CN113643368A - 一种物体之间真实间距的确定方法、装置及电子设备 - Google Patents

一种物体之间真实间距的确定方法、装置及电子设备 Download PDF

Info

Publication number
CN113643368A
CN113643368A CN202110885564.8A CN202110885564A CN113643368A CN 113643368 A CN113643368 A CN 113643368A CN 202110885564 A CN202110885564 A CN 202110885564A CN 113643368 A CN113643368 A CN 113643368A
Authority
CN
China
Prior art keywords
target object
image
detected
detection model
obtaining
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
CN202110885564.8A
Other languages
English (en)
Inventor
吴新涛
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.)
Petromentor International Education Beijing Co ltd
Original Assignee
Petromentor International Education Beijing 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 Petromentor International Education Beijing Co ltd filed Critical Petromentor International Education Beijing Co ltd
Priority to CN202110885564.8A priority Critical patent/CN113643368A/zh
Publication of CN113643368A publication Critical patent/CN113643368A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种物体之间真实间距的确定方法，包括：获得包含有第一目标对象和第二目标对象的图像集；根据图像集构建目标对象检测模型；通过目标对象检测模型，获得待检测图像中的第一目标对象和第二目标对象在待检测图像中的图像间距；获得第一目标对象的真实高度和在待检测图像中的第一高度信息；根据图像间距、真实高度和第一高度信息，确定第一目标对象和第二目标对象的真实间距。本申请通过获得的图像集来构建目标对象检测模型，通过目标对象检测模型对待检测图像进行检测，以获得第一目标对象和第二目标对象的图像间距，第一目标对象的真实高度和第一高度信息，来确定第一目标对象和第二目标对象在物理世界中的真实间距。

Description

一种物体之间真实间距的确定方法、装置及电子设备
技术领域
本申请涉及计算机视觉技术领域，具体涉及一种物体之间真实间距的确定方法和一种物体之间真实间距的确定装置，以及一种电子设备和一种计算机存储介质。
背景技术
深度学习近年来发展迅猛，在国内外都引起了广泛的关注，随着深度学习技术的不断进步以及数据处理能力的不断提升，越来越多的深度学习算法被用在图像处理，计算机视觉领域。其中，目标检测作为计算机视觉的重要分支被广泛应用于安防、工业、无人驾驶等多个领域。例如在安防领域，在一些户外工地作业中，第一对象和第二对象应分开放置，且第一对象和第二对象分开放置的间距有规定阈值，以有效避免意外的发生。
现有对第一对象和第二对象放置间距的检测一般采取人工查看现场监控视频的方式，此种方式耗费大量的人力，而且由于视频数量多，人可能顾及不过来，从而降低了对第一对象和第二对象放置间距的检测的准确度。
因此，如何降低检测第一对象和第二对象放置间距的投入成本，且同时提升检测的准确度，成为本领域技术人员亟待解决的问题。
发明内容
本申请实施例提供一种物体之间真实间距的确定方法，以解决现有技术中如何降低检测第一对象和第二对象放置间距的投入成本，且同时提升检测的准确度的问题。本申请实施例提供一种物体之间真实间距的确定装置。以及一种电子设备和一种计算机存储介质。
本申请实施例提供一种物体之间真实间距的确定方法，包括：获得包含有第一目标对象和第二目标对象的图像集；
根据所述图像集构建目标对象检测模型；
通过所述目标对象检测模型，获得待检测图像中的所述第一目标对象和所述第二目标对象在所述待检测图像中的图像间距；
获得所述第一目标对象在物理世界中的真实高度和在所述待检测图像中的第一高度信息；
根据所述图像间距、所述第一目标对象在物理世界中的真实高度和在所述待检测图像中的第一高度信息，确定所述第一目标对象和所述第二目标对象在物理世界中的真实间距。
可选的，所述通过所述目标对象检测模型，获得待检测图像中的所述第一目标对象和所述第二目标对象在所述待检测图像中的图像间距，包括：
获得待检测图像中的所述第一目标对象的第一位置信息；
获得待检测图像中的所述第二目标对象的第二位置信息；
根据所述第一位置信息和所述第二位置信息获得所述第一目标对象和所述第二目标对象在所述待检测图像中的图像间距。
可选的，所述获得待检测图像中的所述第一目标对象的第一位置信息，包括：
通过所述目标对象检测模型，获得待检测图像中的所述第一目标对象对应的第一特征信息；
根据所述第一特征信息与预设特性信息匹配，确定所述待检测图像中的所述第一目标对象；
获得待检测图像中的所述第一目标对象对应的第一坐标，将所述第一坐标确定为所述第一目标对象的第一位置信息。
可选的，所述获得待检测图像中的所述第二目标对象的第二位置信息，包括：
通过所述目标对象检测模型，获得待检测图像中的所述第二目标对象对应的第二特征信息；
根据所述第二特征信息与预设特性信息匹配，确定所述待检测图像中的所述第二目标对象；
获得待检测图像中的所述第二目标对象对应的第二坐标，将所述第二坐标确定为所述第二目标对象的第二位置信息。
可选的，所述根据所述图像间距、所述第一目标对象在物理世界中的真实高度和在所述待检测图像中的第一高度信息，确定所述第一目标对象和所述第二目标对象在物理世界中的真实间距，包括：
获得第一目标对象在物理世界中的真实高度与第一目标对象在所述待检测图像中的第一高度信息的第一比值；
计算所述第一比值与所述图像间距的乘积，确定所述第一目标对象和所述第二目标对象在物理世界中的真实间距。
可选的，还包括：获得所述第二目标对象在物理世界中的真实高度和在所述待检测图像中的第二高度信息；
根据所述图像间距、所述第二目标对象在物理世界中的真实高度和所述第二目标对象在所述待检测图像中的第二高度信息，确定所述第一目标对象和所述第二目标对象在物理世界中的真实间距。
可选的，所述根据所述图像间距、所述第二目标对象在物理世界中的真实高度和在所述待检测图像中的第二高度信息，确定所述第一目标对象和所述第二目标对象在物理世界中的真实间距，包括：
获得第二目标对象在物理世界中的真实高度与第二目标对象在所述待检测图像中的第二高度信息的第二比值；
计算所述第二比值与所述图像间距的乘积，确定所述第一目标对象和所述第二目标对象在物理世界中的真实间距。
可选的，还包括：设置预设目标间距；
将所述第一目标对象和所述第二目标对象在物理世界中的真实间距与所述预设目标间距比较；
若所述真实间距小于预设目标间距，则触发报警机制以提供报警信息。
可选的，所述获得包含有第一目标对象和第二目标对象的图像集，包括：
获得具有第一目标对象和第二目标对象的多个图像；
对所述多个图像进行预处理得到多个候选图像；
对所述多个候选图像进行标记以得到所述图像集。
可选的，所述对所述多个候选图像进行标记以得到所述图像集，包括：
对所述多个候选图像中的第一目标对象和第二目标对象的图像进行标记；
将完全是第一目标对象和第二目标对象的候选图像作为第一图像；将部分包含有第一目标对象和第二目标对象的候选图像作为第二图像；
将一部分所述第一图像和第二图像作为训练图像，将另一部分所述第一图像和第二图像作为测试图像，所述训练图像和测试图像形成所述图像集。
可选的，所述根据所述图像集构建目标对象检测模型，包括：
构建初始对象检测模型，将所述初始对象检测模型的参数初始化，并将所述图像集中的训练图像输入至所述初始对象检测模型中；
获得所述初始对象检测模型对所述训练图像的预测结果与标记的图像的损失值；
利用反向传播算法更新所述初始对象检测模型的参数；
再将所述图像集中的其它训练图像输入至所述初始对象检测模型中进行迭代训练，获得损失值最小时所更新的所述初始对象检测模型作为候选对象检测模型；
将所述图像集中的测试图像输入至所述候选对象检测模型中，获得所述候选对象检测模型对所述测试图像的测试结果与标记的图像的损失值；
将所述损失值与预设损失值比较，若所述损失值满足预设损失值，则将所述候选对象检测模型作为目标对象检测模型；反之，则继续将所述图像集中的其它训练图像输入至所述初始对象检测模型中进行迭代训练。
本申请实施例还提供一种物体之间真实间距的确定装置，包括：图像集获得单元，用于获得包含有第一目标对象和第二目标对象的图像集；
目标对象检测模型构建单元，用于根据所述图像集构建目标对象检测模型；
图像间距获得单元，用于通过所述目标对象检测模型，获得待检测图像中的所述第一目标对象和所述第二目标对象在所述待检测图像中的图像间距；
高度信息获得单元，用于获得所述第一目标对象在物理世界中的真实高度和在所述待检测图像中的第一高度信息；
真实间距获得单元，用于根据所述图像间距、所述第一目标对象在物理世界中的真实高度和在所述待检测图像中的第一高度信息，确定所述第一目标对象和所述第二目标对象在物理世界中的真实间距。
本申请实施例还提供一种电子设备，所述电子设备包括：处理器；存储器，用于存储计算机程序，该计算机程序被处理器运行，执行上述任意一项所述的方法。
本申请实施例还提供一种计算机存储介质，所述计算机存储介质存储有计算机程序，该计算机程序被处理器运行，执行上述任意一项所述的方法。
与现有技术相比，本申请具有以下优点:
本申请实施例提供一种物体之间真实间距的确定方法，包括：获得包含有第一目标对象和第二目标对象的图像集；根据所述图像集构建目标对象检测模型；通过所述目标对象检测模型，获得待检测图像中的所述第一目标对象和所述第二目标对象在所述待检测图像中的图像间距；获得所述第一目标对象在物理世界中的真实高度和在所述待检测图像中的第一高度信息；根据所述图像间距、所述第一目标对象在物理世界中的真实高度和在所述待检测图像中的第一高度信息，确定所述第一目标对象和所述第二目标对象在物理世界中的真实间距。本申请实施例通过获得的图像集来构建目标对象检测模型，通过目标对象检测模型对待检测图像进行检测，以获得待检测图像中的所述第一目标对象和所述第二目标对象的图像间距，以及第一目标对象在物理世界中的真实高度和在所述待检测图像中的第一高度信息，通过图像间距、第一目标对象的真实高度和在待检测图像中的第一高度信息，来确定第一目标对象和第二目标对象在物理世界中的真实间距。不仅提升检测的准确度，而且还不用人为地自行检测，从而降低对第一对象和第二对象放置间距检测的投入成本。
附图说明
图1为本申请第一实施例提供的物体之间真实间距的确定方法的流程图。
图2为本申请第一实施例提供的构建目标对象检测模型的流程图。
图3为本申请第二实施例提供的物体之间真实间距的确定装置的示意图。
图4为本申请第三实施例提供的电子设备的示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请实施例。但是本申请实施例能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请实施例内涵的情况下做类似推广，因此本申请实施例不受下面公开的具体实施的限制。
为了使本领域的技术人员更好的理解本申请方案，下面基于本申请提供的物体之间真实间距的确定方法对其实施例的具体应用场景进行详细描述，
应用场景
本场景具体是检测氧气瓶和乙炔瓶的放置间距的场景，其中，在本场景中，氧气瓶和乙炔瓶的放置间距一般设置为5米，即5米是氧气瓶和乙炔瓶的放置间距的安全间距，当氧气瓶和乙炔瓶的放置间距小于5米时，检测系统会认定氧气瓶和乙炔瓶的放置不规范，并会启动预警机制，以提醒监测人员该场景下的作业是不规范的。在本场景中，主要是通过图像检测的方式自动检测氧气瓶和乙炔瓶的放置间距是否在预设间距范围内。具体的，可通过监控摄像头获得作业中的氧气瓶和乙炔瓶存在放置间距的多个图像，并将该多个图像作为图像样本对目标对象检测模型进行迭代训练，以构建目标对象检测模型。当通过监控摄像头获得待检测图像后，可将待检测图像输入至目标对象检测模型中，从而可以确定待检测图像中的氧气瓶和乙炔瓶的放置间距是否符合预设目标间距，若符合，则继续检测其它待检测图像；若不符合，则触发报警，以提醒监测人员该作业中的氧气瓶和乙炔瓶的放置是不符合规范的。
以下将通过具体的实施例来阐述本申请的技术方案。
本申请第一实施例提供一种物体之间真实间距的确定方法，图1是本申请第一实施例提供的一种物体之间真实间距的确定方法的流程图。如图1所示，所述方法包括如下步骤。
步骤S101，获得包含有第一目标对象和第二目标对象的图像集。
在本步骤中，第一目标对象是指第一目标对象图像，第二目标对象是指第二目标对象图像，本申请实施例以简述方式表征第一目标对象和第二目标对象分别是图像中对应的图像。且对应于上述场景，本步骤中的第一目标对象是指氧气瓶图像，第二目标对象是指乙炔瓶图像，对应的，含有第一目标对象和第二目标对象的图像是指含有氧气瓶图像和乙炔瓶图像的图像。本步骤所获得的包含有第一目标对象和第二目标对象的图像集是指同时包含有氧气瓶图像和乙炔瓶图像的多个图像的集合。例如，同时包含有第一目标对象和第二目标对象(氧气瓶图像和乙炔瓶图像)的第一张图像，例如，同时包含有第一目标对象和第二目标对象的第二张图像，同时包含有第一目标对象和第二目标对象的第三张图像等等，多张同时包含有第一目标对象和第二目标对象的图像构成所述图像集。
在本步骤中，获得包含有第一目标对象和第二目标对象的图像集，具体包括如下步骤：
步骤1，获得具有第一目标对象和第二目标对象的多个图像。可从网络上下载同时具有第一目标对象和第二目标对象的图像，还可以通过设置在不同环境位置下的监控摄像头获得同时具有第一目标对象和第二目标对象的图像。在获得具有第一目标对象和第二目标对象的图像后，则需要对图像进行处理，如步骤2所示。
步骤2，对所述多个图像进行预处理得到多个候选图像，具体的，在本步骤中，采用Mosaic数据增强的方式对多个图像至少进行如下操作：对多个图像进行随机翻转、随机缩放、随机裁剪，以获得多个初始图像，将多个初始图像进行随机拼接得到多个候选图像，该多个候选图像作为新的具有第一目标对象和第二目标对象的图像。在得到多个候选图像后，执行步骤3。
步骤3，对多个候选图像进行标记以得到所述图像集，具体的，对多个候选图像中的第一目标对象和第二目标对象的图像进行标记，将完全是第一目标对象和第二目标对象的候选图像作为第一图像，将部分包含有第一目标对象和第二目标对象的候选图像作为第二图像。将一部分第一图像和第二图像作为训练图像，将另一部分第一图像和第二图像作为测试图像，训练图像和测试图像形成所述图像集。
在获得图像集后，可通过图像集构建目标对象检测模型，具体详见步骤S102。
步骤S102，根据所述图像集构建目标对象检测模型。
在本步骤中，目标对象检测模型用于检测待检测图像，以获得具有第一目标对象和第二目标对象的目标图像，以及得到目标图像中的第一目标对象和第二目标对象的位置信息，从而获得第一目标对象和第二目标对象之间的图像间距。其中，根据图像集构建目标对象检测模型具体包括如下步骤，详见图2，图2是本申请第一实施例提供的构建目标对象检测模型的流程图。
步骤1021，构建初始对象检测模型，将初始对象检测模型的参数初始化，并将图像集中的训练图像输入至初始对象检测模型中。
在本步骤中，初始对象检测模型是目标对象检测模型的初始模型，通过图像集中的训练图像对初始对象检测模型的参数不断的迭代训练，以得到目标对象检测模型。
步骤1022，获得所述初始对象检测模型对所述训练图像的预测结果与标记的图像的损失值。
本步骤包括，首先，通过初始对象检测模型获得训练图像中逐像素的氧气瓶图像和乙炔瓶图像的预测结果。具体的，将图像集的训练图像输入到初始对象检测模型中以得到训练图像的特征信息，根据特征信息得到训练图像中的图像类别，结合图像类别对特征信息进行上采样、下采样处理以及特征融合处理获得逐像素的氧气瓶图像和乙炔瓶图像的预测结果。
其中，在本步骤中，具体是通过Focus切片和特征提取网络提取图像的特征信息的。特征融合处理主要是通过特征融合网络完成的，特征融合网络主要采用了FPN(featurepyramid networks，特征金字塔网络)+PAN(Pyramid Attention Network for SemanticSegmentation，金字塔注意力模型)的网络结构。采用FPN+PAN的网络结构对所述特征信息进行上采样、下采样处理以及特征融合处理以得到逐像素的氧气瓶图像和乙炔瓶图像的预测结果。
具体的，FPN层采用了自顶向下的采样过程，将顶层的低分辨率特征通过上采样的方式提高分辨率，放大到和上一阶段特征相同的尺寸，然后再和上一阶段的特征进行相加合并。通过此操作，将含有较多语义信息的顶层特征与含有较多细节特征的低层特征整合到一起，提高了特征的表达能力。PAN层紧随FPN层之后，与FPN结构相反，PAN采用了自底向上的采样过程，将底层含有的特征信息传给高层的特征，在特征传播过程中采用下采样的方式，缩小到和上一阶段特征相同的尺寸。通过这样的结合，FPN自顶向下传递强语义特征，特征金字塔自底向上传递强定位特征，两个相互结合，对不同的特征进行整合操作以得到逐像素的氧气瓶图像和乙炔瓶图像的预测结果。
然后，将逐像素的氧气瓶图像和乙炔瓶图像的预测结果与训练图像中被标记框标记的氧气瓶图像和乙炔瓶图像的实际结果对比，计算预测结果与实际结果的损失值。具体的，将预测结果中的氧气瓶图像和乙炔瓶图像与实际结果中的氧气瓶图像和乙炔瓶图像对应，并以预测结果中的氧气瓶图像和乙炔瓶图像上的每个像素按照不同大小和长宽对应实际结果中的氧气瓶图像和乙炔瓶图像的网格区域，生成多尺度的先验框。而后，根据实际结果中的氧气瓶图像和乙炔瓶图像的大小和长宽和在同一网格区域内的先验框的大小和长宽进行筛选，得到正样本预测框。最后，根据正样本预测框和所述实际标注框的位置偏移进行损失计算，获得初始对象检测模型对训练图像的预测结果与标记的图像的损失值。
需要说明的是，在步骤中，获得的正样本预测框具体可以通过GIOU(GeneralizedIntersection over Union，边框预测的损失)Loss算法获得。GIOU的计算过程如下所示：
Figure BDA0003194008840000081
Figure BDA0003194008840000082
其中，IOU(Intersection over Union，边框预测算法)表示A、B相交区域面积和A、B总共占据区域面积的比值，A表示正样本预测框，B表示先验框，A∩B表示正样本预测框和先验框相交重叠区域，A∪B表示正样本预测框和先验框总共占据的区域；C代表同时包围A与B的最小矩形框区域，C\A∪B表示C的区域除去A、B总共占据的区域所剩余的区域。
步骤1023，利用反向传播算法更新所述初始对象检测模型的参数。
步骤1024，再将所述图像集中的其它训练图像输入至所述初始对象检测模型中进行迭代训练，获得损失值最小时所更新的所述初始对象检测模型作为候选对象检测模型。
在本步骤中，可以通过多次迭代对初始对象检测模型进行训练，将损失值对应的初始对象检测模型作为候选对象检测模型。获得候选对象检测模型是为了进一步通过测试图像(下述内容)验证该模型是否可以获得具有第一目标对象和第二目标对象的目标图像，以及得到目标图像中的第一目标对象和第二目标对象的位置信息等。详见步骤1205。
步骤1025，将所述图像集中的测试图像输入至所述候选对象检测模型中，获得所述候选对象检测模型对所述测试图像的测试结果与标记的图像的损失值。
首先，通过候选对象检测模型获得测试图像中逐像素的氧气瓶图像和乙炔瓶图像的预测结果。具体的，将图像集的测试图像输入到候选对象检测模型中以得到测试图像的特征信息，根据特征信息得到测试图像中的图像类别，结合图像类别对特征信息进行上采样、下采样处理以及特征融合处理获得逐像素的氧气瓶图像和乙炔瓶图像的预测结果。
然后，将逐像素的氧气瓶图像和乙炔瓶图像的预测结果与测试图像中被标记框标记的氧气瓶图像和乙炔瓶图像的实际结果对比，计算预测结果与实际结果的损失值。具体的，将预测结果中的氧气瓶图像和乙炔瓶图像与实际结果中的氧气瓶图像和乙炔瓶图像对应，并以预测结果中的氧气瓶图像和乙炔瓶图像上的每个像素按照不同大小和长宽对应实际结果中的氧气瓶图像和乙炔瓶图像的网格区域，生成多尺度的先验框。而后，根据实际结果中的氧气瓶图像和乙炔瓶图像的大小和长宽和在同一网格区域内的先验框的大小和长宽进行筛选，得到正样本预测框。最后，根据正样本预测框和所述实际标注框的位置偏移进行损失计算，获得初始对象检测模型对测试图像的预测结果与标记的图像的损失值。
步骤1026，将所述损失值与预设损失值比较，若所述损失值满足预设损失值，则将所述候选对象检测模型作为目标对象检测模型；反之则继续将所述图像集中的其它训练图像输入至所述初始对象检测模型中进行迭代训练。
具体的，在获得初始对象检测模型对测试图像的预测结果与标记的图像的损失值后，将该损失值与预设损失值相比较，若损失值满足预设损失值，则将该候选对象检测模型作为目标对象检测模型。反之，则继续将图像集中的其它训练图像输入至初始对象检测模型中进行迭代训练，直到所获得的损失值满足预设损失值，继而将对应的候选对象检测模型作为目标对象检测模型。
步骤S103，通过所述目标对象检测模型，获得待检测图像中的所述第一目标对象和所述第二目标对象在所述待检测图像中的图像间距。
在获得目标对象检测模型后，获得待检测图像，通过所述目标对象检测模型检测所述待检测图像以得到第一目标对象和第二目标对象在待检测图像中的图像间距。
本步骤具体包括，获得待检测图像中的第一目标对象的第一位置信息，具体的，通过目标对象检测模型，获得待检测图像中的第一目标对象对应的第一特征信息，根据第一特征信息与预设特性信息匹配，确定待检测图像中的第一目标对象。获得待检测图像中的第一目标对象对应的第一坐标，将第一坐标确定为第一目标对象的第一位置信息。其中，需要说明的是，第一目标对象的第一坐标可以是在获得包含有第一目标对象对应的图像是获得的，即，在获得包含有第一目标对象的图像时，以摄像头的捕捉中心为原点建立拍摄坐标系，其所获得的在成像区域中的对象均会对应有坐标位置，例如，第一目标对象在成像区域中，则会对应有一个二维坐标系的坐标位置。当目标对象检测模型检测待检测图像时，其可以通过获得的第一目标对象直接获得第一目标对象的第一坐标。
然后，获得待检测图像中的第二目标对象的第二位置信息，具体的，通过目标对象检测模型，获得待检测图像中的第二目标对象对应的第二特征信息，根据第二特征信息与预设特性信息匹配，确定待检测图像中的所述第二目标对象，获得待检测图像中的第二目标对象对应的第二坐标，将第二坐标确定为第二目标对象的第二位置信息。其中，与上述第二目标对象的第二坐标相同，第二目标对象的第二坐标可以是在获得包含有第二目标对象对应的图像是获得的，即，在获得包含有第二目标对象的图像时，以摄像头的捕捉中心为原点建立拍摄坐标系，其所获得的在成像区域中的对象均会对应有坐标位置，例如，第二目标对象在成像区域中，则会对应有一个二维坐标系的坐标位置。当目标对象检测模型检测待检测图像时，其可以通过获得的第二目标对象直接获得第二目标对象的第二坐标。
最后，根据第一位置信息和第二位置信息获得第一目标对象和第二目标对象在待检测图像中的图像间距。基于第一位置信息对应第一坐标，第二位置信息对应第二坐标，因此，在二维坐标系中，可通过坐标的具体参数值获得第一目标对象和第二目标对象在待检测图像中的图像间距。
步骤S104，获得所述第一目标对象在物理世界中的真实高度和在所述待检测图像中的第一高度信息。
在本步骤中，可通过直接测量的方式获得第一目标对象在物理世界中的真实高度。检测第一目标对象在图像中的第一高度信息可通过第一目标对象在图像中对应的像素信息和像素信息对应的坐标值获得。具体的，通过目标对象检测模型获得第一目标对象在图像中的第一特征信息，并获得第一特征信息对应的多个第一像素信息，确定多个第一像素信息分别对应的多个第一坐标值，从多个第一坐标值中筛选出第一最大坐标值和第一最小坐标值，根据第一最大坐标值和第一最小坐标值确定出第一目标对象在图像中的第一高度信息。其中，第一最大坐标值和第一最小坐标值是在同一纬度上的两个距离最远的极值。
当然，在本申请第一实施例的其它方案中，该步骤还可以为，获得所述第二目标对象在物理世界中的真实高度和在所述待检测图像中的第二高度信息。其中，可通过直接测量的方式获得第二目标对象在物理世界中的真实高度。检测第二目标对象在图像中的第二高度信息可通过第二目标对象在图像中对应的像素信息和像素信息对应的坐标值获得。具体的，通过目标对象检测模型获得第二目标对象在图像中的第二特征信息，并获得第二特征信息对应的多个第二像素信息，确定多个第二像素信息分别对应的多个第二坐标值，从多个第二坐标值中筛选出第二最大坐标值和第二最小坐标值，根据第二最大坐标值和第二最小坐标值确定出第二目标对象在图像中的第二高度信息。其中，第二最大坐标值和第二最小坐标值是在同一纬度上的两个距离最远的极值。
步骤S105，根据所述图像间距、所述第一目标对象在物理世界中的真实高度和在所述待检测图像中的第一高度信息，确定所述第一目标对象和所述第二目标对象在物理世界中的真实间距。
在获得待检测图像中的第一目标对象和第二目标对象在待检测图像中的图像间距、第一目标对象在物理世界中的真实高度和第一目标对象在待检测图像中的第一高度信息后，可确定第一目标对象和第二目标对象在物理世界中的真实间距。
具体的，获得第一目标对象在物理世界中的真实高度和第一目标对象在待检测图像中的第一高度信息的第一比值，计算第一比值与图像间距的乘积，确定第一目标对象和第二目标对象在物理世界中的真实间距。举例说明，获得的第一目标对象在物理世界中的真实高度为1.5米，第一目标对象在待检测图像中的第一高度信息x，则第一目标对象的真实高度和第一目标对象在待检测图像中的第一高度信息的第一比值为1.5/x；第一目标对象和第二目标对象在待检测图像中的图像间距为y，则第一目标对象和第二目标对象在物理世界中的真实间距为：L＝(1.5/x)*y。
进一步的，在本申请第一实施例中，可根据获得的第一目标对象和第二目标对象在物理世界中的真实间距进行预警，具体的，设置预设目标间距，将第一目标对象和第二目标对象在物理世界中的真实间距与预设目标间距比较，若真实间距小于预设目标间距，则触发报警机制以提供报警信息。假设，预设目标间距为5米，若L小于5，则触发报警机制以提供报警信息；反之，则不报警。
另外，对应于上述内容，获得所述第二目标对象在物理世界中的真实高度和在所述待检测图像中的第二高度信息，则在本申请第一实施例中，还包括：根据所述图像间距、所述第二目标对象在物理世界中的真实高度和第二目标对象在所述待检测图像中的第二高度信息，确定所述第一目标对象和所述第二目标对象在物理世界中的真实间距。
具体的，获得第二目标对象在物理世界中的真实高度和第二目标对象在待检测图像中的第二高度信息的第二比值，计算第二比值与图像间距的乘积，确定第二目标对象和第一目标对象在物理世界中的真实间距。举例说明，获得的第二目标对象在物理世界中的真实高度为1.5米，第二目标对象在待检测图像中的第二高度信息x，则第二目标对象的真实高度和第二目标对象在待检测图像中的第二高度信息的第二比值为1.5/x；第一目标对象和第二目标对象在待检测图像中的图像间距为y，则第一目标对象和第二目标对象在物理世界中的真实间距为：L＝(1.5/x)*y。
进一步的，在本申请第一实施例中，可根据获得的第一目标对象和第二目标对象在物理世界中的真实间距进行预警，具体的，设置预设目标间距，将第一目标对象和第二目标对象在物理世界中的真实间距与预设目标间距比较，若真实间距小于预设目标间距，则触发报警机制以提供报警信息。假设，预设目标间距为5米，若L小于5，则触发报警机制以提供报警信息；反之，则不报警。
本申请第一实施例提供一种物体之间真实间距的确定方法，包括：获得包含有第一目标对象和第二目标对象的图像集；根据所述图像集构建目标对象检测模型；通过所述目标对象检测模型，获得待检测图像中的所述第一目标对象和所述第二目标对象在所述待检测图像中的图像间距；获得所述第一目标对象在物理世界中的真实高度和在所述待检测图像中的第一高度信息；根据所述图像间距、所述第一目标对象在物理世界中的真实高度和在所述待检测图像中的第一高度信息，确定所述第一目标对象和所述第二目标对象在物理世界中的真实间距。本申请第一实施例通过获得的图像集来构建目标对象检测模型，通过目标对象检测模型对待检测图像进行检测，以获得待检测图像中的所述第一目标对象和所述第二目标对象的图像间距，以及第一目标对象在物理世界中的真实高度和在所述待检测图像中的第一高度信息，通过图像间距、第一目标对象的真实高度和在待检测图像中的第一高度信息，来确定第一目标对象和第二目标对象在物理世界中的真实间距。不仅提升检测的准确度，而且还不用人为地自行检测，从而降低对第一对象和第二对象放置间距检测的投入成本。
另外，基于通过获得的图像集，构建了目标对象检测模型，该目标对象检测模型可应用于其他具有多尺度特征图的目标检测网络中，即本申请的目标对象检测模型对于目标对象的检测通用行较强。
在上述的第一实施例中，提供了一种物体之间真实间距的确定方法，与之相对应的，本申请提供一种确定目标对象安装位置的装置。如图3所示，其为本申请第二实施例的一种物体之间真实间距的确定装置的示意图。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请第二实施例提供一种物体之间真实间距的确定装置，包括：图像集获得单元301，用于获得包含有第一目标对象和第二目标对象的图像集；目标对象检测模型构建单元302，用于根据所述图像集构建目标对象检测模型；图像间距获得单元303，用于通过所述目标对象检测模型，获得待检测图像中的所述第一目标对象和所述第二目标对象在所述待检测图像中的图像间距；高度信息获得单元304，用于获得所述第一目标对象在物理世界中的真实高度和在所述待检测图像中的第一高度信息；真实间距获得单元305，用于根据所述图像间距、所述第一目标对象在物理世界中的真实高度和在所述待检测图像中的第一高度信息，确定所述第一目标对象和所述第二目标对象在物理世界中的真实间距。
本申请第一实施例给出了一种物体之间真实间距的确定方法，本申请第三实施例给出了与第一实施例方法对应的电子设备。可参考图4所示，其示出了本实施例电子设备示意图。本申请第三实施例提供一种电子设备，包括：处理器401；存储器402，用于存储计算机程序，该计算机程序被处理器运行，执行上述本申请第一实施例提供的一种物体之间真实间距的确定方法。
本申请第四实施例给出了与第一实施例方法对应的计算机存储介质。本申请第四实施例提供一种计算机存储介质，计算机存储介质存储有计算机程序，该计算机程序被处理器运行，执行上述本申请第一实施例提供的一种物体之间真实间距的确定方法。
本申请虽然以较佳实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

Claims (14)

1.一种物体之间真实间距的确定方法，其特征在于，包括：
获得包含有第一目标对象和第二目标对象的图像集；
根据所述图像集构建目标对象检测模型；
通过所述目标对象检测模型，获得待检测图像中的所述第一目标对象和所述第二目标对象在所述待检测图像中的图像间距；
获得所述第一目标对象在物理世界中的真实高度和在所述待检测图像中的第一高度信息；
根据所述图像间距、所述第一目标对象在物理世界中的真实高度和在所述待检测图像中的第一高度信息，确定所述第一目标对象和所述第二目标对象在物理世界中的真实间距。
2.根据权利要求1所述的物体之间真实间距的确定方法，其特征在于，所述通过所述目标对象检测模型，获得待检测图像中的所述第一目标对象和所述第二目标对象在所述待检测图像中的图像间距，包括：
获得待检测图像中的所述第一目标对象的第一位置信息；
获得待检测图像中的所述第二目标对象的第二位置信息；
根据所述第一位置信息和所述第二位置信息获得所述第一目标对象和所述第二目标对象在所述待检测图像中的图像间距。
3.根据权利要求2所述的物体之间真实间距的确定方法，其特征在于，所述获得待检测图像中的所述第一目标对象的第一位置信息，包括：
通过所述目标对象检测模型，获得待检测图像中的所述第一目标对象对应的第一特征信息；
根据所述第一特征信息与预设特性信息匹配，确定所述待检测图像中的所述第一目标对象；
获得待检测图像中的所述第一目标对象对应的第一坐标，将所述第一坐标确定为所述第一目标对象的第一位置信息。
4.根据权利要求2所述的物体之间真实间距的确定方法，其特征在于，所述获得待检测图像中的所述第二目标对象的第二位置信息，包括：
通过所述目标对象检测模型，获得待检测图像中的所述第二目标对象对应的第二特征信息；
根据所述第二特征信息与预设特性信息匹配，确定所述待检测图像中的所述第二目标对象；
获得待检测图像中的所述第二目标对象对应的第二坐标，将所述第二坐标确定为所述第二目标对象的第二位置信息。
5.根据权利要求4所述的物体之间真实间距的确定方法，其特征在于，所述根据所述图像间距、所述第一目标对象在物理世界中的真实高度和在所述待检测图像中的第一高度信息，确定所述第一目标对象和所述第二目标对象在物理世界中的真实间距，包括：
获得第一目标对象在物理世界中的真实高度与第一目标对象在所述待检测图像中的第一高度信息的第一比值；
计算所述第一比值与所述图像间距的乘积，确定所述第一目标对象和所述第二目标对象在物理世界中的真实间距。
6.根据权利要求1所述的物体之间真实间距的确定方法，其特征在于，还包括：
获得所述第二目标对象在物理世界中的真实高度和在所述待检测图像中的第二高度信息；
根据所述图像间距、所述第二目标对象在物理世界中的真实高度和所述第二目标对象在所述待检测图像中的第二高度信息，确定所述第一目标对象和所述第二目标对象在物理世界中的真实间距。
7.根据权利要求6所述的物体之间真实间距的确定方法，其特征在于，所述根据所述图像间距、所述第二目标对象在物理世界中的真实高度和在所述待检测图像中的第二高度信息，确定所述第一目标对象和所述第二目标对象在物理世界中的真实间距，包括：
获得第二目标对象在物理世界中的真实高度与第二目标对象在所述待检测图像中的第二高度信息的第二比值；
计算所述第二比值与所述图像间距的乘积，确定所述第一目标对象和所述第二目标对象在物理世界中的真实间距。
8.根据权利要求1所述的物体之间真实间距的确定方法，其特征在于，还包括：
设置预设目标间距；
将所述第一目标对象和所述第二目标对象在物理世界中的真实间距与所述预设目标间距比较；
若所述真实间距小于预设目标间距，则触发报警机制以提供报警信息。
9.根据权利要求1所述的物体之间真实间距的确定方法，其特征在于，所述获得包含有第一目标对象和第二目标对象的图像集，包括：
获得具有第一目标对象和第二目标对象的多个图像；
对所述多个图像进行预处理得到多个候选图像；
对所述多个候选图像进行标记以得到所述图像集。
10.根据权利要求9所述的物体之间真实间距的确定方法，其特征在于，所述对所述多个候选图像进行标记以得到所述图像集，包括：
对所述多个候选图像中的第一目标对象和第二目标对象的图像进行标记；
将完全是第一目标对象和第二目标对象的候选图像作为第一图像；将部分包含有第一目标对象和第二目标对象的候选图像作为第二图像；
将一部分所述第一图像和第二图像作为训练图像，将另一部分所述第一图像和第二图像作为测试图像，所述训练图像和测试图像形成所述图像集。
11.根据权利要求10所述的物体之间真实间距的确定方法，其特征在于，所述根据所述图像集构建目标对象检测模型，包括：
构建初始对象检测模型，将所述初始对象检测模型的参数初始化，并将所述图像集中的训练图像输入至所述初始对象检测模型中；
获得所述初始对象检测模型对所述训练图像的预测结果与标记的图像的损失值；
利用反向传播算法更新所述初始对象检测模型的参数；
再将所述图像集中的其它训练图像输入至所述初始对象检测模型中进行迭代训练，获得损失值最小时所更新的所述初始对象检测模型作为候选对象检测模型；
将所述图像集中的测试图像输入至所述候选对象检测模型中，获得所述候选对象检测模型对所述测试图像的测试结果与标记的图像的损失值；
将所述损失值与预设损失值比较，若所述损失值满足预设损失值，则将所述候选对象检测模型作为目标对象检测模型；反之，则继续将所述图像集中的其它训练图像输入至所述初始对象检测模型中进行迭代训练。
12.一种物体之间真实间距的确定装置，其特征在于，包括：
图像集获得单元，用于获得包含有第一目标对象和第二目标对象的图像集；
目标对象检测模型构建单元，用于根据所述图像集构建目标对象检测模型；
图像间距获得单元，用于通过所述目标对象检测模型，获得待检测图像中的所述第一目标对象和所述第二目标对象在所述待检测图像中的图像间距；
高度信息获得单元，用于获得所述第一目标对象在物理世界中的真实高度和在所述待检测图像中的第一高度信息；
真实间距获得单元，用于根据所述图像间距、所述第一目标对象在物理世界中的真实高度和在所述待检测图像中的第一高度信息，确定所述第一目标对象和所述第二目标对象在物理世界中的真实间距。
13.一种电子设备，其特征在于，所述电子设备包括：处理器；存储器，用于存储计算机程序，该计算机程序被处理器运行，执行权利要求1-11任意一项所述的方法。
14.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序，该计算机程序被处理器运行，执行权利要求1-11任意一项所述的方法。
CN202110885564.8A 2021-08-03 2021-08-03 一种物体之间真实间距的确定方法、装置及电子设备 Pending CN113643368A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110885564.8A CN113643368A (zh) 2021-08-03 2021-08-03 一种物体之间真实间距的确定方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110885564.8A CN113643368A (zh) 2021-08-03 2021-08-03 一种物体之间真实间距的确定方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN113643368A true CN113643368A (zh) 2021-11-12

Family

ID=78419456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110885564.8A Pending CN113643368A (zh) 2021-08-03 2021-08-03 一种物体之间真实间距的确定方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN113643368A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107798685A (zh) * 2017-11-03 2018-03-13 北京旷视科技有限公司 行人身高确定方法、装置及系统
CN109961455A (zh) * 2017-12-22 2019-07-02 杭州萤石软件有限公司 一种目标检测方法及装置
CN111815672A (zh) * 2019-04-12 2020-10-23 浙江宇视科技有限公司 动态跟踪控制方法、装置及控制设备
CN112733678A (zh) * 2020-12-31 2021-04-30 深兰人工智能(深圳)有限公司 测距方法、装置、计算机设备和存储介质
CN113192646A (zh) * 2021-04-25 2021-07-30 北京易华录信息技术股份有限公司 目标检测模型构建方法及不同目标间距离监控方法、装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107798685A (zh) * 2017-11-03 2018-03-13 北京旷视科技有限公司 行人身高确定方法、装置及系统
CN109961455A (zh) * 2017-12-22 2019-07-02 杭州萤石软件有限公司 一种目标检测方法及装置
CN111815672A (zh) * 2019-04-12 2020-10-23 浙江宇视科技有限公司 动态跟踪控制方法、装置及控制设备
CN112733678A (zh) * 2020-12-31 2021-04-30 深兰人工智能(深圳)有限公司 测距方法、装置、计算机设备和存储介质
CN113192646A (zh) * 2021-04-25 2021-07-30 北京易华录信息技术股份有限公司 目标检测模型构建方法及不同目标间距离监控方法、装置

Similar Documents

Publication Publication Date Title
CN110516665A (zh) 识别图像叠加文字区域的神经网络模型构建方法与系统
US20130243343A1 (en) Method and device for people group detection
CN113808200B (zh) 一种检测目标对象移动速度的方法、装置及电子设备
CN113439227B (zh) 放大图像的捕获和存储
US11423611B2 (en) Techniques for creating, organizing, integrating, and using georeferenced data structures for civil infrastructure asset management
CN111310826B (zh) 样本集的标注异常检测方法、装置及电子设备
CN110942456B (zh) 篡改图像检测方法、装置、设备及存储介质
WO2019148923A1 (zh) 一种以图搜图方法、装置、电子设备及存储介质
CN113505643B (zh) 违章目标物检测方法及相关装置
CN115147403A (zh) 液体污染物的检测方法、装置、电子设备及介质
CN116152685B (zh) 一种基于无人机视野下行人检测方法及系统
CN110991452A (zh) 一种车位框检测方法、装置、设备及可读存储介质
CN113298130B (zh) 目标图像的检测、目标对象检测模型的生成方法
Ranyal et al. Enhancing pavement health assessment: An attention-based approach for accurate crack detection, measurement, and mapping
CN110909685A (zh) 姿势估计方法、装置、设备及存储介质
CN116912675B (zh) 一种基于特征迁移的水下目标检测方法及系统
CN117351462A (zh) 施工作业检测模型训练方法、装置、设备及存储介质
Chen et al. Plane segmentation for a building roof combining deep learning and the RANSAC method from a 3D point cloud
CN115205793B (zh) 基于深度学习二次确认的电力机房烟雾检测方法及装置
JP2009009539A (ja) 円形状検出装置
CN113643368A (zh) 一种物体之间真实间距的确定方法、装置及电子设备
CN113537026B (zh) 建筑平面图中的图元检测方法、装置、设备及介质
CN112308061B (zh) 一种车牌字符识别方法及装置
US20160196473A1 (en) Video Extraction Method and Device
CN115146686B (zh) 一种确定目标对象安装位置的方法、装置、设备及介质

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 100000 rooms 206 and 207 on the ground floor of office building 9, Chaolai high tech Industrial Park, No. a, Laiguangying Middle Road, Chaoyang District, Beijing

Applicant after: Jiayang Smart Security Technology (Beijing) Co.,Ltd.

Address before: 100000 rooms 206 and 207 on the ground floor of office building 9, Chaolai high tech Industrial Park, No. a, Laiguangying Middle Road, Chaoyang District, Beijing

Applicant before: PETROMENTOR INTERNATIONAL EDUCATION (BEIJING) CO.,LTD.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20211112