CN113705380B - 雾天的目标检测方法、装置、电子设备以及存储介质 - Google Patents
雾天的目标检测方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN113705380B CN113705380B CN202110921531.4A CN202110921531A CN113705380B CN 113705380 B CN113705380 B CN 113705380B CN 202110921531 A CN202110921531 A CN 202110921531A CN 113705380 B CN113705380 B CN 113705380B
- Authority
- CN
- China
- Prior art keywords
- target
- fog concentration
- image
- candidate detection
- confidence coefficient
- 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
Classifications
-
- 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
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本公开提供了一种雾天的目标检测方法、装置、电子设备以及存储介质,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:从视频流中提取待检测图像,并获取待检测图像的多尺度的特征图;获取每个特征图对应的候选检测框的检测结果,其中,检测结果包括检测框内包括目标的置信度;根据多尺度的特征图中的一个特征图,获取待检测图像对应的雾浓度预测图;根据雾浓度预测图和置信度,对每个特征图的候选检测框进行过滤,以确定待检测图像的目标检测框。由此,能够提高雾天环境下目标检测的准确性,减少误检。
Description
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
近年来,随着人工智能技术的发展,目标检测技术广泛用于智慧城市、智能交通、智能安防等场景。而由于室外天气变化多端,雾、霾等天气会造成能见度低,影响目标检测效果。
目前,相关技术在训练目标检测模型时,是将有雾数据和无雾数据进行混合训练。而有雾数据中,由于场景能见度低,目标通常比较模糊,对于模型而言学习难度较大,将此类目标加入模型训练,易使得该模型在雾天场景下产生更多误检。
发明内容
本公开提供了一种雾天的目标检测方法、装置、设备以及存储介质。
根据本公开的一方面,提供了一种雾天的目标检测方法,包括:
从视频流中提取待检测图像,并获取所述待检测图像的多尺度的特征图;
获取每个所述特征图对应的候选检测框的检测结果,其中,所述检测结果包括所述检测框内包括目标的置信度;
根据所述多尺度的特征图中的一个特征图,获取所述待检测图像对应的雾浓度预测图;
根据所述雾浓度预测图和所述置信度,对每个所述特征图的所述候选检测框进行过滤,以确定所述待检测图像的目标检测框。
根据本公开的另一方面,提供了一种雾天的目标检测的装置,包括:
提取模块,用于从视频流中提取待检测图像,并获取所述待检测图像的多尺度的特征图;
第一获取模块,用于获取每个所述特征图对应的候选检测框的检测结果,其中,所述检测结果包括所述检测框内包括目标的置信度;
第二获取模块,用于根据所述多尺度的特征图中的一个特征图,获取所述待检测图像对应的雾浓度预测图;
过滤模块,用于根据所述雾浓度预测图和所述置信度,对每个所述特征图的所述候选检测框进行过滤,以确定所述待检测图像的目标检测框。
根据本公开的另一方面,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雾天的目标检测方法。
根据本公开的另一方面,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雾天的目标检测方法。
根据本公开的另一方面,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雾天的目标检测方法。
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。
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是根据本公开一个实施例的雾天的目标检测方法的流程示意图;
图2是根据本公开另一个实施例的雾天的目标检测方法的流程示意图;
图3是根据本公开一个实施例的目标检测联合模型的结构示意图;
图4是根据本公开另一个实施例的雾天的目标检测方法的流程示意图;
图5是根据本公开另一个实施例的雾天的目标检测方法的流程示意图;
图6是根据本公开另一个实施例的雾天的目标检测方法的流程示意图;
图7是根据本公开另一个实施例的雾天的目标检测方法的流程示意图;
图8是根据本公开另一个实施例的雾天的目标检测方法的流程示意图;
图9是根据本公开另一个实施例的雾天的目标检测方法的流程示意图;
图10是根据本公开一个实施例的雾天的目标检测方法的具体示例图;
图11是根据本公开一个实施例的雾天的目标检测装置的结构示意图;
图12是用来实现本公开实施例的雾天的目标检测方法的电子设备的框图。
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。
以下对本公开的方案涉及的技术领域进行简要说明:
人工智能(Artificial Intelligence,简称AI),是研究使计算机来模拟人生的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术,也有软件层面的技术。人工智能硬件技术一般包括计算机视觉技术、语音识别技术、自然语言处理技术以及及其学习/深度学习、大数据处理技术、知识图谱技术等几大方面。
计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。这里所指的信息指Shannon定义的,可以用来帮助做一个“决定”的信息。因为感知可以看作是从感官信号中提取信息,所以计算机视觉也可以看作是研究如何使人工系统从图像或多维数据中“感知”的科学。
深度学习是机器学习领域中一个新的研究方向。深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法,在语音和图像识别方面取得的效果,远远超过先前相关技术。
本公开实施例提供的为雾天的目标检测方法,可以由电子设备来执行,该电子设备可为户外摄像头、车载图像采集装置等,此处不做任何限定。
在本公开实施例中,电子设备中可以设置有处理组件、存储组件和驱动组件。可选的,该驱动组件和处理组件可以集成设置,该存储组件可以存储操作系统、应用程序或其他程序模块,该处理组件通过执行存储组件中存储的应用程序来实现本公开实施例提供的雾天的目标检测方法。
下面参考附图对本公开提供的雾天的目标检测方法、装置、电子设备以及存储介质进行详细描述。
图1是根据本公开一个实施例的一种雾天的目标检测方法的流程图。
本公开实施例的雾天的目标检测方法,还可由本公开实施例提供的雾天的目标检测装置执行,该装置可配置于电子设备中,以实现从视频流中提取待检测图像,并获取待检测图像的多尺度的特征图,然后获取每个特征图对应的候选检测框的检测结果,其中,检测结果包括检测框内包括目标的置信度,并根据多尺度的特征图中的一个特征图,获取待检测图像对应的雾浓度预测图,以及根据雾浓度预测图和置信度,对每个特征图的候选检测框进行过滤,以确定待检测图像的目标检测框,从而能够提高雾天环境下目标检测的准确性,减少误检。
作为一种可能的情况,本公开实施例的为雾天的目标检测方法还可以在服务器端执行,服务器可以为云服务器,可以在云端执行该为雾天的目标检测方法。
如图1所示,该雾天的目标检测方法,可包括:
步骤101,从视频流中提取待检测图像,并获取待检测图像的多尺度的特征图。
在本公开实施例中,可通过图像采集装置可以在各个场景下进行图像采集,采集的图像可以生成各个场景的视频流,并将视频流上传至服务器,服务器可获取对应的视频流,从视频流中提取待检测图像,并可通过多尺度卷积层或特征金字塔网络(FeaturePyramid Network,FPN)等对待检测图像进行处理,获取该待检测图像的多尺度特征图。在目标检测中,物体的形状和尺寸大小不一,甚至可能出现一些极小、极大或者极端形状(如细长型、窄高型等)的物体,影响目标的准确识别和精准定位,获取待检测图像的多尺度特征图可达到准确识别目标的目的。
在一些实现中,可提取视频流的每一帧图像,作为待检测图像。
在另一些实现中,可设定一定的帧提取间隔对视频流进行提取,例如,可每5帧从视频流中提取一张图像作为待检测图像。
在又一些实现中,可设定提取的时间间隔对视频流进行提取,例如,可设定每1秒钟从视频流中提取一张图像作为待检测图像。
步骤102,获取每个特征图对应的候选检测框的检测结果,其中,检测结果包括检测框内目标的置信度。
在本公开实施例中,候选检测框是包含目标的一个外接矩形,该候选检测框包含目标的置信度和候选检测框对应的雾浓度预测值,其中,置信度为范围在[0,1]之间的一个小数,描述了该候选检测框内存在目标的可信程度,标记为conf,置信度越大则认为该候选检测框内包含目标的越可靠,即目标检测越准确。
步骤103,根据多尺度的特征图中的一个特征图,获取待检测图像对应的雾浓度预测图。
在本公开实施例中,在获取多个不同尺度的特征图后,可从中选取一个特征图,并获取该特征图的雾浓度预测图。
步骤104,根据雾浓度预测图和置信度,对每个特征图的候选检测框进行过滤,以确定待检测图像的目标检测框。
在本公开实施例中,在获取雾浓度预测图和置信度后,可通过预设策略过滤掉置信度较低的候选检测框,并将置信度较高的候选检测框确定为待检测图像的目标检测框。由此,能够提高雾天环境下目标检测的准确性,减少误检。
本公开实施例的雾天目标的检测方法,首先从视频流中提取待检测图像,并获取待检测图像的多尺度的特征图,然后获取每个特征图对应的候选检测框的检测结果,其中,检测结果包括检测框内目标的置信度,最后根据多尺度的特征图中的一个特征图,获取待检测图像对应的雾浓度预测图。由此,能够提高雾天环境下目标检测的准确性,减少误检。
在本公开的一个实施例中,如图2所示,根据多尺度的特征图中的一个特征图,获取待检测图像对应的雾浓度预测图,可包括:
步骤201,确定多尺度的特征图中尺度最大的特征图。
在本公开实施例中,参见图3,在通过多尺度卷积层或FPN等获取待检测图像多个不同尺度的特征图的过程中,可将输出尺度最大的特征图(例如,y3)的通道与雾浓度分支相连,以确定多尺度的特征图中尺度最大的特征图。其中,雾浓度分支可用于对特征图进行雾浓度预测。
步骤202,对尺度最大的特征图进行雾浓度预测,以获取雾浓度预测图。
在本公开实施例中,尺度较大的特征图包含更多的特征信息,从而能够使得基于特征图的特征信息获取到的雾浓度预测图更加准确。可选地,特征信息包括颜色、亮度、饱和度、模糊度等信息。
本公开实施例对尺度最大的特征图进行雾浓度预测,可以得到更加准确的雾浓度预测图,为目标检测提供可靠的依据。
在本公开的一个实施例中,如图4所示,根据候选检测框的目标置信度,对候选检测框进行过滤,可包括:
步骤401,针对每个候选检测框,根据候选检测框和雾浓度预测图,获取候选检测框的雾浓度预测值。
在本公开实施例中,雾浓度预测图包括候选检测框内每个像素点的雾浓度预测值,可基于雾浓度预测图获取到候选检测框内每个像素点的雾浓度预测值。
可选地,可对候选检测框内每个像素点的雾浓度预测值取平均值p_avg作为候选检测框的雾浓度预测值。
作为另一种获取候选框雾浓度预测值的情况,在本公开的一个实施例中,如图5所示,该雾天的目标检测方法,还可包括:
步骤501,获取候选检测框对应的感兴趣区域。
在本公开实施例中,可基于候选检测框内目标所在位置确定对应的感兴趣(Region of Interest,ROI)区域。
步骤502,从雾浓度预测图中,获取感兴趣区域内每个像素点的雾浓度预测值。
在本公开实施例中,雾浓度预测图中包括每个像素点的雾浓度预测值,在获取到候选检测框对应的感兴趣区域后,可基于雾浓度预测图获取感兴趣区域内每个像素点的雾浓度预测值。
步骤503,对感兴趣区域内像素点的雾浓度预测值求平均,得到候选检测框的雾浓度预测值。
在本公开实施例中,在获取感兴趣区域内每个像素点的雾浓度预测值后,可对感兴趣区域内像素点的雾浓度预测值求平均,得到平均值p_avg(范围0~1),并将该平均值p_avg作为该候选检测框的雾浓度预测值。
本公开实施例通过引入感兴趣区域可以准确的确定目标检测范围,缩小获取雾浓度预测值的区域,使得获取到的候选检测框的雾浓度值更加准确。
步骤402,根据候选检测框的雾浓度预测值,对候选检测框的置信度进行更新,以获取候选检测框的目标置信度。
在本公开实施例中,可基于雾浓度预测值,获取置信度的修正系数,并基于修正系数与置信度相乘,将相乘结果作为目标置信度。
可选地,在获取上述雾浓度预测值和置信度后,可通过下述公式(1)对候选检测框的置信度进行更新。
conf_new=conf*(1-p_avg) (1)
其中,p_avg为雾浓度预测值,1-p_avg为修正系数,conf_new为更新后的置信度。
由公式(1)可知目标范围内的雾浓度越大,雾浓度预测值p_avg越接近1,使得更新后的置信度conf_new越接近0。由于浓雾下目标为误检的概率较高,更新置信度可使得能见度高的目标有较大的置信度,而能见度较低的目标有较小的置信度。由此,能够实现通过置信度来描述候选检测框内存在目标的可信程度。
步骤403,根据候选检测框的目标置信度,对候选检测框进行过滤。
在本公开实施例中,通过过滤掉置信度较低的候选检测框,保留置信度较高的候选检测框,能够得到更为可靠的目标,从而提高目标检测的准确性。
为了清楚说明上一实施例,如图6所示,在本公开的一个实施例中,根据候选检测框的目标置信度,对候选检测框进行过滤,可包括:
步骤601,将目标置信度与预设阈值进行比较,以确定目标置信度小于预设阈值的候选检测框。
步骤602,丢弃目标置信度小于预设阈值的候选检测框,其中,目标置信度大于或者等于预设阈值的候选检测框作为目标检测框。
在本公开实施例中,可将上述目标置信度与预设阈值进行比较,判断目标置信度是否小于预设阈值,若是,则将该目标置信度对应的候选检测框丢弃;若否,则将该目标置信度对应的候选检测框保留,并作为目标检测框。由此,能够得到置信度较高的目标,提高目标检测的准确性。
需要说明的是,该实施例中所描述的预设阈值可根据已有的测试场景进行标定。
在本公开的一个实施例中,如图7所示,获取待检测图像的多个尺度下的特征图,以及每个尺度下的特征图的候选检测框的检测结果,包括:
步骤701,将待检测图像输入目标检测联合模型中,由目标检测联合模型中的目标检测网络对待检测图像多尺度特征提取,并获取每个特征图的候选检测框的置信度。
在本公开实施例中,预先训练目标检测联合模型,该目标检测联合模型可以同步输出检测到的每个目标的候选检测框,以及候选检测框的置信度。可选地,目标检测联合模型可以包括目标检测网络,该目标检测网络用于对待检测图像进行多尺度特征提取,基于提取的特征进行目标检测,输出检测出的每个目标的候选检测框和该候选检测框对应的置信度。
需要说明的是,该实施例中的所描述的目标检测网络可为直接多目标检测(Single Shot Multi Box Detector,SSD)网络、精细直接多目标检测(Single-ShotRefinement Neural Network for Object Detection,RefineDet)网络、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(MobileNet based Single Shot MultiBox Detector,MobileNet-SSD)网络、统一实时目标检测(You Only Look Once:Unified,Real-Time Object Detection,YOLO)中的一种。
可选地,目标检测联合模型的基本构架可来自于YOLO模型,其结构可参见图3,该目标检测联合模型可包括目标检测网络(检测分支)和目标雾浓度预测网络(雾浓度分支),其中,目标检测网络可包括主干网络、特征金字塔网络,用于获取不同尺度的特征图以及每个特征图的候选检测框的置信度。其中,对于目标检测网络,可基于样本图像和样本图像上的目标标记对该目标检测网络进行训练,以生成优质的目标检测网络,提高目标检测的准确性。
在一些实现中,可将待检测图像输入至目标检测联合模型,先由目标检测网络中的主干网络例如一种开源的深度学习框架(DarkNet)、残差网络(Residual Network,ResNet)等特征提取网络进行处理,生成不同深度和尺度的特征图,然后这些特征图可由特征金字塔网络进行进一步处理,生成不同尺度的特征图,例如,y1、y2、y3,其尺寸分别为13*13*255、26*26*255以及52*52*255,这三个不同尺度的特征图可分别用于感知由大到小的不同尺度的目标。
举例说明,可将特征图y1输入至目标检测网络中,通过检测模块(由若干个卷积层组成)对特征图y1的候选框进行检测,生成通道数为(5+N)*A、宽和高均为13的检测结果z1,z1包括特征图y1的候选检测框的置信度;可将特征图y2输入至目标检测网络中,通过检测模块对特征图y2的候选框进行检测,生成通道数为(5+N)*A、宽和高均为26的检测结果z2,z2包括特征图y2的候选检测框的置信度;可将特征图y3输入至目标检测网络中,通过检测模块对特征图y3的候选框进行检测,生成通道数为(5+N)*A、宽和高均为52的检测结果z3,z3包括特征图y3的候选检测框的置信度。
步骤702,由目标检测联合模型中的目标雾浓度预测网络对候选检测框的雾浓度进行预测,以获取雾浓度预测图。
在本公开实施例中,服务器在接收到上述待检测图像后,可通过目标检测联合模型中的目标雾浓度预测网络,对候选检测框内图像区域的特征进行提取,并可基于图像区域的特征信息,对候选检测框的雾浓度进行预测,以获取该候选检测框对应的雾浓度预测图。
本公开实施例的雾天检测方法,参见图3,构建具有检测分支和雾浓度分支的目标检测联合模型,通过该目标检测联合模型,检测分支可以对待检测图像进行目标检测,雾浓度分支可以对候选检测框进行雾浓度预测,从而可以获取候选检测框的置信度和雾浓度预测图,在目标检测的过程中增加了雾浓度预测,能够提高雾天条件下目标检测的准确性。
在本公开的一个实施例中,如图8所示,将待检测图像输入目标检测联合模型中之前,可包括:
步骤801,对待检测图像进行缩放处理,以获取目标尺寸下的待处理图像。
在本公开实施例中,可将待检测图形缩放成固定尺寸(例如,416*416、等),以获取目标尺寸下的待处理图像,使得输入模型中的图像的尺寸大小能够统一。
步骤802,对目标尺寸下的待处理图像进行RGB值降低处理。
在本公开实施例中,可将上述目标尺寸下的待处理图像的RGB(分别代表红色(Red)、绿色(Green)、蓝色(Blue))值减去统一的RGB均值(例如,[104,117,123]),以降低目标尺寸下的待处理图像的RGB值。
需要说明的是,该实施例中所描述的RGB均值可根据实际情况和需求进行标定。
本公开实施例的方法,将待检测图像与样本图片的尺寸进行统一,使得目标的检测过程与目标检测联合模型的训练过程实现统一,从而增强目标检测联合模型的鲁棒性,并能够通过降低待处理图像的RGB,减少待处理图像中目标之外部分的干扰,使得目标更加凸显,以便于对目标进行检测。
为了清楚说明上一实施例,在本公开的一个实施例中,如图9所示,目标雾浓度预测网络的训练过程,包括:
步骤901,将样本图像输入构建的雾浓度预测网络中,获取雾浓度预测网络的雾浓度预测图。应说明的是,该实施例中所描述的样本图像是经过预处理的图像。
在本公开实施例中,可预先在目标检测联合模型中构建雾浓度预测网络,然后将样本图像输入雾浓度预测网络中,对样本图像中的目标雾浓度进行预测,以生成雾浓度预测图。
举例说明,可将特征图像y3输入至雾浓度预测网络中,通过感知模块(由若干卷积层组成)对特征图像y3中的目标进行雾浓度预测,生成通道数为1、宽和高均为52的雾浓度图预测图f3。
步骤902,对样本图像进行雾浓度估计,获取样本图像的雾浓度参考图。
在本公开实施例中,可通过暗通道估计等算法对样本图像进行雾浓度估计,并得到与原图像分辨率相同的雾浓度参考图。
需要说明的是,该实施例中所描述的雾浓度参考图的分辨率与原图像的分辨率相同,以保证与雾浓度预测图的分辨率保持一致,使得在对雾浓度预测网络进行训练调整模型参数的过程中,能够得到准确的参考依据。
步骤903,基于雾浓度预测图和雾浓度参考图,对雾浓度预测网络进行模型参数调整,并使用下一个样本图像继续对调整后的雾浓度预测网络进行训练,直至训练结束生成目标雾浓度预测网络。
在本公开实施例中,在获取上述雾浓度预测图和雾浓度参考图后,可基于雾浓度预测图和雾浓度参考图,通过均方损失函数(Mean Squared Error Loss,MSE Loss)计算损失值,并根据损失值调整模型参数,然后将下一个经过预处理的样本图像输入至调整后的雾浓度预测网络进行训练,以此得到优质的目标雾浓度预测网络。由此,能够提高对目标雾浓度预测的准确性,从而能够使得置信度数值描述的更加准确。
举例说明,可将雾浓度参考图缩放至分辨率为52*52的图像,与雾浓度预测图f3的分辨率保持一致,并作为雾浓度预测网络训练时的标签,通过均方损失函数MSE Loss计算损失值,根据损失值调整模型参数,由此对目标雾浓度预测网络进行训练。
本公开实施例在训练时加入目标的雾浓度估计的目的在于,通过引入雾浓度监督信息,使得目标检测联合模型可以有效感知各个目标范围内的雾浓度,从而提升目标检测联合模型在雾天条件下目标检测的精度。
综上,参见图10,该雾天的目标检测方法首先获取视频流,并从视频流中提取待检测图像,然后基于待检测图像获取多尺度特征图,并将特征图进行预处理,通过目标检测联合模型中的检测分支和雾浓度分支对预处理后特征图进行处理,分别获取置信度和雾浓度预测值,并基于置信度和雾浓度预测值值更新置信度,然后对更新后的置信度进行过滤,确定目标检测框。
图11本公开实施例提供的一种雾天的目标检测装置的方框示意图。
本公开实施例的雾天的目标检测装置,可配置于电子设备中,以实现从视频流中提取待检测图像,并获取待检测图像的多尺度的特征图,然后获取每个特征图对应的候选检测框的检测结果,其中,检测结果包括检测框内包括目标的置信度,并根据多尺度的特征图中的一个特征图,获取待检测图像对应的雾浓度预测图,以及根据雾浓度预测图和置信度,对每个特征图的候选检测框进行过滤,以确定待检测图像的目标检测框,从而能够提高雾天环境下目标检测的准确性,减少误检。
如图11所示,该雾天的目标检测装置1100,可包括:提取模块1110、第一获取模块1120、第二获取模块1130和过滤模块1140。
其中,提取模块1110用于从视频流中提取待检测图像,并获取待检测图像的多尺度的特征图。
在本公开实施例中,可通过图像采集装置可以在各个场景下进行图像采集,采集的图像可以生成各个场景的视频流,并将视频流上传至服务器,服务器可获取对应的视频流,通过提取模块1110从视频流中提取待检测图像,并可通过多尺度卷积层或特征金字塔网络等对待检测图像进行处理,获取该待检测图像的多尺度特征图。在目标检测中,物体的形状和尺寸大小不一,甚至可能出现一些极小、极大或者极端形状(如细长型、窄高型等)的物体,影响目标的准确识别和精准定位,获取待检测图像的多尺度特征图可达到准确识别目标的目的。
在一些实现中,可提取视频流的每一帧图像,作为待检测图像。
在另一些实现中,可设定一定的帧提取间隔对视频流进行提取,例如,可每5帧从视频流中提取一张图像作为待检测图像。
在又一些实现中,可设定提取的时间间隔对视频流进行提取,例如,可设定每1秒钟从视频流中提取一张图像作为待检测图像。
第一获取模块1120用于获取每个特征图对应的候选检测框的检测结果,其中,检测结果包括检测框内包括目标的置信度。
在本公开实施例中,候选检测框是包含目标的一个外接矩形,该候选检测框包含目标的置信度和候选检测框对应的雾浓度预测值,其中,置信度为范围在[0,1]之间的一个小数,描述了该候选检测框内存在目标的可信程度,标记为conf,置信度越大则认为该候选检测框内包含目标的越可靠,即目标检测越准确。
第二获取模块1130用于根据多尺度的特征图中的一个特征图,获取待检测图像对应的雾浓度预测图。
在本公开实施例中,在获取多个不同尺度的特征图后,可从中选取一个特征图,并通过第二获取模块1130获取该特征图的雾浓度预测图。
过滤模块1140用于根据雾浓度预测图和置信度,对每个特征图的候选检测框进行过滤,以确定待检测图像的目标检测框。
在本公开实施例中,在获取雾浓度预测图和置信度后,可通过过滤模块1140基于预设策略过滤掉置信度较低的候选检测框,并将置信度较高的候选检测框确定为待检测图像的目标检测框。由此,能够提高雾天环境下目标检测的准确性,减少误检。
在本公开的一个实施例中,第二获取模块1130,还用于:确定多尺度的特征图中尺度最大的特征图;对尺度最大的特征图进行雾浓度预测,以获取雾浓度预测图。
在本公开的一个实施例中,过滤模块1140,还用于:针对每个候选检测框,根据候选检测框和雾浓度预测图,获取候选检测框的雾浓度预测值;根据候选检测框的雾浓度预测值,对候选检测框的置信度进行更新,以获取候选检测框的目标置信度;根据候选检测框的目标置信度,对候选检测框进行过滤。
在本公开的一个实施例中,过滤模块1140,还用于:基于浓雾度预测值,获取置信度的修正系数;基于修正系数与置信度相乘,将相乘结果作为目标置信度。
在本公开的一个实施例中,过滤模块1140,还用于:将目标置信度与预设阈值进行比较,以确定目标置信度小于预设阈值的候选检测框;丢弃目标置信度小于预设阈值的候选检测框,其中,目标置信度大于或者等于预设阈值的候选检测框作为目标检测框。
在本公开的一个实施例中,该雾天的目标检测装置1100,还可包括:第三获取模块1150、第四获取模块1160和平均模块1170。
其中,第三获取模块1150,用于获取候选检测框对应的感兴趣区域;
第四获取模块1160,用于从雾浓度预测图中,获取感兴趣区域内每个像素点的雾浓度预测值;
平均模块1170,用于对感兴趣区域内像素点的雾浓度预测值求平均,得到候选检测框的雾浓度预测值。
在本公开的一个实施例中,雾天的目标检测装置1100,还包括:
第一获取模块1120,用于将待检测图像输入目标检测联合模型中,由目标检测联合模型中的目标检测网络对待检测图像多尺度特征提取,并获取每个特征图的候选检测框的置信度;
第二获取模块1130,用于由目标检测联合模型中的目标雾浓度预测网络对候选检测框的雾浓度进行预测,以获取雾浓度预测图。
在本公开的一个实施例中,第二获取模块1130还用于:将样本图像输入构建的雾浓度预测网络中,获取雾浓度预测网络的雾浓度预测图;对样本图像进行雾浓度估计,获取样本图像的雾浓度参考图;基于雾浓度预测图和雾浓度参考图,对雾浓度预测网络进行模型参数调整,并使用下一个样本图像继续对调整后的雾浓度预测网络进行训练,直至训练结束生成目标雾浓度预测网络。
在本公开的一个实施例中,第一获取模块,用于在将待检测图像输入目标检测联合模型中之前,对待检测图像进行缩放处理,以获取目标尺寸下的待处理图像;对目标尺寸下的待处理图像的进行RGB值降低处理。
本公开实施例的雾天的目标的检测装置,通过提取模块从视频流中提取待检测图像,并获取待检测图像的多尺度的特征图,然后通过第一获取模块获取每个特征图对应的候选检测框的检测结果,其中,检测结果包括检测框内包括目标的置信度,并根据多尺度的特征图中的一个特征图,通过第二获取模块获取待检测图像对应的雾浓度预测图,以及根据雾浓度预测图和置信度,通过过滤模块对每个特征图的候选检测框进行过滤,以确定待检测图像的目标检测框。由此,能够提高雾天环境下目标检测的准确性,减少误检。
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12示出了可以用来实施本公开的实施例的示例电子设备1200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12所示,设备1200包括计算单元1201,其可以根据存储在只读存储器(ROM)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(RAM)1203中的计算机程序,来执行各种适当的动作和处理。在RAM 1203中,还可存储设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
设备1200中的多个部件连接至I/O接口1205,包括:输入单元1206,例如键盘、鼠标等;输出单元1207,例如各种类型的显示器、扬声器等;存储单元1208,例如磁盘、光盘等;以及通信单元1209,例如网卡、调制解调器、无线通信收发机等。通信单元1209允许设备1200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1201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1201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1201执行上文所描述的各个方法和处理,例如雾天的目标检测方法。例如,在一些实施例中,雾天的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1208。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1202和/或通信单元1209而被载入和/或安装到设备1200上。当计算机程序加载到RAM 1203并由计算单元1201执行时,可以执行上文描述的雾天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1201可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行雾天的目标检测方法。
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,本发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 (16)
1.一种雾天的目标检测方法,包括:
从视频流中提取待检测图像,并获取所述待检测图像的多尺度的特征图;
获取每个所述特征图对应的候选检测框的检测结果,其中,所述检测结果包括所述检测框内目标的置信度;
根据所述多尺度的特征图中的一个特征图,获取所述待检测图像对应的雾浓度预测图;
根据所述雾浓度预测图和所述置信度,对每个所述特征图的所述候选检测框进行过滤,以确定所述待检测图像的目标检测框;其中,所述根据所述置信度和所述雾浓度预测图,对每个所述特征图的所述候选检测框进行过滤,包括:针对每个所述候选检测框,根据所述候选检测框和所述雾浓度预测图,获取所述候选检测框的雾浓度预测值;根据所述候选检测框的雾浓度预测值,对所述候选检测框的置信度进行更新,以获取所述候选检测框的目标置信度;根据所述候选检测框的目标置信度,对所述候选检测框进行过滤;其中,所述根据所述候选检测框的雾浓度预测值,对所述候选检测框的置信度进行更新,包括:基于所述雾浓度预测值,获取所述置信度的修正系数;基于所述修正系数与所述置信度相乘,将相乘结果作为所述目标置信度。
2.根据权利要求1所述的方法,其中,所述根据所述多尺度的特征图中的一个特征图,获取所述待检测图像对应的雾浓浓度预测图,包括:
确定所述多尺度的特征图中尺度最大的特征图;
对所述尺度最大的特征图进行雾浓度预测,以获取所述雾浓度预测图。
3.根据权利要求1所述的方法,其特征在于,所述根据所述候选检测框的目标置信度,对所述候选检测框进行过滤,包括:
将所述目标置信度与预设阈值进行比较,以确定所述目标置信度小于所述预设阈值的候选检测框;
丢弃所述目标置信度小于所述预设阈值的候选检测框,其中,所述目标置信度大于或者等于所述预设阈值的候选检测框作为所述目标检测框。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取所述候选检测框对应的感兴趣区域;
从所述雾浓度预测图中,获取所述感兴趣区域内每个像素点的雾浓度预测值;
对所述感兴趣区域内像素点的雾浓度预测值求平均,得到所述候选检测框的雾浓度预测值。
5.根据权利要求1-3任一项所述的方法,其特征在于,所述获取所述待检测图像的多个尺度下的特征图,以及每个尺度下的所述特征图的候选检测框的检测结果,包括:
将所述待检测图像输入目标检测联合模型中,由所述目标检测联合模型中的目标检测网络对所述待检测图像多尺度特征提取,并获取每个所述特征图的所述候选检测框的置信度;
由所述目标检测联合模型中的目标雾浓度预测网络对所述候选检测框的雾浓度进行预测,以获取所述雾浓度预测图。
6.根据权利要求5所述的方法,其特征在于,所述目标雾浓度预测网络的训练过程,包括:
将样本图像输入构建的雾浓度预测网络中,获取所述雾浓度预测网络的雾浓度预测图;
对所述样本图像进行雾浓度估计,获取所述样本图像的雾浓度参考图;
基于所述雾浓度预测图和所述雾浓度参考图,对所述雾浓度预测网络进行模型参数调整,并使用下一个样本图像继续对调整后的雾浓度预测网络进行训练,直至训练结束生成所述目标雾浓度预测网络。
7.根据权利要求5所述的方法,其特征在于,所述将所述待检测图像输入目标检测联合模型中之前,还包括:
对所述待检测图像进行缩放处理,以获取目标尺寸下的待处理图像;
对所述目标尺寸下的待处理图像进行RGB值降低处理。
8.一种雾天的目标检测装置,包括:
提取模块,用于从视频流中提取待检测图像,并获取所述待检测图像的多尺度的特征图;
第一获取模块,用于获取每个所述特征图对应的候选检测框的检测结果,其中,所述检测结果包括所述检测框内包括目标的置信度;
第二获取模块,用于根据所述多尺度的特征图中的一个特征图,获取所述待检测图像对应的雾浓度预测图;
过滤模块,用于根据所述雾浓度预测图和所述置信度,对每个所述特征图的所述候选检测框进行过滤,以确定所述待检测图像的目标检测框;其中,所述过滤模块,还用于:针对每个所述候选检测框,根据所述候选检测框和所述雾浓度预测图,获取所述候选检测框的雾浓度预测值;根据所述候选检测框的雾浓度预测值,对所述候选检测框的置信度进行更新,以获取所述候选检测框的目标置信度;根据所述候选检测框的目标置信度,对所述候选检测框进行过滤;其中,所述过滤模块,还用于:基于所述雾浓度预测值,获取所述置信度的修正系数;基于所述修正系数与所述置信度相乘,将相乘结果作为所述目标置信度。
9.根据权利要求8所述的装置,其中,所述第二获取模块,还用于:
确定所述多尺度的特征图中尺度最大的特征图;
对所述尺度最大的特征图进行雾浓度预测,以获取所述雾浓度预测图。
10.根据权利要求8所述的装置,其特征在于,所述过滤模块,还用于:
将所述目标置信度与预设阈值进行比较,以确定所述目标置信度小于所述预设阈值的候选检测框;
丢弃所述目标置信度小于所述预设阈值的候选检测框,其中,所述目标置信度大于或者等于所述预设阈值的候选检测框作为所述目标检测框。
11.根据权利要求10所述的装置,其特征在于,所述雾天的目标检测装置,还包括:
第三获取模块,用于获取所述候选检测框对应的感兴趣区域;
第四获取模块,用于从所述雾浓度预测图中,获取所述感兴趣区域内每个像素点的雾浓度预测值;
平均模块,用于对所述感兴趣区域内像素点的雾浓度预测值求平均,得到所述候选检测框的雾浓度预测值。
12.根据权利要求8-10任一项所述的装置,其特征在于,所述雾天的目标检测装置,还包括:
第一获取模块,用于将所述待检测图像输入目标检测联合模型中,由所述目标检测联合模型中的目标检测网络对所述待检测图像多尺度特征提取,并获取每个所述特征图的所述候选检测框的置信度;
第二获取模块,用于由所述目标检测联合模型中的目标雾浓度预测网络对所述候选检测框的雾浓度进行预测,以获取所述雾浓度预测图。
13.根据权利要求12所述的装置,其特征在于,所述第二获取模块还用于:
将样本图像输入构建的雾浓度预测网络中,获取所述雾浓度预测网络的雾浓度预测图;
对所述样本图像进行雾浓度估计,获取所述样本图像的雾浓度参考图;
基于所述雾浓度预测图 和所述雾浓度参考图,对所述雾浓度预测网络进行模型参数调整,并使用下一个样本图像继续对调整后的雾浓度预测网络进行训练,直至训练结束生成所述目标雾浓度预测网络。
14.根据权利要求12所述的装置,其特征在于,还包括:
第一获取模块,用于在所述将所述待检测图像输入目标检测联合模型中之前,对所述待检测图像进行缩放处理,以获取目标尺寸下的待处理图像;
对所述目标尺寸下的待处理图像进行RGB值降低处理。
15.一种电子设备,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1-7中任一项所述的方法。
16.一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1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110921531.4A CN113705380B (zh) | 2021-08-11 | 2021-08-11 | 雾天的目标检测方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110921531.4A CN113705380B (zh) | 2021-08-11 | 2021-08-11 | 雾天的目标检测方法、装置、电子设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113705380A CN113705380A (zh) | 2021-11-26 |
CN113705380B true CN113705380B (zh) | 2023-08-01 |
Family
ID=78652309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110921531.4A Active CN113705380B (zh) | 2021-08-11 | 2021-08-11 | 雾天的目标检测方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705380B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115578431B (zh) * | 2022-10-17 | 2024-02-06 | 北京百度网讯科技有限公司 | 图像深度处理方法、装置、电子设备及介质 |
CN117409193B (zh) * | 2023-12-14 | 2024-03-12 | 南京深业智能化系统工程有限公司 | 一种烟雾场景下的图像识别方法、装置及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766726A (zh) * | 2019-10-17 | 2020-02-07 | 重庆大学 | 复杂背景下的大钟料罐容器移动目标视觉定位与动态跟踪方法 |
CN111126136A (zh) * | 2019-11-18 | 2020-05-08 | 上海交通大学 | 一种基于图像识别的烟雾浓度量化方法 |
CN111523493A (zh) * | 2020-04-27 | 2020-08-11 | 东南数字经济发展研究院 | 一种针对雾天影像的目标检测算法 |
CN111695514A (zh) * | 2020-06-12 | 2020-09-22 | 长安大学 | 一种基于深度学习的雾天下车辆检测方法 |
CN111814753A (zh) * | 2020-08-18 | 2020-10-23 | 深延科技(北京)有限公司 | 针对雾天条件下的目标检测方法和装置 |
CN112381183A (zh) * | 2021-01-12 | 2021-02-19 | 北京易真学思教育科技有限公司 | 目标检测方法、装置、电子设备及存储介质 |
CN112633149A (zh) * | 2020-12-22 | 2021-04-09 | 南京邮电大学 | 一种域自适应雾天图像目标检测方法和装置 |
CN113076904A (zh) * | 2021-04-15 | 2021-07-06 | 华南理工大学 | 一种基于深度学习的室外停车场空余车位检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8416297B2 (en) * | 2007-01-16 | 2013-04-09 | Utc Fire & Security Corporation | System and method for video detection of smoke and flame |
-
2021
- 2021-08-11 CN CN202110921531.4A patent/CN113705380B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766726A (zh) * | 2019-10-17 | 2020-02-07 | 重庆大学 | 复杂背景下的大钟料罐容器移动目标视觉定位与动态跟踪方法 |
CN111126136A (zh) * | 2019-11-18 | 2020-05-08 | 上海交通大学 | 一种基于图像识别的烟雾浓度量化方法 |
CN111523493A (zh) * | 2020-04-27 | 2020-08-11 | 东南数字经济发展研究院 | 一种针对雾天影像的目标检测算法 |
CN111695514A (zh) * | 2020-06-12 | 2020-09-22 | 长安大学 | 一种基于深度学习的雾天下车辆检测方法 |
CN111814753A (zh) * | 2020-08-18 | 2020-10-23 | 深延科技(北京)有限公司 | 针对雾天条件下的目标检测方法和装置 |
CN112633149A (zh) * | 2020-12-22 | 2021-04-09 | 南京邮电大学 | 一种域自适应雾天图像目标检测方法和装置 |
CN112381183A (zh) * | 2021-01-12 | 2021-02-19 | 北京易真学思教育科技有限公司 | 目标检测方法、装置、电子设备及存储介质 |
CN113076904A (zh) * | 2021-04-15 | 2021-07-06 | 华南理工大学 | 一种基于深度学习的室外停车场空余车位检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113705380A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107256225B (zh) | 一种基于视频分析的热度图生成方法及装置 | |
CN113674421B (zh) | 3d目标检测方法、模型训练方法、相关装置及电子设备 | |
CN110781756A (zh) | 基于遥感图像的城市道路提取方法及装置 | |
CN112785625B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN113705380B (zh) | 雾天的目标检测方法、装置、电子设备以及存储介质 | |
CN113012176B (zh) | 样本图像的处理方法、装置、电子设备及存储介质 | |
CN112989995B (zh) | 文本检测方法、装置及电子设备 | |
CN113705381B (zh) | 雾天的目标检测方法、装置、电子设备以及存储介质 | |
CN112861885B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN113378834B (zh) | 目标检测方法、装置、设备、存储介质以及程序产品 | |
CN112528858A (zh) | 人体姿态估计模型的训练方法、装置、设备、介质及产品 | |
CN113177968A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
CN114332977A (zh) | 关键点检测方法、装置、电子设备及存储介质 | |
CN114037087B (zh) | 模型训练方法及装置、深度预测方法及装置、设备和介质 | |
CN113569708A (zh) | 活体识别方法、装置、电子设备以及存储介质 | |
CN107452019B (zh) | 一种基于模型切换的目标检测方法、装置、系统及存储介质 | |
CN114419564B (zh) | 车辆位姿检测方法、装置、设备、介质及自动驾驶车辆 | |
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 | |
CN113936158A (zh) | 一种标签匹配方法及装置 | |
CN114219744B (zh) | 图像生成方法、装置、设备及存储介质 | |
Huang et al. | Invasion detection on transmission lines using saliency computation | |
CN113806361B (zh) | 电子监控设备与道路的关联方法、装置及存储介质 | |
CN113139483B (zh) | 人体行为识别方法、装置、设备、存储介质以及程序产品 |
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 |