信度。可以理解，感兴趣区域中的干扰物的浓度越大，初始置信度的不准确性越高，因此，需要对初始置信度的调整程度也越大。本公开实施例将在后续内容对确定目标置信度的过程做详细介绍，此处不再赘述。
S270：确定每个感兴趣区域包含预设目标对象的目标置信度是否符合预设置信度条件；将对应的目标置信度符合预设置信度条件的感兴趣区，确定为目标感兴趣区域。
在本公开实施例中，预设置信度条件可以根据实际的设计需要而定，例如，可以设置一个置信度阈值，当某一个感兴趣区域对应的目标置信度大于置信度阈值时，可以确定该感兴趣区域对应的目标置信度符合预设置信度条件，将该感兴趣区域确定为目标感兴趣区域。
在本公开实施例中，在确定出目标感兴趣区域之后，可以保留目标感兴趣区域对应的检测框，以及删除非目标感兴趣区域对应的检测框。
图3示出了本公开实施例提供的一种确定目标置信度的方法的流程示意图，如图3所示，该方法主要可以包括以下步骤：
S310：基于感兴趣区域的位置信息，从浓度信息确定出感兴趣区域中每个像素对应的干扰物的浓度参数。
在本公开实施例中，浓度信息包括图片中每个像素对应的干扰物的浓度参数，其中，浓度参数越大，可以表示该像素对应的干扰物的浓度越大。以通过确定像素级别的干扰物的浓度情况，可以更加精细化地体现出感兴趣区域中干扰物的浓度情况。可选地，可以预先设定一个参数范围，每个像素对应的干扰物的浓度参数为该参数范围的一个数值。例如，可以设定浓度参数取值范围在0至1之间，也就是说，每个像素对应的干扰物的浓度参数为0至1之间一个数值。
S320：基于感兴趣区域中每个像素对应的干扰物的浓度参数，计算出感兴趣区域对应的置信度调节系数。
如前文所述，感兴趣区域中的干扰物的浓度越大，初始置信度的不准确性越高，因此可以适当地调小初始置信度，使得感兴趣区域被确定为目标感兴趣区域的概率减低，较大程度地避免出现误检。
在本公开实施例中，于感兴趣区域中每个像素对应的干扰物的浓度参数越大，表示该感兴趣区域中的干扰物的浓度越大，此时该感兴趣区域对应的置信度调节系数应当越小，以便基于感兴趣区域对应的置信度调节系数和初始置信度能够计算出较小的目标置信度，从而较大程度地避免出现误检。也就是说，感兴趣区域对应的置信度调节系数，应当与感兴趣区域中每个像素对应的干扰物的浓度参数在整体上呈负相关。
可选地，浓度参数取值范围在0至1之间。本公开实施例可以基于感兴趣区域中每个像素对应的干扰物的浓度参数，计算感兴趣区域对应的平均浓度参数；将1与平均浓度参数的差值，作为感兴趣区域对应的置信度调节系数。
具体来说，可以将感兴趣区域中所有像素对应的干扰物的浓度参数相加之后得到浓度参数总和，将浓度参数总和除以感兴趣区域中的像素数量即可得到感兴趣区域对应的平均浓度参数。可以理解，由于浓度参数取值范围在0至1之间，因此感兴趣区域对应的平均浓度参数的范围也在0至1之间，将平均浓度参数记为p_avg，则感兴趣区域对应的置信度调节系数为(1-p_avg)。可以理解，感兴趣区域对应的平均浓度参数越大，则感兴趣区域对应的置信度调节系数越小，记即兴趣区域对应的置信度调节系数，与感兴趣区域中每个像素对应的干扰物的浓度参数在整体上呈负相关。
S330：基于感兴趣区域对应的置信度调节系数和初始置信度，确定出感兴趣区域包含预设目标对象的目标置信度。
在本公开实施例中，可以计算感兴趣区域对应的置信度调节系数和初始置信度的乘积，将乘积确定为感兴趣区域包含预设目标对象的目标置信度。例如，感兴趣区域包含预设目标对象的初始置信度记为conf，感兴趣区域对应的置信度调节系数为(1-p_avg)，则感兴趣区域包含预设目标对象的目标置信度为conf(1-p_avg)。
基于与上述的目标检测方法相同的原理，图4示出了本公开实施例提供的一种目标检测装置的结构示意图之一，图5示出了本公开实施例提供的一种目标检测装置的结构示意图之二，图6示出了本公开实施例提供的一种目标检测装置的结构示意图之三。如图4所示，目标检测装置400包括初始置信度确定模块410、浓度信息确定模块420和目标置信度确定模块430。
初始置信度确定模块410用于将待检测的图片输入到目标检测模型，利用目标检测模型在图片中标记出至少一个感兴趣区域、以及确定出每个感兴趣区域包含预设目标对象的初始置信度。
浓度信息确定模块420用于确定出图片中干扰物的浓度信息。
目标置信度确定模块430用于基于浓度信息和感兴趣区域对应的初始置信度，确定出感兴趣区域包含预设目标对象的目标置信度。
本公开实施例提供的目标检测装置，在利用常规的目标检测模型确定出图片中每个感兴趣区域包含对应的目标对象的初始置信度之后，可以继续利用图片中的干扰物的浓度重新调整初始置信度以得到目标置信度，提高置信度的准确度和可信度，在较大程度上降低检测结果的误检率。
在本公开实施例中，初始置信度确定模块410在用于在图片中标记出至少一个感兴趣区域时，具体用于：
在图片中标记出至少一个感兴趣区域中每个感兴趣区域的位置信息；
其中，位置信息包括感兴趣区域的坐标信息和/或尺寸信息。
在本公开实施例中，目标置信度确定模块430在用于基于浓度信息和感兴趣区域对应的初始置信度，确定出感兴趣区域包含预设目标对象的目标置信度时，具体用于：
基于感兴趣区域的位置信息，从浓度信息中确定出感兴趣区域对应的子浓度信息；
基于感兴趣区域对应的子浓度信息和初始置信度，确定出感兴趣区域包含预设目标对象的目标置信度。
在本公开实施例中，浓度信息包括图片中每个像素对应的干扰物的浓度参数；目标置信度确定模块430在用于基于感兴趣区域的位置信息，从浓度信息中确定出感兴趣区域对应的子浓度信息时，具体用于：
基于感兴趣区域的位置信息，从浓度信息确定出感兴趣区域中每个像素对应的干扰物的浓度参数。
在本公开实施例中，目标置信度确定模块430在用于基于感兴趣区域对应的子浓度信息和初始置信度，确定出感兴趣区域包含预设目标对象的目标置信度时，具体用于：
基于感兴趣区域中每个像素对应的干扰物的浓度参数，计算出感兴趣区域对应的置信度调节系数；
基于感兴趣区域对应的置信度调节系数和初始置信度，确定出感兴趣区域包含预设目标对象的目标置信度。
在本公开实施例中，浓度参数取值范围在0至1之间；目标置信度确定模块430在用于基于感兴趣区域中每个像素对应的干扰物的浓度参数，计算出感兴趣区域对应的置信度调节系数时，具体用于：
基于感兴趣区域中每个像素对应的干扰物的浓度参数，计算感兴趣区域对应的平均浓度参数；
将1与平均浓度参数的差值，作为感兴趣区域对应的置信度调节系数。
在本公开实施例中，目标置信度确定模块430在用于基于感兴趣区域对应的置信度调节系数和初始置信度，确定出感兴趣区域包含预设目标对象的目标置信度时，具体用于：
计算感兴趣区域对应的置信度调节系数和初始置信度的乘积；
将乘积确定为感兴趣区域包含预设目标对象的目标置信度。
在本公开实施例中，如图5所示，目标检测装置400还包括区域筛选模块440，区域筛选模块440用于：确定每个感兴趣区域包含预设目标对象的目标置信度是否符合预设置信度条件；将对应的目标置信度符合预设置信度条件的感兴趣区，确定为目标感兴趣区域。
在本公开实施例中，如图6所示，目标检测装置400还包括图片预处理模块450，图片预处理模块450用于：基于目标检测模型对应的图片规格，调整待检测的图片的尺寸和/或颜色参数。
可以理解的是，本公开实施例中的目标检测装置的上述各模块具有实现上述的目标检测方法相应步骤的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。上述模块可以是软件和/或硬件，上述各模块可以单独实现，也可以多个模块集成实现。对于上述目标检测装置的各模块的功能描述具体可以参见上述的目标检测方法的对应描述，在此不再赘述。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开实施例提供的目标检测方法的示例电子设备的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如目标检测方法。例如，在一些实施例中，目标检测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的目标检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行目标检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (20)

1.一种目标检测方法，包括：
将待检测的图片输入到目标检测模型，利用所述目标检测模型在所述图片中标记出至少一个感兴趣区域、以及确定出每个所述感兴趣区域包含预设目标对象的初始置信度；
确定出所述图片中干扰物的浓度信息；
基于所述浓度信息和所述感兴趣区域对应的所述初始置信度，确定出所述感兴趣区域包含所述预设目标对象的目标置信度。
2.根据权利要求1所述的方法，其中，所述在所述图片中标记出至少一个感兴趣区域，包括：
在所述图片中标记出至少一个感兴趣区域中每个感兴趣区域的位置信息；
其中，所述位置信息包括所述感兴趣区域的坐标信息和/或尺寸信息。
3.根据权利要求2所述的方法，其中，所述基于所述浓度信息和所述感兴趣区域对应的所述初始置信度，确定出所述感兴趣区域包含所述预设目标对象的目标置信度，包括：
基于所述感兴趣区域的位置信息，从所述浓度信息中确定出所述感兴趣区域对应的子浓度信息；
基于所述感兴趣区域对应的所述子浓度信息和所述初始置信度，确定出所述感兴趣区域包含所述预设目标对象的目标置信度。
4.根据权利要求3所述的方法，其中，所述浓度信息包括所述图片中每个像素对应的干扰物的浓度参数；
所述基于所述感兴趣区域的位置信息，从所述浓度信息中确定出所述感兴趣区域对应的子浓度信息，包括：
基于所述感兴趣区域的位置信息，从所述浓度信息确定出所述感兴趣区域中每个像素对应的干扰物的浓度参数。
5.根据权利要求4所述的方法，其中，所述基于所述感兴趣区域对应的所述子浓度信息和所述初始置信度，确定出所述感兴趣区域包含所述预设目标对象的目标置信度，包括：
基于所述感兴趣区域中每个像素对应的干扰物的浓度参数，计算出所述感兴趣区域对应的置信度调节系数；
基于所述感兴趣区域对应的所述置信度调节系数和所述初始置信度，确定出所述感兴趣区域包含所述预设目标对象的目标置信度。
6.根据权利要求5所述的方法，其中，所述浓度参数取值范围在0至1之间；
所述基于所述感兴趣区域中每个像素对应的干扰物的浓度参数，计算出所述感兴趣区域对应的置信度调节系数，包括：
基于所述感兴趣区域中每个像素对应的干扰物的浓度参数，计算所述感兴趣区域对应的平均浓度参数；
将1与所述平均浓度参数的差值，作为所述感兴趣区域对应的置信度调节系数。
7.根据权利要求5所述的方法，其中，所述基于所述感兴趣区域对应的所述置信度调节系数和所述初始置信度，确定出所述感兴趣区域包含所述预设目标对象的目标置信度，包括：
计算所述感兴趣区域对应的所述置信度调节系数和所述初始置信度的乘积；
将所述乘积确定为所述感兴趣区域包含所述预设目标对象的目标置信度。
8.根据权利要求1-7中任一项所述的方法，在所述确定出所述感兴趣区域包含所述预设目标对象的目标置信度之后，还包括：
确定每个所述感兴趣区域包含所述预设目标对象的目标置信度是否符合预设置信度条件；
将对应的所述目标置信度符合所述预设置信度条件的所述感兴趣区，确定为目标感兴趣区域。
9.根据权利要求1-7中任一项所述的方法，在所述将待检测的图片输入到训练好的目标检测模型之前，还包括：
基于所述目标检测模型对应的图片规格，调整待检测的图片的尺寸和/或颜色参数。
10.一种目标检测装置，包括：
初始置信度确定模块，用于将待检测的图片输入到目标检测模型，利用所述目标检测模型在所述图片中标记出至少一个感兴趣区域、以及确定出每个所述感兴趣区域包含预设目标对象的初始置信度；
浓度信息确定模块，用于确定出所述图片中干扰物的浓度信息；
目标置信度确定模块，用于基于所述浓度信息和所述感兴趣区域对应的所述初始置信度，确定出所述感兴趣区域包含所述预设目标对象的目标置信度。
11.根据权利要求10所述的装置，其中，所述初始置信度确定模块在用于在所述图片中标记出至少一个感兴趣区域时，具体用于：
在所述图片中标记出至少一个感兴趣区域中每个感兴趣区域的位置信息；
其中，所述位置信息包括所述感兴趣区域的坐标信息和/或尺寸信息。
12.根据权利要求11所述的装置，其中，所述目标置信度确定模块在用于基于所述浓度信息和所述感兴趣区域对应的所述初始置信度，确定出所述感兴趣区域包含所述预设目标对象的目标置信度时，具体用于：
基于所述感兴趣区域的位置信息，从所述浓度信息中确定出所述感兴趣区域对应的子浓度信息；
基于所述感兴趣区域对应的所述子浓度信息和所述初始置信度，确定出所述感兴趣区域包含所述预设目标对象的目标置信度。
13.根据权利要求12所述的装置，其中，所述浓度信息包括所述图片中每个像素对应的干扰物的浓度参数；
所述目标置信度确定模块在用于基于所述感兴趣区域的位置信息，从所述浓度信息中确定出所述感兴趣区域对应的子浓度信息时，具体用于：
基于所述感兴趣区域的位置信息，从所述浓度信息确定出所述感兴趣区域中每个像素对应的干扰物的浓度参数。
14.根据权利要求13所述的装置，其中，所述目标置信度确定模块在用于基于所述感兴趣区域对应的所述子浓度信息和所述初始置信度，确定出所述感兴趣区域包含所述预设目标对象的目标置信度时，具体用于：
基于所述感兴趣区域中每个像素对应的干扰物的浓度参数，计算出所述感兴趣区域对应的置信度调节系数；
基于所述感兴趣区域对应的所述置信度调节系数和所述初始置信度，确定出所述感兴趣区域包含所述预设目标对象的目标置信度。
15.根据权利要求14所述的装置，其中，所述浓度参数取值范围在0至1之间；
所述目标置信度确定模块在用于基于所述感兴趣区域中每个像素对应的干扰物的浓度参数，计算出所述感兴趣区域对应的置信度调节系数时，具体用于：
基于所述感兴趣区域中每个像素对应的干扰物的浓度参数，计算所述感兴趣区域对应的平均浓度参数；
将1与所述平均浓度参数的差值，作为所述感兴趣区域对应的置信度调节系数。
16.根据权利要求14所述的装置，其中，所述目标置信度确定模块在用于基于所述感兴趣区域对应的所述置信度调节系数和所述初始置信度，确定出所述感兴趣区域包含所述预设目标对象的目标置信度时，具体用于：
计算所述感兴趣区域对应的所述置信度调节系数和所述初始置信度的乘积；
将所述乘积确定为所述感兴趣区域包含所述预设目标对象的目标置信度。
17.根据权利要求10-16中任一项所述的装置，还包括区域筛选模块，所述区域筛选模块用于：
确定每个所述感兴趣区域包含所述预设目标对象的目标置信度是否符合预设置信度条件；
将对应的所述目标置信度符合所述预设置信度条件的所述感兴趣区，确定为目标感兴趣区域。
18.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
19.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。
20.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。
CN202110814881.0A 2021-07-19 2021-07-19 目标检测方法、装置、电子设备以及存储介质 Pending CN113553937A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110814881.0A CN113553937A (zh) 2021-07-19 2021-07-19 目标检测方法、装置、电子设备以及存储介质
US17/868,630 US20220351493A1 (en) 2021-07-19 2022-07-19 Method and apparatus for detecting object, electronic device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110814881.0A CN113553937A (zh) 2021-07-19 2021-07-19 目标检测方法、装置、电子设备以及存储介质

Publications (1)

Publication Number Publication Date
CN113553937A true CN113553937A (zh) 2021-10-26

Family

ID=78132121

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110814881.0A Pending CN113553937A (zh) 2021-07-19 2021-07-19 目标检测方法、装置、电子设备以及存储介质

Country Status (2)

Country Link
US (1) US20220351493A1 (zh)
CN (1) CN113553937A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180352177A1 (en) * 2015-09-18 2018-12-06 Hitachi Kokusai Electric Inc. Image-processing device
CN110689021A (zh) * 2019-10-17 2020-01-14 哈尔滨理工大学 一种基于深度学习的低可见度环境下实时目标检测方法
WO2020015470A1 (zh) * 2018-07-16 2020-01-23 Oppo广东移动通信有限公司 图像处理方法、装置、移动终端及计算机可读存储介质
CN112101316A (zh) * 2020-11-17 2020-12-18 北京中科原动力科技有限公司 一种目标检测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180352177A1 (en) * 2015-09-18 2018-12-06 Hitachi Kokusai Electric Inc. Image-processing device
WO2020015470A1 (zh) * 2018-07-16 2020-01-23 Oppo广东移动通信有限公司 图像处理方法、装置、移动终端及计算机可读存储介质
CN110689021A (zh) * 2019-10-17 2020-01-14 哈尔滨理工大学 一种基于深度学习的低可见度环境下实时目标检测方法
CN112101316A (zh) * 2020-11-17 2020-12-18 北京中科原动力科技有限公司 一种目标检测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
KAIMING HE ET AL.: "Single Image Haze Removal Using Dark Channel Prior", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 *
VISHWANATH A. SINDAGI ET AL.: "Prior-based Domain Adaptive Object Detection for Hazy and Rainy Conditions", 《ARXIV.ORG》 *
吴仁彪等: "雾霾环境下基于PLATE-YOLO的车牌检测方法", 《信号处理》 *

Also Published As

Publication number Publication date
US20220351493A1 (en) 2022-11-03

Similar Documents

Publication Publication Date Title
CN112801164B (zh) 目标检测模型的训练方法、装置、设备及存储介质
CN112633384B (zh) 基于图像识别模型的对象识别方法、装置和电子设备
CN112560684B (zh) 车道线检测方法、装置、电子设备、存储介质以及车辆
CN112989995B (zh) 文本检测方法、装置及电子设备
CN113221768A (zh) 识别模型训练方法、识别方法、装置、设备及存储介质
CN112966599A (zh) 关键点识别模型的训练方法、关键点识别方法及装置
CN113569708A (zh) 活体识别方法、装置、电子设备以及存储介质
CN112528927A (zh) 基于轨迹分析的置信度确定方法、路侧设备及云控平台
CN112184837A (zh) 一种图像检测方法、装置、电子设备及存储介质
CN112863187A (zh) 感知模型的检测方法、电子设备、路侧设备和云控平台
CN113705381A (zh) 雾天的目标检测方法、装置、电子设备以及存储介质
CN114862897A (zh) 一种图像背景处理方法、装置及电子设备
CN114037087A (zh) 模型训练方法及装置、深度预测方法及装置、设备和介质
CN114663980B (zh) 行为识别方法、深度学习模型的训练方法及装置
CN113920273B (zh) 图像处理方法、装置、电子设备和存储介质
CN115131315A (zh) 一种图像的变化检测方法、装置、设备及存储介质
CN113553937A (zh) 目标检测方法、装置、电子设备以及存储介质
CN114973081A (zh) 一种高空抛物检测方法、装置、电子设备及存储介质
CN114581711A (zh) 目标对象检测方法、装置、设备、存储介质以及程序产品
CN113936158A (zh) 一种标签匹配方法及装置
CN114093006A (zh) 活体人脸检测模型的训练方法、装置、设备以及存储介质
CN114066980A (zh) 对象检测方法、装置、电子设备及自动驾驶车辆
CN114005095A (zh) 车辆属性识别方法、装置、电子设备和介质
CN114219744B (zh) 图像生成方法、装置、设备及存储介质
CN114612492B (zh) 图像边框的检测方法、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