CN113822110B - 一种目标检测的方法和装置 - Google Patents
一种目标检测的方法和装置 Download PDFInfo
- Publication number
- CN113822110B CN113822110B CN202110020139.2A CN202110020139A CN113822110B CN 113822110 B CN113822110 B CN 113822110B CN 202110020139 A CN202110020139 A CN 202110020139A CN 113822110 B CN113822110 B CN 113822110B
- Authority
- CN
- China
- Prior art keywords
- integral
- candidate frame
- optical flow
- candidate
- integral value
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种目标检测的方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:通过光流法对当前时刻的视频帧及相邻的前一时刻的视频帧进行处理得到当前时刻的视频帧对应的光流图,并计算光流图对应的积分图;将当前时刻的视频帧输入到目标检测网络中,以得到当前时刻的视频帧的特征图,并对特征图进行处理以得到候选框区域;根据积分图,计算每个候选框区域对应的积分值,并根据设定的积分值筛选规则对候选框区域进行筛选;将筛选出来的候选框区域映射到特征图上,并根据映射后的特征图进行目标检测。该实施方式能够减少计算量,提高目标检测的速度;并且,在一定程度上降低了误检的风险、提高了目标检测的精度。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种目标检测的方法和装置。
背景技术
随着人工智能的迅猛发展,推动社会朝着更加智能化的方向前进,视频监控作为安全生产系统中的重要组成部分,借助人工智能、深度学习等技术,能够实时监控分析物流分拣场景下的人员,有效降低各类安全生产风险。
物流视频监控场景下工作人员的运动轨迹及行为是安全生产关注的重点之一,要实现实时人员的跟踪与行为分析首先需要对视频中的人员进行检测。目前,监控场景下的目标检测主要基于两阶段的faster rcnn框架来实现。
然而,在faster rcnn框架中区域生成网络rpn(RegionProposal Network)采用滑动窗口产生成千上万个候选框后,需要对所有候选框进行排序、iou(Intersection overUnion,是一种测量在特定数据集中检测相应物体准确度的一个标准)计算等操作,从而会造成检测速度过慢。因此,现有技术无法同时保证目标检测的检测精度和检测速度。
发明内容
有鉴于此,本发明实施例提供一种目标检测的方法和装置,能够减少计算量,提高目标检测的速度;并且,通过对无效候选框的过滤,在一定程度上降低了误检的风险、提高了目标检测的精度。
为实现上述目的,根据本发明实施例的一个方面,提供了一种目标检测的方法。
一种目标检测的方法,包括:
通过光流法对当前时刻的视频帧及相邻的前一时刻的视频帧进行处理得到所述当前时刻的视频帧对应的光流图,并计算所述光流图对应的积分图;
将所述当前时刻的视频帧输入到目标检测网络中,以得到所述当前时刻的视频帧的特征图,并对所述特征图进行处理以得到候选框区域;
根据所述积分图,计算每个候选框区域对应的积分值,并根据设定的积分值筛选规则对所述候选框区域进行筛选;
将筛选出来的候选框区域映射到所述特征图上,并根据映射后的特征图进行目标检测。
可选地,计算所述光流图对应的积分图包括:
对所述光流图进行处理得到所述光流图的二值化图像;
对所述二值化图像的像素进行调整以得到所述光流图对应的掩码图像;
根据所述掩码图像计算所述光流图对应的积分图。
可选地,对所述光流图进行处理得到所述光流图的二值化图像包括:
对所述光流图进行二值化处理以得到二值化像素点;
对所述二值化像素点进行聚类分析,取最小的聚类中心作为前景像素点和背景像素点的判定阈值以对所述二值化像素点进行分类;
对分类得到的前景像素点和背景像素点分别设置不同的灰度值以得到所述光流图的二值化图像。
可选地,对所述二值化图像的像素进行调整以得到所述光流图对应的掩码图像包括:
将所述二值化图像的前景像素点的像素设置为1,以得到所述光流图对应的掩码图像。
可选地,根据所述掩码图像计算所述光流图对应的积分图包括:
将所述掩码图像上某像素点的左上角的所有像素点的像素之和作为该像素点的积分值,以计算所述掩码图像包括的每个像素点的积分值;
根据所述掩码图像包括的每个像素点的积分值得到所述光流图对应的积分图。
可选地,计算每个候选框区域对应的积分值包括:
对每个候选框区域,获取所述候选框区域的坐标(x1,y1,x2,y2);
根据以下公式计算每个候选框区域对应的积分值:
Integral=Integral(x2,y2)-Integral(x1,y2)-Integral(x2,y1)+Integral(x1,y1),
其中,Integral(x1,y1)表示所述候选框区域(x1,y1)位置的像素点的积分值,Integral(x2,y2)表示所述候选框区域(x2,y2)位置的像素点的积分值,Integral(x2,y1)表示所述候选框区域(x2,y1)位置的像素点的积分值,Integral(x1,y2)表示所述候选框区域(x1,y2)位置的像素点的积分值。
可选地,根据设定的积分值筛选规则对所述候选框区域进行筛选包括:
将积分值为正数的候选框区域作为正样本检测框;
对每个正样本检测框,统计所述正样本检测框的积分值与所述正样本检测框面积的占比值;
对统计的占比值进行聚类以得到聚类中心,并将与所述聚类中心距离最远的占比值作为筛选阈值;
对每个候选框区域,根据所述候选框区域对应的积分值与所述候选框区域的面积的占比值得到所述候选框区域对应的筛选系数;若所述筛选系数小于所述筛选阈值,则将所述候选框区域删除以对所述候选框区域进行筛选。
可选地,在将所述候选框区域删除之后,还包括:
对删除后剩下的候选框区域,按照所述候选框区域的积分值与所述候选框区域的面积的占比值由大到小排序,并选择排序靠前的设定个数的候选框区域。
可选地,在将所述候选框区域删除之后,还包括:
判断所述候选框区域是否超出所述特征图的边界,并删除超出边界的候选框区域;
对删除后的候选框区域进行非极大值抑制操作,以删除重复的候选框区域。
根据本发明实施例的另一方面,提供了一种目标检测的装置。
一种目标检测的装置,包括:
视频处理模块,用于通过光流法对当前时刻的视频帧及相邻的前一时刻的视频帧进行处理得到所述当前时刻的视频帧对应的光流图,并计算所述光流图对应的积分图;
区域生成模块,用于将所述当前时刻的视频帧输入到目标检测网络中,以得到所述当前时刻的视频帧的特征图,并对所述特征图进行处理以得到候选框区域;
区域筛选模块,用于根据所述积分图,计算每个候选框区域对应的积分值,并根据设定的积分值筛选规则对所述候选框区域进行筛选;
区域映射模块,用于将筛选出来的候选框区域映射到所述特征图上,并根据映射后的特征图进行目标检测。
可选地,所述视频处理模块还用于:
对所述光流图进行处理得到所述光流图的二值化图像;
对所述二值化图像的像素进行调整以得到所述光流图对应的掩码图像;
根据所述掩码图像计算所述光流图对应的积分图。
可选地,所述视频处理模块501还用于:
对所述光流图进行二值化处理以得到二值化像素点;
对所述二值化像素点进行聚类分析,取最小的聚类中心作为前景像素点和背景像素点的判定阈值以对所述二值化像素点进行分类;
对分类得到的前景像素点和背景像素点分别设置不同的灰度值以得到所述光流图的二值化图像。
可选地,所述视频处理模块还用于:
将所述二值化图像的前景像素点的像素设置为1,以得到所述光流图对应的掩码图像。
可选地,所述视频处理模块还用于:
将所述掩码图像上某像素点的左上角的所有像素点的像素之和作为该像素点的积分值,以计算所述掩码图像包括的每个像素点的积分值;
根据所述掩码图像包括的每个像素点的积分值得到所述光流图对应的积分图。
可选地,所述区域筛选模块还用于:
对每个候选框区域,获取所述候选框区域的坐标(x1,y1,x2,y2);
根据以下公式计算每个候选框区域对应的积分值:
Integral=Integral(x2,y2)-Integral(x1,y2)-Integral(x2,y1)+Integral(x1,y1),
其中,Integral(x1,y1)表示所述候选框区域(x1,y1)位置的像素点的积分值,Integral(x2,y2)表示所述候选框区域(x2,y2)位置的像素点的积分值,Integral(x2,y1)表示所述候选框区域(x2,y1)位置的像素点的积分值,Integral(x1,y2)表示所述候选框区域(x1,y2)位置的像素点的积分值。
可选地,所述区域筛选模块还用于:
将积分值为正数的候选框区域作为正样本检测框;
对每个正样本检测框,统计所述正样本检测框的积分值与所述正样本检测框面积的占比值;
对统计的占比值进行聚类以得到聚类中心,并将与所述聚类中心距离最远的占比值作为筛选阈值;
对每个候选框区域,根据所述候选框区域对应的积分值与所述候选框区域的面积的占比值得到所述候选框区域对应的筛选系数;若所述筛选系数小于所述筛选阈值,则将所述候选框区域删除以对所述候选框区域进行筛选。
可选地,所述区域筛选模块还用于:
在将所述候选框区域删除之后,对删除后剩下的候选框区域,按照所述候选框区域的积分值与所述候选框区域的面积的占比值由大到小排序,并选择排序靠前的设定个数的候选框区域。
可选地,所述区域筛选模块还用于:
在将所述候选框区域删除之后,判断所述候选框区域是否超出所述特征图的边界,并删除超出边界的候选框区域;
对删除后的候选框区域进行非极大值抑制操作,以删除重复的候选框区域。
根据本发明实施例的又一方面,提供了一种目标检测的电子设备。
一种目标检测的电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例所提供的目标检测的方法。
根据本发明实施例的再一方面,提供了一种计算机可读介质。
一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例所提供的目标检测的方法。
上述发明中的一个实施例具有如下优点或有益效果:通过光流法对当前时刻的视频帧及相邻的前一时刻的视频帧进行处理得到当前时刻的视频帧对应的光流图,并计算光流图对应的积分图;将当前时刻的视频帧输入到目标检测网络中,以得到当前时刻的视频帧的特征图,并对特征图进行处理以得到候选框区域;根据积分图,计算每个候选框区域对应的积分值,并根据设定的积分值筛选规则对候选框区域进行筛选;将筛选出来的候选框区域映射到特征图上,并根据映射后的特征图进行目标检测,实现了基于光流法得到视频帧的光流图,进而得到光流图的积分图,并使用积分图对候选框区域进行过滤,可以大幅减少候选框数量,避免对大量无效候选框进行处理,减少了计算量,从而提高目标检测的速度;并且,通过对无效候选框的过滤,在一定程度上降低了误检的风险、提高了目标检测的精度,同时对于任何基于候选框的检测框架和场景都可以使用,适应性强;同时,实现简单,只需要在目标检测特殊层加入保存的掩码积分值的操作,不需要对现有的网络模型进行任何的修改。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的目标检测的方法的主要步骤示意图;
图2是本发明一个实施例的目标检测模型的原理图;
图3是本发明一个实施例的像素点的积分值计算原理示意图;
图4是本发明一个实施例的目标检测的方法流程图;
图5是根据本发明实施例的目标检测的装置的主要模块示意图;
图6是本发明实施例可以应用于其中的示例性系统架构图;
图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明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,而不会背离本发明的范围和精神。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。
当前基于深度卷积神经网络的通用目标检测框架主要分为两类:第一类是以faster rcnn为代表的two-stage两步走的框架,先产生区域候选框,再进行目标检测与分类;第二类是以yolo、ssd为代表的one-stage一步到位框架,直接对输入图像中的物体进行位置预测和分类。
目前主流的两类目标检测框架中,两阶段的faster rcnn由于采用了区域候选网络因而准确率更高,单阶段的yolo、ssd相比前者在速度方面更占优势,但召回率低、识别物体位置精度差,因此监控场景下的目标检测主要基于两阶段的faster rcnn框架。
随着安全生产向着数字化、智能化方向发展,物流生产场景下的监控摄像头大多为高清摄像头,对人员的实时分析提出了更高的要求,主流的两阶段faster rcnn检测框架面临着实时处理的巨大挑战。为解决该问题,目前业界的做法主要有以下几种:
1、通过抽帧降低单位时间的计算量,使视频流看起来处于实时处理状态;
2、模型压缩,包括使用轻量型的网络来替换大网络、进行网络裁剪降低参数以及使用半精度、int8对两阶段检测框架进行模型量化等方法;
3、尝试基于faster rcnn的改进框架,包括pvanet、r-fcn等。
虽然上述方法可以提高检测速度,但或多或少存在一些问题:
方法1中的抽帧策略在不同的场景下检测效果会出现差异,难以选取一种普适性的抽帧策略,同时抽帧后会存在一定的漏检风险;
方法2虽然可以大幅提高检测速度,但其实是一种以精度换速度的策略,精度会出现下降;
方法3虽然通过改进网络结构可以在精度和速度上取得平衡,但没有从根本上解决计算量大的问题。
综上,以上的3种方法都没有从本质上解决faster rcnn中区域生成网络rpn(RegionProposal Network)网络采用滑动窗口产生成千上万个候选框后,需要对所有候选框进行排序、iou(Intersection over Union,是一种测量在特定数据集中检测相应物体准确度的一个标准)计算等操作而造成检测速度过慢的问题。
本方案基于物流监控场景提出通过光流法获得视频的前景与背景信息,在rpn网络中对仅仅包含背景信息的候选框进行初步过滤,减少无效候选框数量,提高rpn网络中目标检测特殊层proposal层的处理速度,加速端到端的检测速度。
针对现有技术的缺点,本发明首先通过光流法对监控视频流中相邻两帧提取运动物体的前景和背景,其次基于前景与背景信息获取掩码(mask)图像后计算其积分图并保存,然后在rpn网络过滤候选框阶段,读取上一步中保存的积分图,逐个计算候选框区域对应的积分值,将积分值小于某一阈值的候选框进行过滤,保留大于阈值的候选框进行后续的计算。对比现有技术中的集中方法,本发明的优势在于:
1、从本质上解决了以faster rcnn为代表的two-stage两步走的框架计算速度慢的问题,即:rpn网络通过滑动窗口的方式产生数以万计的候选框,但只有少量框才是包含前景目标的有效检测框,大部分框包含的都是背景区域,即所谓的无效框,避免rpn网络的proposal层对大量无效框进行处理,从而提高框架运行速度;
2、实现简单,基本不需要对框架进行修改。相比于模型压缩方法、两阶段改进框架方法必须要对网络进行大范围的压缩和架构修改,本方案只需要在proposal层加入保存的mask积分值的操作,不需要对网络进行任何的修改;
3、保证精度,普适性强。对比现有技术的方法,本发明可以过滤掉无效候选框,在一定程度上降低误检的风险、提高精度,同时对于任何基于候选框的检测框架和场景都可以适用。
综上,本发明在物流生产场景下可以对人员进行快速检测,针对出现的违规等操作进行实时分析,降低安全生产风险。
图1是根据本发明实施例的目标检测的方法的主要步骤示意图。如图1所示,根据本发明实施例的目标检测的方法主要包括如下的步骤S101至步骤S104。
步骤S101:通过光流法对当前时刻的视频帧及相邻的前一时刻的视频帧进行处理得到当前时刻的视频帧对应的光流图,并计算光流图对应的积分图;
步骤S102:将当前时刻的视频帧输入到目标检测网络中,以得到当前时刻的视频帧的特征图,并对特征图进行处理以得到候选框区域;
步骤S103:根据积分图,计算每个候选框区域对应的积分值,并根据设定的积分值筛选规则对候选框区域进行筛选;
步骤S104:将筛选出来的候选框区域映射到特征图上,并根据映射后的特征图进行目标检测。
根据本发明的一个实施例,计算光流图对应的积分图时,具体可以按照以下的步骤来执行:
对光流图进行处理得到光流图的二值化图像;
对二值化图像的像素进行调整以得到光流图对应的掩码图像;
根据掩码图像计算光流图对应的积分图。
根据本发明的另一个实施例,对光流图进行处理得到光流图的二值化图像具体可以包括:
对光流图进行二值化处理以得到二值化像素点;
对二值化像素点进行聚类分析,取最小的聚类中心作为前景像素点和背景像素点的判定阈值以对二值化像素点进行分类;
对分类得到的前景像素点和背景像素点分别设置不同的灰度值以得到光流图的二值化图像。
根据本发明的又一个实施例,对二值化图像的像素进行调整以得到光流图对应的掩码图像包括:
将二值化图像的前景像素点的像素设置为1,以得到光流图对应的掩码图像。
根据本发明的又一个实施例,根据掩码图像计算光流图对应的积分图时,具体可以包括:
将掩码图像上某像素点的左上角的所有像素点的像素之和作为该像素点的积分值,以计算掩码图像包括的每个像素点的积分值;
根据掩码图像包括的每个像素点的积分值得到光流图对应的积分图。
根据本发明的又一个实施例,计算每个候选框区域对应的积分值时,具体可以按照以下步骤来执行:
对每个候选框区域,获取候选框区域的坐标(x1,y1,x2,y2);
根据以下公式计算每个候选框区域对应的积分值:
Integral=Integral(x2,y2)-Integral(x1,y2)-Integral(x2,y1)+Integral(x1,y1),
其中,Integral(x1,y1)表示所述候选框区域(x1,y1)位置的像素点的积分值,Integral(x2,y2)表示所述候选框区域(x2,y2)位置的像素点的积分值,Integral(x2,y1)表示所述候选框区域(x2,y1)位置的像素点的积分值,Integral(x1,y2)表示所述候选框区域(x1,y2)位置的像素点的积分值。
根据本发明的又一个实施例,根据设定的积分值筛选规则对候选框区域进行筛选包括:
将积分值为正数的候选框区域作为正样本检测框;
对每个正样本检测框,统计正样本检测框的积分值与正样本检测框面积的占比值;
对统计的占比值进行聚类以得到聚类中心,并将与聚类中心距离最远的占比值作为筛选阈值;
对每个候选框区域,根据候选框区域对应的积分值与候选框区域的面积的占比值得到候选框区域对应的筛选系数;若筛选系数小于筛选阈值,则将候选框区域删除以对候选框区域进行筛选。
根据本发明的又一个实施例,在将候选框区域删除之后,还包括:
对删除后剩下的候选框区域,按照候选框区域的积分值与该候选框区域的面积的占比值由大到小排序,并选择排序靠前的设定个数的候选框区域。
根据本发明的又一个实施例,根据映射后的特征图进行目标检测之前,还可以包括:
判断候选框区域是否超出特征图的边界,并删除超出边界的候选框区域;
对删除后的候选框区域进行非极大值抑制操作,以删除重复的候选框区域。
下面结合具体的实施例介绍本发明的实现方案。图2是本发明一个实施例的目标检测模型的原理图。本发明的技术方案主要包括两部分:第一部分基于FlowNetC(光流网络)提取光流图,对光流图处理获得积分图;第二部分在两阶段检测框架rpn网络中利用积分图过滤候选框。
第一部分基于FlowNetC提取光流图,根据光流图计算得到积分图(如图2中模块1所示):
1、将t-1时刻的视频帧(l-1)与t时刻的视频帧(l-2)同时输入到模块1中的FlowNetC网络,卷积网络输出预测的光流图,公式如下:
W=CNN(w,l-1,l-2),
其中:CNN代表卷积神经网络、w代表网络参数、l-1和l-2分别代表t时刻和t-1时刻的视频图像、W代表预测的光流图;
2、对步骤1中的光流图W进行二值化处理,然后对二值化图像进行聚类分析,取最小的聚类中心作为前景和背景的判定阈值θ,即:灰度值大于或等于阈值θ的像素点判定为前景,并将其灰度值设置为255;将灰度值小于阈值θ的像素点判定为背景,并将其灰度值设置为0,从而得到光流图像W对应的二值化图像W':
其中:W(x,y)表示图像中坐标为(x,y)处的点的像素值,W'(x,y)表示图像中坐标为(x,y)处的点二值化后的像素值;
3、将步骤2中二值化图像W'中灰度值为255的像素设置为1,从而得到光流图W对应的掩码图像Mask:
其中:W'(x,y)表示图像中坐标为(x,y)处的点的二值化后的像素值,Mask(x,y)表示图像中坐标为(x,y)处的点的掩码;
4、计算Mask图像对应的积分图Integral并存储,即Mask图像上任意位置(x,y)处的Integral(x,y)表示该点左上角所有像素之和(如图3所示),计算公式如:
其中:Mask(x',y')表示图像上(x',y')位置的掩码值,Integral(x,y)表示图像(x,y)位置的积分值。
图3是本发明一个实施例的像素点的积分值计算原理示意图。如图3所示,对于图像上(x,y)位置的点来说,其积分值即为图中(x,y)位置左上角的1~4这4个像素点的像素值之和。
第二部分在两阶段检测框架的RPN网络中利用积分图过滤候选框:
1、在进行上述的第一部分操作的同时,将t时刻的视频帧(l-2)作为两阶段fasterrcnn框架的输入进行目标检测(如图2中模块2所示);
2、将第一部分模块1计算出来的Integral(x,y)作为模块3中rpn网络的目标检测特殊层proposal层的输入之一(如图2中模块3);
3、在proposal层中依次计算每个前景候选框的积分值,假设某个候选框的坐标为(x1,y1,x2,y2),则该候选框对应的积分值计算公式如下:
Integral=Integral(x2,y2)-Integral(x1,y2)-Integral(x2,y1)+Integral(x1,y1),
其中,Integral(x1,y1)表示所述候选框区域(x1,y1)位置的像素点的积分值,Integral(x2,y2)表示所述候选框区域(x2,y2)位置的像素点的积分值,Integral(x2,y1)表示所述候选框区域(x2,y1)位置的像素点的积分值,Integral(x1,y2)表示所述候选框区域(x1,y2)位置的像素点的积分值;
4、将每个前景候选框的积分值作为训练集,统计训练集中正样本检测框(即:积分值为正数的候选框区域)的积分值与对应的检测框面积的占比值,并对统计数据进行聚类,选择离聚类中心最远的占比值赋给筛选阈值θ';
5、如果某个候选框的积分值Integral与该候选框面积的占比值小于设置的筛选阀值θ',则表明该候选框内主要包含背景信息,可以被过滤掉不参与后续计算;
6、对剩下的候选框集合,按照前景候选框的积分值与该候选框的面积的占比值scores由大到小排序,提取排序靠前的指定个数的pre_nms_topN(例如:6000)个候选框进行后续计算;
7、同时,还可以将上述步骤5中剩下的候选框映射回原图,判断候选框是否超出图像边界,剔除严重超出边界的候选框;
8、基于剩余候选框进行非极大值抑制(nms)操作,去掉检测任务中重复的候选框。再次按照前景候选框的积分值与该候选框的面积的占比值scores由大到小排序,保留排序靠前的指定个数的post_nms_topN(例如:300)个结果作为proposal输出进行后续的操作。
图4是本发明一个实施例的目标检测的方法流程图。如图4所示,本发明一个实施例的目标检测的方法的流程主要如下:
(1)将物流分拣站点或者物流仓库的摄像头作为终端;
(2)视频流连续读入,将t时刻与t-1时刻的视频帧作为FlowNetC网络的输入;
(3)经过卷积神经网络计算输出t时刻视频帧对应的光流图;
(4)基于(3)中得到的光流图计算其对应的二值图(即:二值化图像);
(5)计算二值图对应的掩码图像即Mask图像;
(6)计算Mask图像的积分图,也即t时刻视频帧对应的积分图;
(7)在进行步骤(1)~(6)的操作的同时,将t时刻的视频帧进行图像预处理;
(8)将(7)中预处理后的图像数据输入目标检测网络中;
(9)通过检测框架中的头部网络Head Network提取t时刻的视频帧的特征图;
(10)将(9)中提取的特征图输入rpn网络中,经过候选框生成层AnchorGeneration Layer后输出预测出的前景候选框与其坐标;
(11)将步骤(6)、(10)得到的计算结果以及t时刻视频帧的图像信息im_info一起输入目标检测特殊层proposals layer中;
(12)在proposal layer中对候选框进行筛选,筛选步骤包括:积分值过滤、排序过滤、边界判断、nms过滤等;
(13)将(9)中的特征图和(12)中筛选后的候选框一起输入候选框池化层roi(Region of Interest的简写,指的是在“特征图上的框”)pooling层;
(14)将特征图中对应候选框区域抠出来作为roi,即原图目标在特征图上对应位置的映射,再划分网格成统一大小输入到后续网络进行分类和回归,从而进行目标检测。
图5是根据本发明实施例的目标检测的装置的主要模块示意图。如图5所示,本发明实施例的目标检测的装置500主要包括视频处理模块501、区域生成模块502、区域筛选模块503和区域映射模块504。
视频处理模块501,用于通过光流法对当前时刻的视频帧及相邻的前一时刻的视频帧进行处理得到所述当前时刻的视频帧对应的光流图,并计算所述光流图对应的积分图;
区域生成模块502,用于将所述当前时刻的视频帧输入到目标检测网络中,以得到所述当前时刻的视频帧的特征图,并对所述特征图进行处理以得到候选框区域;
区域筛选模块503,用于根据所述积分图,计算每个候选框区域对应的积分值,并根据设定的积分值筛选规则对所述候选框区域进行筛选;
区域映射模块504,用于将筛选出来的候选框区域映射到所述特征图上,并根据映射后的特征图进行目标检测。
根据本发明的一个实施例,视频处理模块501还可以用于:
对所述光流图进行处理得到所述光流图的二值化图像;
对所述二值化图像的像素进行调整以得到所述光流图对应的掩码图像;
根据所述掩码图像计算所述光流图对应的积分图。
根据本发明的另一个实施例,视频处理模块501还可以用于:
对所述光流图进行二值化处理以得到二值化像素点;
对所述二值化像素点进行聚类分析,取最小的聚类中心作为前景像素点和背景像素点的判定阈值以对所述二值化像素点进行分类;
对分类得到的前景像素点和背景像素点分别设置不同的灰度值以得到所述光流图的二值化图像。
根据本发明的又一个实施例,视频处理模块501还可以用于:
将所述二值化图像的前景像素点的像素设置为1,以得到所述光流图对应的掩码图像。
根据本发明的又一个实施例,视频处理模块501还可以用于:
将所述掩码图像上某像素点的左上角的所有像素点的像素之和作为该像素点的积分值,以计算所述掩码图像包括的每个像素点的积分值;
根据所述掩码图像包括的每个像素点的积分值得到所述光流图对应的积分图。
根据本发明的一个实施例,区域筛选模块503还可以用于:
对每个候选框区域,获取所述候选框区域的坐标(x1,y1,x2,y2);
根据以下公式计算每个候选框区域对应的积分值:
Integral=Integral(x2,y2)-Integral(x1,y2)-Integral(x2,y1)+Integral(x1,y1),
其中,Integral(x1,y1)表示所述候选框区域(x1,y1)位置的像素点的积分值,Integral(x2,y2)表示所述候选框区域(x2,y2)位置的像素点的积分值,Integral(x2,y1)表示所述候选框区域(x2,y1)位置的像素点的积分值,Integral(x1,y2)表示所述候选框区域(x1,y2)位置的像素点的积分值。
根据本发明的另一个实施例,区域筛选模块503还可以用于:
将积分值为正数的候选框区域作为正样本检测框;
对每个正样本检测框,统计所述正样本检测框的积分值与所述正样本检测框面积的占比值;
对统计的占比值进行聚类以得到聚类中心,并将与所述聚类中心距离最远的占比值作为筛选阈值;
对每个候选框区域,根据所述候选框区域对应的积分值与所述候选框区域的面积的占比值得到所述候选框区域对应的筛选系数;若所述筛选系数小于所述筛选阈值,则将所述候选框区域删除以对所述候选框区域进行筛选。
根据本发明的一个实施例,所示区域筛选模块503还可以用于:
在将所述候选框区域删除之后,对删除后剩下的候选框区域,按照所述候选框区域的积分值与所述候选框区域的面积的占比值由大到小排序,并选择排序靠前的设定个数的候选框区域。
根据本发明的另一个实施例,所示区域筛选模块503还可以用于:
在将所述候选框区域删除之后,判断所述候选框区域是否超出所述特征图的边界,并删除超出边界的候选框区域;
对删除后的候选框区域进行非极大值抑制操作,以删除重复的候选框区域。
根据本发明实施例的技术方案,通过光流法对当前时刻的视频帧及相邻的前一时刻的视频帧进行处理得到当前时刻的视频帧对应的光流图,并计算光流图对应的积分图;将当前时刻的视频帧输入到目标检测网络中,以得到当前时刻的视频帧的特征图,并对特征图进行处理以得到候选框区域;根据积分图,计算每个候选框区域对应的积分值,并根据设定的积分值筛选规则对候选框区域进行筛选;将筛选出来的候选框区域映射到特征图上,并根据映射后的特征图进行目标检测,实现了基于光流法得到视频帧的光流图,进而得到光流图的积分图,并使用积分图对候选框区域进行过滤,可以大幅减少候选框数量,避免对大量无效候选框进行处理,减少了计算量,从而提高目标检测的速度;并且,通过对无效候选框的过滤,在一定程度上降低了误检的风险、提高了目标检测的精度,同时对于任何基于候选框的检测框架和场景都可以使用,适应性强;同时,实现简单,只需要在目标检测特殊层加入保存的掩码积分值的操作,不需要对现有的网络模型进行任何的修改。
图6示出了可以应用本发明实施例的目标检测的方法或目标检测的装置的示例性系统架构600。
如图6所示,系统架构600可以包括终端设备601、602、603,网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备601、602、603通过网络604与服务器605交互,以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用,例如图像处理类应用、视频采集类应用、视频浏览类应用、等(仅为示例)。
终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器605可以是提供各种服务的服务器,例如对用户利用终端设备601、602、603所采集的视频流提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的目标检测请求等数据进行分析等处理,通过光流法对当前时刻的视频帧及相邻的前一时刻的视频帧进行处理得到所述当前时刻的视频帧对应的光流图,并计算所述光流图对应的积分图;将所述当前时刻的视频帧输入到目标检测网络中,以得到所述当前时刻的视频帧的特征图,并对所述特征图进行处理以得到候选框区域;根据所述积分图,计算每个候选框区域对应的积分值,并根据设定的积分值筛选规则对所述候选框区域进行筛选;将筛选出来的候选框区域映射到所述特征图上,并根据映射后的特征图进行目标检测,并将处理结果(例如目标检测结果--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的目标检测的方法一般由服务器605执行,相应地,目标检测的装置一般设置于服务器605中。
应该理解,图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图7,其示出了适于用来实现本发明实施例的终端设备或服务器的计算机系统700的结构示意图。图7示出的终端设备或服务器仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU 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。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,例如,可以描述为:一种处理器包括视频处理模块、区域生成模块、区域筛选模块和区域映射模块。其中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定,例如,视频处理模块还可以被描述为“用于通过光流法对当前时刻的视频帧及相邻的前一时刻的视频帧进行处理得到所述当前时刻的视频帧对应的光流图,并计算所述光流图对应的积分图的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:通过光流法对当前时刻的视频帧及相邻的前一时刻的视频帧进行处理得到所述当前时刻的视频帧对应的光流图,并计算所述光流图对应的积分图;将所述当前时刻的视频帧输入到目标检测网络中,以得到所述当前时刻的视频帧的特征图,并对所述特征图进行处理以得到候选框区域;根据所述积分图,计算每个候选框区域对应的积分值,并根据设定的积分值筛选规则对所述候选框区域进行筛选;将筛选出来的候选框区域映射到所述特征图上,并根据映射后的特征图进行目标检测。
根据本发明实施例的技术方案,通过光流法对当前时刻的视频帧及相邻的前一时刻的视频帧进行处理得到当前时刻的视频帧对应的光流图,并计算光流图对应的积分图;将当前时刻的视频帧输入到目标检测网络中,以得到当前时刻的视频帧的特征图,并对特征图进行处理以得到候选框区域;根据积分图,计算每个候选框区域对应的积分值,并根据设定的积分值筛选规则对候选框区域进行筛选;将筛选出来的候选框区域映射到特征图上,并根据映射后的特征图进行目标检测,实现了基于光流法得到视频帧的光流图,进而得到光流图的积分图,并使用积分图对候选框区域进行过滤,可以大幅减少候选框数量,避免对大量无效候选框进行处理,减少了计算量,从而提高目标检测的速度;并且,通过对无效候选框的过滤,在一定程度上降低了误检的风险、提高了目标检测的精度,同时对于任何基于候选框的检测框架和场景都可以使用,适应性强;同时,实现简单,只需要在目标检测特殊层加入保存的掩码积分值的操作,不需要对现有的网络模型进行任何的修改。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (12)
1.一种目标检测的方法,其特征在于,包括:
通过光流法对当前时刻的视频帧及相邻的前一时刻的视频帧进行处理得到所述当前时刻的视频帧对应的光流图,并计算所述光流图对应的积分图;
将所述当前时刻的视频帧输入到目标检测网络中,以得到所述当前时刻的视频帧的特征图,并对所述特征图进行处理以得到候选框区域;
根据所述积分图,计算每个候选框区域对应的积分值,并根据设定的积分值筛选规则对所述候选框区域进行筛选;
将筛选出来的候选框区域映射到所述特征图上,并根据映射后的特征图进行目标检测。
2.根据权利要求1所述的方法,其特征在于,计算所述光流图对应的积分图包括:
对所述光流图进行处理得到所述光流图的二值化图像;
对所述二值化图像的像素进行调整以得到所述光流图对应的掩码图像;
根据所述掩码图像计算所述光流图对应的积分图。
3.根据权利要求2所述的方法,其特征在于,对所述光流图进行处理得到所述光流图的二值化图像包括:
对所述光流图进行二值化处理以得到二值化像素点;
对所述二值化像素点进行聚类分析,取最小的聚类中心作为前景像素点和背景像素点的判定阈值以对所述二值化像素点进行分类;
对分类得到的前景像素点和背景像素点分别设置不同的灰度值以得到所述光流图的二值化图像。
4.根据权利要求3所述的方法,其特征在于,对所述二值化图像的像素进行调整以得到所述光流图对应的掩码图像包括:
将所述二值化图像的前景像素点的像素设置为1,以得到所述光流图对应的掩码图像。
5.根据权利要求3所述的方法,其特征在于,根据所述掩码图像计算所述光流图对应的积分图包括:
将所述掩码图像上某像素点的左上角的所有像素点的像素之和作为该像素点的积分值,以计算所述掩码图像包括的每个像素点的积分值;
根据所述掩码图像包括的每个像素点的积分值得到所述光流图对应的积分图。
6.根据权利要求1所述的方法,其特征在于,计算每个候选框区域对应的积分值包括:
对每个候选框区域,获取所述候选框区域的坐标(x1,y1,x2,y2);
根据以下公式计算每个候选框区域对应的积分值:
Integral=Integral(x2,y2)-Integral(x1,y2)-Integral(x2,y1)+Integral(x1,y1),
其中,Integral(x1,y1)表示所述候选框区域(x1,y1)位置的像素点的积分值,Integral(x2,y2)表示所述候选框区域(x2,y2)位置的像素点的积分值,Integral(x2,y1)表示所述候选框区域(x2,y1)位置的像素点的积分值,Integral(x1,y2)表示所述候选框区域(x1,y2)位置的像素点的积分值。
7.根据权利要求1所述的方法,其特征在于,根据设定的积分值筛选规则对所述候选框区域进行筛选包括:
将积分值为正数的候选框区域作为正样本检测框;
对每个正样本检测框,统计所述正样本检测框的积分值与所述正样本检测框面积的占比值;
对统计的占比值进行聚类以得到聚类中心,并将与所述聚类中心距离最远的占比值作为筛选阈值;
对每个候选框区域,根据所述候选框区域对应的积分值与所述候选框区域的面积的占比值得到所述候选框区域对应的筛选系数;若所述筛选系数小于所述筛选阈值,则将所述候选框区域删除以对所述候选框区域进行筛选。
8.根据权利要求7所述的方法,其特征在于,在将所述候选框区域删除之后,还包括:
对删除后剩下的候选框区域,按照所述候选框区域的积分值与所述候选框区域的面积的占比值由大到小排序,并选择排序靠前的设定个数的候选框区域。
9.根据权利要求1所述的方法,其特征在于,根据映射后的特征图进行目标检测之前,还包括:
判断所述候选框区域是否超出所述特征图的边界,并删除超出边界的候选框区域;
对删除后的候选框区域进行非极大值抑制操作,以删除重复的候选框区域。
10.一种目标检测的装置,其特征在于,包括:
视频处理模块,用于通过光流法对当前时刻的视频帧及相邻的前一时刻的视频帧进行处理得到所述当前时刻的视频帧对应的光流图,并计算所述光流图对应的积分图;
区域生成模块,用于将所述当前时刻的视频帧输入到目标检测网络中,以得到所述当前时刻的视频帧的特征图,并对所述特征图进行处理以得到候选框区域;
区域筛选模块,用于根据所述积分图,计算每个候选框区域对应的积分值,并根据设定的积分值筛选规则对所述候选框区域进行筛选;
区域映射模块,用于将筛选出来的候选框区域映射到所述特征图上,并根据映射后的特征图进行目标检测。
11.一种目标检测的电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-9中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110020139.2A CN113822110B (zh) | 2021-01-07 | 2021-01-07 | 一种目标检测的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110020139.2A CN113822110B (zh) | 2021-01-07 | 2021-01-07 | 一种目标检测的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113822110A CN113822110A (zh) | 2021-12-21 |
CN113822110B true CN113822110B (zh) | 2023-08-08 |
Family
ID=78912329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110020139.2A Active CN113822110B (zh) | 2021-01-07 | 2021-01-07 | 一种目标检测的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822110B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550062A (zh) * | 2022-02-25 | 2022-05-27 | 京东科技信息技术有限公司 | 图像中运动对象的确定方法、装置、电子设备和存储介质 |
CN116115351B (zh) * | 2022-09-26 | 2023-09-26 | 上海睿触科技有限公司 | 一种血管介入机器人主从力反馈系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872477A (zh) * | 2009-04-24 | 2010-10-27 | 索尼株式会社 | 检测图像中的对象的方法、装置,及包括该装置的系统 |
CN108509830A (zh) * | 2017-02-28 | 2018-09-07 | 华为技术有限公司 | 一种视频数据处理方法及设备 |
CN109389072A (zh) * | 2018-09-29 | 2019-02-26 | 北京字节跳动网络技术有限公司 | 数据处理方法和装置 |
CN109447014A (zh) * | 2018-11-07 | 2019-03-08 | 东南大学-无锡集成电路技术研究所 | 一种基于双通道卷积神经网络的视频在线行为检测方法 |
CN109978756A (zh) * | 2019-03-18 | 2019-07-05 | 腾讯科技(深圳)有限公司 | 目标检测方法、系统、装置、存储介质和计算机设备 |
CN112052837A (zh) * | 2020-10-09 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 基于人工智能的目标检测方法以及装置 |
-
2021
- 2021-01-07 CN CN202110020139.2A patent/CN113822110B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872477A (zh) * | 2009-04-24 | 2010-10-27 | 索尼株式会社 | 检测图像中的对象的方法、装置,及包括该装置的系统 |
CN108509830A (zh) * | 2017-02-28 | 2018-09-07 | 华为技术有限公司 | 一种视频数据处理方法及设备 |
CN109389072A (zh) * | 2018-09-29 | 2019-02-26 | 北京字节跳动网络技术有限公司 | 数据处理方法和装置 |
CN109447014A (zh) * | 2018-11-07 | 2019-03-08 | 东南大学-无锡集成电路技术研究所 | 一种基于双通道卷积神经网络的视频在线行为检测方法 |
CN109978756A (zh) * | 2019-03-18 | 2019-07-05 | 腾讯科技(深圳)有限公司 | 目标检测方法、系统、装置、存储介质和计算机设备 |
CN112052837A (zh) * | 2020-10-09 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 基于人工智能的目标检测方法以及装置 |
Non-Patent Citations (1)
Title |
---|
《视频监控中的目标检测及自动跟踪技术》;董云云等;《山西师范大学学报(自然科学版)》;第31卷(第1期);第65-69页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113822110A (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8630454B1 (en) | Method and system for motion detection in an image | |
US11900676B2 (en) | Method and apparatus for detecting target in video, computing device, and storage medium | |
CN113822110B (zh) | 一种目标检测的方法和装置 | |
CN109886159B (zh) | 一种非限定条件下的人脸检测方法 | |
EP4432215A1 (en) | Image processing method and device | |
JP7429756B2 (ja) | 画像処理方法、装置、電子機器、記憶媒体及びコンピュータプログラム | |
CN111428590A (zh) | 一种视频聚类切分方法和系统 | |
CN116310993A (zh) | 目标检测方法、装置、设备及存储介质 | |
CN113591674A (zh) | 一种面向实时视频流的边缘环境行为识别系统 | |
CN111369477A (zh) | 一种针对视频恢复任务的预分析和工具自适应的方法 | |
CN110895811A (zh) | 一种图像篡改检测方法和装置 | |
CN112183554B (zh) | 一种自动化道路边界轮廓提取方法 | |
CN108777779A (zh) | 一种视频拍摄设备的智能化装置、方法、介质及电子设备 | |
CN113569912A (zh) | 车辆识别方法、装置、电子设备及存储介质 | |
CN112906679B (zh) | 基于人形语义分割的行人重识别方法、系统及相关设备 | |
Sun et al. | P-Minder: a CNN based sidewalk segmentation approach for phubber safety applications | |
CN117853573A (zh) | 一种视频处理方法、装置、电子设备及计算机可读介质 | |
CN113139483B (zh) | 人体行为识别方法、装置、设备、存储介质以及程序产品 | |
CN115546554A (zh) | 敏感图像的识别方法、装置、设备和计算机可读存储介质 | |
CN113762027B (zh) | 一种异常行为的识别方法、装置、设备及存储介质 | |
CN115311680A (zh) | 人体图像质量检测方法、装置、电子设备及存储介质 | |
CN114419018A (zh) | 图像采样方法、系统、设备及介质 | |
CN114898140A (zh) | 一种基于paa算法的行为检测方法、装置及可读介质 | |
CN111311603B (zh) | 用于输出目标物体数目信息的方法和装置 | |
CN114120423A (zh) | 人脸图像检测方法、装置、电子设备和计算机可读介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |