CN113780399A - 目标分类方法、装置、设备及存储介质 - Google Patents
目标分类方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113780399A CN113780399A CN202111032456.2A CN202111032456A CN113780399A CN 113780399 A CN113780399 A CN 113780399A CN 202111032456 A CN202111032456 A CN 202111032456A CN 113780399 A CN113780399 A CN 113780399A
- Authority
- CN
- China
- Prior art keywords
- classification
- target
- label
- tracking
- historical
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 97
- 230000008569 process Effects 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000003897 fog Substances 0.000 description 1
- 230000009191 jumping 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
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请涉及目标分析领域,尤其涉及一种目标分类方法、装置、设备及存储介质。方法包括:确定跟踪目标;获取对所述跟踪目标最新分类得到的、连续的M个历史分类标签,其中,M为大于1的整数;根据所述M个历史分类标签,确定对所述跟踪目标分类时标签频繁切换;获取目标分类标签,并通过所述目标分类标签对所述跟踪目标进行切换延迟处理。本申请用以解决对目标进行分类时,出现分类标签频繁切换,造成分类过程不平滑的问题。
Description
技术领域
本申请涉及目标分析领域,尤其涉及一种目标分类方法、装置、设备及存储介质。
背景技术
随着社会的发展,对环境中的目标实现自动分类成为一个重要课题,例如,当需要统计一个空间内人的数量时,如何识别出该空间内种类为人的目标。目前,现有的目标分类监测系统采用的技术基础包括红外线技术、激光技术和图像处理技术等。
但是,现有技术对目标进行分类时,存在由于目标识别角度等客观原因造成分类得到的标签频繁切换的问题,例如,当通过图像处理技术识别一个空间内的人时,由于图像采集精度问题,造成对该目标分类的标签在人与非人之间频繁切换,分类过程不平滑,导致无法得到准确的分类标签,进而造成分类精度降低。
发明内容
本申请提供了一种目标分类方法、装置、设备及存储介质,用以解决对目标进行分类时,出现分类标签频繁切换,造成分类过程不平滑的问题。
第一方面,本申请实施例提供了一种目标分类方法,包括:确定跟踪目标;获取对所述跟踪目标最新分类得到的、连续的M个历史分类标签,其中,M为大于1的整数;根据所述M个历史分类标签,确定对所述跟踪目标分类时标签频繁切换;获取目标分类标签,并通过所述目标分类标签对所述跟踪目标进行切换延迟处理。
可选地,所述获取对所述跟踪目标最新分类得到的、连续的M个历史分类标签,包括:在切换时间阈值内,对所述跟踪目标最新分类得到的、连续的所述M个历史分类标签;所述根据所述M个历史分类标签,确定对所述跟踪目标分类时标签频繁切换,包括:根据所述M个历史分类标签,获取标签切换次数;当所述标签切换次数大于切换次数阈值时,确定对所述跟踪目标分类时标签频繁切换。
可选地,所述获取目标分类标签,包括:获取对所述跟踪目标最新分类得到的、连续的N个历史分类标签,其中,所述N为大于1的整数;计算获得所述N个历史分类标签中,每一种历史分类标签的所占比例;将每一种所述历史分类标签的所占比例,与每一种所述历史分类标签对应的预设比例阈值进行比较;将所述所占比例大于所述预设比例阈值的所述历史分类标签,作为所述目标分类标签。
可选地,所述确定跟踪目标,包括:获取检测目标的毫米波雷达回波信号;解析所述回波信号,获取所述目标距离所述毫米波雷达的当前距离;当所述当前距离小于第一距离阈值时,确定所述目标为所述跟踪目标。
可选地,所述获取对所述跟踪目标最新分类得到的、连续的M个历史分类标签,包括:通过所述毫米波雷达对所述跟踪目标进行轨迹跟踪;获取轨迹跟踪过程中毫米波雷达的回波信号;通过机器学习分类算法,解析所述轨迹跟踪过程中毫米波雷达的回波信号,对所述跟踪目标进行持续性分类;获取对所述跟踪目标最新分类得到的、连续的M个历史分类标签。
可选地,所述通过所述目标分类标签对所述跟踪目标进行切换延迟处理,包括:保持所述跟踪目标的最新分类结果为所述目标分类标签不变,直至保持时间达到预设延迟时长。
可选地,所述保持时间达到预设延迟时长时,还包括:重新对所述跟踪目标进行分类,直至再次根据所述M个历史分类标签,确定对所述跟踪目标分类时标签频繁切换。
第二方面,本申请实施例提供了一种目标分类装置,包括:第一确定模块,用于确定跟踪目标;获取模块,用于获取对所述跟踪目标最新分类得到的、连续的M个历史分类标签,其中,M为大于1的整数;第二确定模块,用于根据所述M个历史分类标签,确定对所述跟踪目标分类时标签频繁切换;延迟处理模块,用于获取目标分类标签,并通过所述目标分类标签对所述跟踪目标进行切换延迟处理。
第三方面,本申请实施例提供了一种电子设备,包括:处理器、存储器和通信总线,其中,处理器和存储器通过通信总线完成相互间的通信;所述存储器,用于存储计算机程序;所述处理器,用于执行所述存储器中所存储的程序,实现第一方面所述的目标分类方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的目标分类方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:本申请实施例提供的该方法,确定跟踪目标后,根据对跟踪目标最新分类得到的、连续的M个历史分类标签,确定该跟踪目标在分类时标签频繁切换时,然后获取目标分类标签,并通过目标分类标签对跟踪目标进行切换延迟处理。通过该方法,在对跟踪目标进行跟踪分类时,避免分类标签持续性的频繁切换,当出现频繁切换的情况时,立即进行延迟处理,得到延迟处理后的目标分类标签,实现分类过程的平滑优化,进而提升分类精度。避免标签频繁切换带来的使用效果差,提升用户的使用体验感。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例中提供的目标分类方法实现流程步骤示意图一;
图2为本申请实施例中提供的确定对跟踪目标分类时是否标签频繁切换的流程步骤示意图一;
图3为本申请实施例中提供的目标分类方法具体实现方法步骤示意图二;
图4为本申请实施例中提供的目标分类方法具体实现方法步骤示意图三;
图5为本申请实施例中提供的判断跟踪目标是否标签频繁切换步骤示意图二;
图6为本申请实施例中提供的目标分类装置结构连接示意图;
图7为本申请实施例中提供的电子设备结构连接示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例中提供的目标分类方法,用于实现对目标的分类。该方法实现于进行目标分类方法的设备中,该设备可以为智能手机、平板电脑、智能摄像头以及其他能够实现目标分类的任意一种设备中。本申请的保护范围不以该设备的具体实现形式为限制。
一个实施例中,如图1所示,目标分类方法实现的流程步骤如下:
步骤101,确定跟踪目标。
本实施例中,对目标的分类是一个持续的跟踪过程,跟踪目标指的是需要进行分类的目标。也就是说,当确定跟踪目标后,会持续的对该跟踪目标进行分类,得到至少一个分类标签。
本实施例中,确定跟踪目标可以采用红外线技术、激光技术、图像处理技术、毫米波雷达技术以及其他能够实现本方案的技术中的任意一种。本申请的保护范围不以确定跟踪目标的具体技术为限制。
一个实施例中,确定跟踪目标的过程采用毫米波雷达技术。基于毫米波雷达技术,确定跟踪目标的具体过程如下:获取检测目标的毫米波雷达回波信号;解析回波信号,获取目标距离毫米波雷达的当前距离;当当前距离小于第一距离阈值时,确定目标为跟踪目标。
本实施例中,毫米波指的是波长为1~10毫米的电磁波,其位于微波与远红外波相交叠的波长范围,因而兼有两种波谱的特点。毫米波发射装置向一个空间内发射毫米波后,存在于该空间内的目标会反射回波,毫米波接收装置能够接收该回波。通过解析回波信号,能够获得空间目标的位置、距离等信息。
毫米波使用过程中,同厘米波导引头相比,毫米波导引头具有体积小、质量轻和空间分辨率高的特点。与红外、激光、电视等光学导引头相比,毫米波导引头穿透雾、烟、灰尘的能力强,具有全天候(大雨天除外)全天时的特点。另外,毫米波导引头的抗干扰、反隐身能力也优于其他微波导引头。
本实施例中,毫米波发射装置和接收装置可以为集成的毫米波芯片,该毫米波芯片可以安装于对跟踪目标进行分类的设备中,以通过毫米波雷达技术实现本申请的目标分类方法。需要说明的是,毫米波发射装置和接收装置还可以根据实际情况和需要以其他形式实现,或安装于其他位置,只要能够实现本申请的目标分类方法即可。
本实施例中,第一距离阈值是预先设置的距离阈值。当从解析回波信号获得目标的当前距离后,若当前距离小于第一距离阈值,则确定该目标为跟踪目标。第一距离阈值的具体数值根据实际情况和需要进行设定。
通过第一距离阈值,明确了确定跟踪目标的条件,避免无条件对所有目标进行跟踪分类,出现分类混乱的情况。且通过调整第一距离阈值的具体数值,可以保证获取较高精度的回波信号,进而提高整个目标分类的精度。
步骤102,获取对跟踪目标最新分类得到的、连续的M个历史分类标签,其中,M为大于1的整数。
本实施例中,分类标签指的是对跟踪目标进行分类得到的结果,代表跟踪目标的种类。具体的分类标签可以预先根据需要和实际情况进行设定,例如,分类标签可以包括人和非人,分类标签还可以包括人、猫和狗。本申请的保护范围不以分类标签的具体个数和具体内容为限制。
本实施例中,由于对跟踪目标的分类是一个持续性过程,则历史分类标签指的是当前时刻之前对跟踪目标进行分类获得的分类标签。而M个历史分类标签则是在当前时刻之前最新得到的、连续的历史分类标签,这样可以保证确定分类标签是是不是频繁切换时的时效性,避免出现使用的历史分类标签距离当前时刻已经较久,历史分类标签所在的时段标签是频繁切换的,但当前所在的时刻标签已经不再频繁切换的情况,保证目标分类的时效性和准确性。
一个实施例中,当确定跟踪目标采用毫米波雷达技术时,基于毫米波雷达技术,获取跟踪目标的至少一个历史分类标签,具体过程如下:通过毫米波雷达对跟踪目标进行轨迹跟踪;获取轨迹跟踪过程中毫米波雷达的回波信号;通过机器学习分类算法,解析轨迹跟踪过程中毫米波雷达的回波信号,对跟踪目标进行持续性分类;获取对跟踪目标最新分类得到的、连续的M个历史分类标签。
具体的,基于毫米波雷达技术,采集跟踪目标的回波信号后,对该回波信号进行模数转换;对模数转换后的数字信号进行数字信号处理(Digital Signal Process,简称DSP),获得点云信息。该点云信号点云信息每帧包含多个点信息,其中点信息是由距离、方位角、多普勒速度信和信噪比组成的向量,当点云信息为3维点云信息,还包含高度信息。然后根据自适应拓展卡尔曼滤波算法实现跟踪目标的轨迹跟踪。
基于跟踪目标的点云信息,通过预设的分类特征,例如,预设的人体特征等,对点云信息进行特征提取,将提取的特征输入到预设的机器学习分类算法中,实现跟踪目标的分类。
本实施例中,通过毫米波雷达的回波信号,能够获得目标的点云信息,基于毫米波雷达的优势,使轨迹跟踪的实现更加便捷,获得的特征信息更急准确,进而提升目标分类的准确性。
步骤103,根据M个历史分类标签,确定对跟踪目标分类时标签频繁切换。
本实施例中,标签切换指的是分类结果由一个标签变为另一个标签。例如,第一次分类得到的分类标签为人,紧接着第二次分类得到的分类标签为非人,则这个过程为一次标签切换。
一个实施例中,在获取对跟踪目标最新分类得到的、连续的M个历史分类标签时,具体过程是,在切换时间阈值内,对跟踪目标最新分类得到的、连续的M个历史分类标签。基于切换时间阈值,根据M个历史分类标签,确定对跟踪目标分类时标签频繁切换,具体实现过程如下:根据M个历史分类标签,获取标签切换次数;当标签切换次数大于切换次数阈值时,确定对跟踪目标分类时标签频繁切换。其中,在M个历史分类标签中,第m个历史标签与第m+1个历史标签不同,则为一次标签切换,m为大于或等于1、且小于M的整数。
本实施例中,切换时间阈值是根据实际情况和需要进行设定的,本申请的保护范围不以切换时间阈值的具体数值和设定方式为限制。相应的,切换次数阈值也是根据实际情况和需要进行设定的,本申请的保护范围同样不以切换次数阈值的具体数值和设定方式为限制。
一个具体的例子中,切换时间阈值为2分钟,切换次数阈值为3次。获取当前时刻之前2分钟内的历史分类标签为5个,5个历史分类标签按照获得的时间顺序排列,分别为人、非人、人、非人、人。则通过该5个历史分类标签可以得到,标签切换次数为4次。因为切换次数阈值为3次,则标签切换次数大于切换次数阈值,进而确定对跟踪目标分类时标签频繁切换。
一个具体的实施例中,确定对跟踪目标分类时是否标签频繁切换时,可以通过第一计数器和第一计时器,获取切换时间阈值内的至少一个历史分类标签。如图2所示,在分类过程中具体过程如下:
步骤201,初始化第一计时器为零,初始化第一计数器为零;
步骤202,分类标签切换时,第一计时器开始计时;
步骤203,判断第一计时器的计时是否小于预设的切换时间阈值时,若是,执行步骤204,若否,执行步骤201;
步骤204,第一计数器加一;
步骤205,判断第一计数器计数是否达到预设的切换次数阈值,若是,执行步骤206,若否,执行步骤202;
步骤206,确定跟踪目标分类时标签频繁切换。
当确定跟踪目标分类时标签频繁切换后,对跟踪目标进行切换延迟处理。
本实施例中,通过设定切换时间阈值,避免只统计切换次数,造成长时间内切换次数较多,并不属于频繁切换,但仍旧确认为频繁切换的情况。
一个实施例中,获取对跟踪目标最新分类得到的、连续的M个历史分类标签时,将历史分类标签保存至预设标签列表中,具体的,对跟踪目标进行实时分类,将每次实时获取的分类标签作为历史分类标签,保存至预设标签列表中;其中,预设标签列表中包括M个历史分类标签。基于预设标签列表,根据M个历史分类标签,确定对跟踪目标分类时标签频繁切换,具体实现过程如下:根据预设标签列表中的M个历史分类标签,确定对跟踪目标分类时标签频繁切换。
本实施例中,预设标签列表中的历史分类标签,是按照获得分类标签的时间顺序排列的,例如,8点10分获得标签1,8点20分获得标签2,8点30分获得标签3,则预设标签列表中,保存的标签顺序为标签1、标签2、标签3。
一个实施例中,预设标签列表能够保存的历史分类标签数量是有一定限制的,不能超过预设存储阈值。具体的,当预设标签列表中存储的历史分类标签数量,达到预设存储阈值时,当实时获取新的分类标签时,将预设标签列表中保存时间最久的历史分类标签删除,同时将实时获取的新的分类标签作为历史分类标签保存至预设标签列表中,更新预设标签列表,以进行下一次标签是否频繁切换的判断。例如,预设标签列表中保存的历史分类标签有标签1、标签2、标签3时,实时获得新的分类标签为标签4,则删除预设标签列表中的标签1,将标签4保存至预设标签列表,更新后的预设标签列表为标签2、标签3、标签4。
步骤104,获取目标分类标签,并通过目标分类标签对跟踪目标进行切换延迟处理。
本实施例中,当跟踪目标的标签频繁切换时,对跟踪目标进行延迟处理,以确定一个最终的目标分类标签,避免标签频繁切换降低分类结果精度。
一个实施例中,获取目标分类标签的过程如下:获取对跟踪目标最新分类得到的、连续的N个历史分类标签,其中,N为大于1的整数;计算获得N个历史分类标签中,每一种历史分类标签的所占比例;将每一种历史分类标签的所占比例,与每一种历史分类标签对应的预设比例阈值进行比较;将所占比例大于预设比例阈值的历史分类标签,作为目标分类标签。
本实施例中,每一种历史分类标签对应的预设比例阈值,是根据实际情况和需要预先设定的,本申请的保护范围不以预设比例阈值的具体数值和设定方式为限制。
一个具体的例子中,N取值为15,分类标签包括人和分人两种标签,人对应的预设比例阈值为70%,非人对应的预设比例阈值为30%。当15个历史分类标签中,人的分类标签为12个,则人在15个历史分类标签中的所占比例为80%,80%大于70%,则目标分类标签为人。
一个实施例中,当获取目标分类标签后,通过目标分类标签对跟踪目标进行切换延迟处理,具体过程为:保持跟踪目标的最新分类结果为目标分类标签不变,直至保持时间达到预设延迟时长,例如,预设延迟时长设定为5分钟。预设延迟时长是根据实际情况和需要预先设定的,本申请的保护范围不以预设延迟时长的具体数值和设定方式为限制。
一个实施例中,当保持时间达到预设延迟时长时,重新对跟踪目标进行分类,直至再次根据M个历史分类标签,确定对跟踪目标分类时标签频繁切换。这样判断是否频繁切换的过程形成了一个循环的过程,进而避免一次延迟处理过后,再次出现频繁切换却无法处理的过程,进一步提高目标分类的准确性。
基于上述实施例,将所占比例大于预设比例阈值的历史分类标签,作为目标分类标签,并将该目标分类标签提供给用户。这样,用户得到的信息不再是来回跳变的分类标签,而是获得的目标分类标签。尤其是分类标签用于其他处理过程中的效果尤其明显,例如,分类标签用于宠物的自动喂食设备是否自动开启时,当标签频繁切换时,自动喂食设备由于得到的分类标签不确定,会导致该自动喂食设备不断开启和关闭,设置导致自动喂食设备自动开启功能紊乱,或者自动喂食设备的自动开启装置损坏。通过本方法,在标签频繁切换时,确定的目标分类标签,能够使自动喂食设备不频繁开启或关闭,避免自动喂食设备损坏。由此,为用户提供更加智能化、人性化和安全化的服务。
一个实施例中,当对跟踪目标进行分类的过程中,标签并没有频繁切换时,也可以通过历史分类标签的所占比例、每一种历史分类标签对应的预设比例阈值,实现对跟踪目标的最终标签的确定。具体的,可以通过最多N个历史分类标签完成最终标签确定的过程。
例如,N取值为15,分类标签包括人和分人两种标签,人对应的预设比例阈值为70%,非人对应的预设比例阈值为30%。分类刚开始时,历史分类标签的个数小于15。当最开始小于15次时,第1次分类得到的分类标签为人,则人的所占比例为100%,此时最终标签为人;继续分类,第2次分类得到的分类标签为人,则人的所占比例为100%,此时最终标签为人;第3次分类得到的分类标签为非人,此时人的所占比例为66.67%,小于70%,非人的所占比例为33.33%,大于30%此时最终标签为非人;第4次分类得到的分类标签为非人,此时人的所占比例为75%,此时最终标签为人;第5次为人,分类得到的分类标签为非人,此时人的所占比例为80%,此时最终标签为人,依次类推。
当历史分类标签大于15后,第16次分类时,则第1次分类得到的历史分类标签不再使用,加入第16次分类得到的分类标签,判别所占比例(即总的第2次到第16次中的占比),第17次分类得到的分类标签替换总的第2次分类得到的分类标签,后续分类的结果依次处理,完成最终标签的确定。
一个实施例中,获得目标分类标签之后,基于上述实施例的方法,持续监测跟踪目标的分类标签是否再次出现频繁切换,当再次出现标签频繁切换时,则重新确定目标分类标签,实现标签识别和延迟处理的动态过程。
一个实施例中,如图3所示,目标分类方法实现时,设定初始化阈值与变量计数器,初始化阈值包括频繁变换次数阈值、确定目标为频繁变换目标时同一标签持续时长阈值。变量计数器包括频繁切换目标保持同一标签计时器、频繁变换次数计数器,目标分类的具体过程如下:
步骤301,确定跟踪目标;
步骤302,当跟踪目标的分类标签变化一次时,频繁变换次数计数器加一;
步骤303,判断频繁变换次数计数器是否大于频繁变换次数阈值,若是,执行步骤304,若否,执行步骤301;
步骤304,通过频繁切换目标保持同一标签计时器,获取分类标签不变的持续时长;
步骤305,当分类标签变化时,判断持续时长是否大于第一时间阈值,若是,执行步骤306,若否,执行步骤304;
步骤306,确定续时长内不变的分类标签为目标分类标签,初始化频繁变换次数计数器为零,执行步骤301。
一个实施例中,如图4所示,目标分类方法的实现过程如下:
步骤401,初始化阈值设定。
具体的,设定初始化阈值与变量计时器,初始化阈值包括频繁变换次数阈值、相邻两次标签变换之间的时间阈值、确定目标为频繁变换目标时同一标签持续时长阈值。上述阈值均是预先根据实际情况和需要设定的。
其中,相邻两次标签变换之间的时间阈值,可以通过设定帧阈值的方式实现,具体的,预先规定一帧对应的时间,帧阈值表示包含帧的数量,例如,0.1秒作为检测过程中的一帧,帧阈值为20帧,相应的,相邻两次标签变换之间的时间阈值为2秒。本实施例中,帧阈值设定的具体规则和数值根据实际情况和需要确定,本申请的保护范围不以帧阈值设定的具体规则和数值为限制。
变量计时器包括频繁切换目标保持同一标签计时器、保持同一标签时的实际标签计时器、相邻两次标签变化计时器、频繁变换次数计时器。上述计时器在目标分类过程中自动启动工作,完成持续的计时功能。
步骤402,判断目标是否锁定,若是,执行步骤403,若否,执行步骤4022。
步骤4022,不执行切换延迟处理。
具体的,目标锁定指的就是确定为跟踪目标后,对跟踪目标进行持续性分类处理。目标无法锁定时,也就是无法对目标进行跟踪,则不进行切换延迟处理的过程。
步骤403,判断跟踪目标是否标签频繁切换,若是,执行步骤404,若否,执行步骤4032。
步骤4032,再次识别跟踪目标是否标签频繁切换。
步骤404,保持同一标签计时延迟处理。
确定跟踪目标标签频繁切换后,进入延迟处理的过程。
步骤405,实际分类标签保持同一标签计时。
进入延迟处理的进程后,则启动实际分类标签保持同一标签计时。
步骤406,判断跟踪目标在当前帧是否触发分类,若是,执行步骤407,若否,执行步骤411。
本实施例中,预先规定一帧对应的时间。以帧为单位在每一帧内判断是否触发跟踪目标的分类,以对跟踪目标进行持续性跟踪,并在跟踪过程中在合适的条件下启动分类的进程。
步骤407,判断当前分类标签和上一次分类标签是否相同,若是,执行步骤408,若否,执行步骤409。
步骤408,分类标签无变换,保持同一标签计数器累加,执行步骤410。
步骤409,分类标签变换,实际分类标签保持同一标签计时归零,执行步骤410。
步骤410,标签没有频繁变换确认检测。
进入检测标签没有频繁变换的检测过程。
步骤411,判断延迟时间是否大于延迟阈值,若是,执行步骤412,若否,执行步骤423。
延迟时间通过延迟计时器统计得到,延迟阈值为预先设定的阈值。
步骤412,更新分类标签,延迟计时器归零。
步骤413,固定目标分类标签。
也就是上述实施例中的确定目标分类标签。
本实施例中,基于图4的流程,当再次识别跟踪目标是否标签频繁切换时,如图5所示,具体的过程如下:
步骤501,相邻两次标签变化计时。
再次识别跟踪目标是否标签频繁切换时,启动相邻两次标签变化计时器,对相邻两次标签变化的时间间隔进行计时。
步骤502,判断相邻两次标签变化计时是否大于相邻两次标签变换之间的时间阈值,若是,执行步骤503,若否,执行步骤504。
步骤503,相邻两次标签变化计时器和频繁变换次数计时器归零。
步骤504,判断跟踪目标在当前帧是否触发分类,若是,执行步骤505,若否,执行步骤508。
步骤505,判断当前分类标签和上一次分类标签是否相同,若是,执行步骤506,若否,执行步骤508。
步骤506,分类标签变换,并确认该变换为频繁变换后,频繁变换次数计时器累加。
步骤507,相邻两次标签变化计时器归零。
步骤508,标签频繁变换目标确认检测。
详见图4中的标签频繁变换目标确认检测过程。
步骤509,判断频繁变换次数计时器是否大于频繁变换次数阈值,若是,执行步骤510,若否,执行步骤5091。
步骤5091,持续对跟踪目标进行分类。
步骤510,确认为标签频繁变换目标标识位。
确认该标识位后,代表确认该跟踪目标为标签频繁变换。
步骤511,确认要延迟即保持不变的目标分类标签。
详见图4中确认目标分类标签的具体流程。
步骤512,频繁切换目标保持同一标签计时器和频繁变换次数计时器归零。
本申请提供的目标分类方法,确定跟踪目标后,根据对跟踪目标最新分类得到的、连续的M个历史分类标签,确定该跟踪目标在分类时标签频繁切换时,然后获取目标分类标签,并通过目标分类标签对跟踪目标进行切换延迟处理。通过该方法,在对跟踪目标进行跟踪分类时,避免分类标签持续性的频繁切换,当出现频繁切换的情况时,立即进行延迟处理,得到延迟处理后的目标分类标签,实现分类过程的平滑优化,进而提升分类精度。避免标签频繁切换带来的使用效果差,提升用户的使用体验感。
在目标分类方法实现的过程中,采用毫米波雷达技术时,则基于毫米波雷达技术的优势,目标分类所使用的信号更加精确,进一步提高目标分类的准确性。
基于同一构思,本申请实施例中提供了一种目标分类装置,该装置的具体实施可参见方法实施例部分的描述,重复之处不再赘述,如图6所示,该装置主要包括:
第一确定模块601,用于确定跟踪目标;
获取模块602,用于获取对所述跟踪目标最新分类得到的、连续的M个历史分类标签,其中,M为大于1的整数;
第二确定模块603,用于根据所述M个历史分类标签,确定对所述跟踪目标分类时标签频繁切换;
延迟处理模块604,用于获取目标分类标签,并通过所述目标分类标签对所述跟踪目标进行切换延迟处理。
基于同一构思,本申请实施例中还提供了一种电子设备,如图7所示,该电子设备主要包括:处理器701、存储器702和通信总线703,其中,处理器701和存储器702通过通信总线703完成相互间的通信。其中,存储器702中存储有可被处理器701执行的程序,处理器701执行存储器702中存储的程序,实现如下步骤:确定跟踪目标;获取跟踪目标的至少一个历史分类标签;根据至少一个历史分类标签,确定对跟踪目标分类时标签频繁切换;对标签频繁切换的跟踪目标进行切换延迟处理,获得延迟处理后的目标分类标签。
上述电子设备中提到的通信总线703可以是外设部件互连标准(PeripheralComponent Interconnect,简称PCI)总线或扩展工业标准结构(Extended IndustryStandard Architecture,简称EISA)总线等。该通信总线703可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器702可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选地,存储器还可以是至少一个位于远离前述处理器701的存储装置。
上述的处理器701可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等,还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称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。
在本申请的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当该计算机程序在计算机上运行时,使得计算机执行上述实施例中所描述的目标分类方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机指令时,全部或部分地产生按照本申请实施例所述的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、微波等)方式向另外一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如软盘、硬盘、磁带等)、光介质(例如DVD)或者半导体介质(例如固态硬盘)等。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种目标分类方法,其特征在于,包括:
确定跟踪目标;
获取对所述跟踪目标最新分类得到的、连续的M个历史分类标签,其中,M为大于1的整数;
根据所述M个历史分类标签,确定对所述跟踪目标分类时标签频繁切换;
获取目标分类标签,并通过所述目标分类标签对所述跟踪目标进行切换延迟处理。
2.根据权利要求1所述的目标分类方法,其特征在于,所述获取对所述跟踪目标最新分类得到的、连续的M个历史分类标签,包括:
在切换时间阈值内,对所述跟踪目标最新分类得到的、连续的所述M个历史分类标签;
所述根据所述M个历史分类标签,确定对所述跟踪目标分类时标签频繁切换,包括:
根据所述M个历史分类标签,获取标签切换次数;
当所述标签切换次数大于切换次数阈值时,确定对所述跟踪目标分类时标签频繁切换。
3.根据权利要求1所述的目标分类方法,其特征在于,所述获取目标分类标签,包括:
获取对所述跟踪目标最新分类得到的、连续的N个历史分类标签,其中,所述N为大于1的整数;
计算获得所述N个历史分类标签中,每一种历史分类标签的所占比例;
将每一种所述历史分类标签的所占比例,与每一种所述历史分类标签对应的预设比例阈值进行比较;
将所述所占比例大于所述预设比例阈值的所述历史分类标签,作为所述目标分类标签。
4.根据权利要求1所述的目标分类方法,其特征在于,所述确定跟踪目标,包括:
获取检测目标的毫米波雷达回波信号;
解析所述回波信号,获取所述目标距离所述毫米波雷达的当前距离;
当所述当前距离小于第一距离阈值时,确定所述目标为所述跟踪目标。
5.根据权利要求4所述的目标分类方法,其特征在于,所述获取对所述跟踪目标最新分类得到的、连续的M个历史分类标签,包括:
通过所述毫米波雷达对所述跟踪目标进行轨迹跟踪;
获取轨迹跟踪过程中毫米波雷达的回波信号;
通过机器学习分类算法,解析所述轨迹跟踪过程中毫米波雷达的回波信号,对所述跟踪目标进行持续性分类;
获取对所述跟踪目标最新分类得到的、连续的M个历史分类标签。
6.根据权利要求1所述的目标分类方法,其特征在于,所述通过所述目标分类标签对所述跟踪目标进行切换延迟处理,包括:
保持所述跟踪目标的最新分类结果为所述目标分类标签不变,直至保持时间达到预设延迟时长。
7.根据权利要求6所述的目标分类方法,其特征在于,所述保持时间达到预设延迟时长时,还包括:
重新对所述跟踪目标进行分类,直至再次根据所述M个历史分类标签,确定对所述跟踪目标分类时标签频繁切换。
8.一种目标分类装置,其特征在于,包括:
第一确定模块,用于确定跟踪目标;
获取模块,用于获取对所述跟踪目标最新分类得到的、连续的M个历史分类标签,其中,M为大于1的整数;
第二确定模块,用于根据所述M个历史分类标签,确定对所述跟踪目标分类时标签频繁切换;
延迟处理模块,用于获取目标分类标签,并通过所述目标分类标签对所述跟踪目标进行切换延迟处理。
9.一种电子设备,其特征在于,包括:处理器、存储器和通信总线,其中,处理器和存储器通过通信总线完成相互间的通信;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述存储器中所存储的程序,实现权利要求1至7任一项所述的目标分类方法。
10.一种计算机可读存储介质,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权利要求1至7任一项所述的目标分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111032456.2A CN113780399A (zh) | 2021-09-03 | 2021-09-03 | 目标分类方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111032456.2A CN113780399A (zh) | 2021-09-03 | 2021-09-03 | 目标分类方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113780399A true CN113780399A (zh) | 2021-12-10 |
Family
ID=78841194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111032456.2A Pending CN113780399A (zh) | 2021-09-03 | 2021-09-03 | 目标分类方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780399A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114398514A (zh) * | 2021-12-24 | 2022-04-26 | 北京达佳互联信息技术有限公司 | 一种视频展示方法、装置及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728701A (zh) * | 2019-08-23 | 2020-01-24 | 珠海格力电器股份有限公司 | 带毫米波雷达的手杖的控制方法、装置及智能手杖 |
CN110727277A (zh) * | 2019-08-23 | 2020-01-24 | 珠海格力电器股份有限公司 | 带毫米波雷达的洗车机的控制方法.装置及智能洗车机 |
-
2021
- 2021-09-03 CN CN202111032456.2A patent/CN113780399A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728701A (zh) * | 2019-08-23 | 2020-01-24 | 珠海格力电器股份有限公司 | 带毫米波雷达的手杖的控制方法、装置及智能手杖 |
CN110727277A (zh) * | 2019-08-23 | 2020-01-24 | 珠海格力电器股份有限公司 | 带毫米波雷达的洗车机的控制方法.装置及智能洗车机 |
Non-Patent Citations (1)
Title |
---|
周见智: "目标检测框不稳定不连续?", pages 1 - 4, Retrieved from the Internet <URL:https://www.cnblogs.com/xiaozhi_5638/p/14371784.html> * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114398514A (zh) * | 2021-12-24 | 2022-04-26 | 北京达佳互联信息技术有限公司 | 一种视频展示方法、装置及电子设备 |
CN114398514B (zh) * | 2021-12-24 | 2022-11-22 | 北京达佳互联信息技术有限公司 | 一种视频展示方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220252712A1 (en) | Human Detection Method and Device, Electronic Apparatus and Storage Medium | |
US20150260838A1 (en) | Sparse Array RF Imaging for Surveillance Applications | |
US11599825B2 (en) | Method and apparatus for training trajectory classification model, and electronic device | |
Niedfeldt et al. | Convergence and complexity analysis of recursive-RANSAC: A new multiple target tracking algorithm | |
CN110728701B (zh) | 带毫米波雷达的手杖的控制方法、装置及智能手杖 | |
CN110443275B (zh) | 去除噪声的方法、设备及存储介质 | |
CN115542308B (zh) | 基于毫米波雷达的室内人员探测方法、装置、设备及介质 | |
CN114202783A (zh) | 基于毫米波雷达的目标跟踪方法 | |
CN112731366B (zh) | 室内人员的定位方法及装置、系统 | |
CN113780399A (zh) | 目标分类方法、装置、设备及存储介质 | |
Liu et al. | Deinterleaving pulse trains in unconventional circumstances using multiple hypothesis tracking algorithm | |
CN113465267B (zh) | 一种智能冰箱、食材管理方法及介质 | |
CN109061632A (zh) | 一种无人机识别方法 | |
CN112052878A (zh) | 一种雷达的遮挡识别的方法、装置及存储介质 | |
CN111929672A (zh) | 移动轨迹的确定方法及装置、存储介质和电子装置 | |
CN114973573A (zh) | 目标入侵确定方法、装置、存储介质及电子装置 | |
CN114255424A (zh) | 对象行为的确定方法、装置、存储介质及电子装置 | |
CN112305534B (zh) | 目标检测方法、装置、设备及存储介质 | |
CN112396791A (zh) | 入侵行为的报警方法和装置、存储介质、电子装置 | |
KR101595334B1 (ko) | 농장에서의 움직임 개체의 이동 궤적 트래킹 방법 및 장치 | |
CN113837138B (zh) | 一种着装监控方法、系统、介质及电子终端 | |
CN114047503A (zh) | 活动对象检测方法、装置、电子设备和存储介质 | |
CN111274336B (zh) | 目标轨迹的处理方法、装置、存储介质及电子装置 | |
CN114445669A (zh) | 一种烟火告警方法、装置、电子设备及存储介质 | |
CN111047645B (zh) | 一种睡眠防干扰方法、装置、终端及计算机可读介质 |
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 |