CN113838110B - 目标检测结果的校验方法、装置、存储介质和电子设备 - Google Patents
目标检测结果的校验方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN113838110B CN113838110B CN202111049391.2A CN202111049391A CN113838110B CN 113838110 B CN113838110 B CN 113838110B CN 202111049391 A CN202111049391 A CN 202111049391A CN 113838110 B CN113838110 B CN 113838110B
- Authority
- CN
- China
- Prior art keywords
- sample
- statistical
- target
- moving
- target object
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/35—Determination of transform parameters for the alignment of images, i.e. image registration using statistical methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种目标检测结果的校验方法、装置、存储介质和电子设备,涉及目标检测技术领域。该方法可以先对视频图像进行目标检测,确定视频图像中的对象,并得到对象对应的对象特征,其中对象为目标对象或未匹配到目标对象的运动对象,然后根据对象在视频图像的中心点,可以确定对象对应于二维统计图中的统计元素,最后将对象对应的对象特征,输入统计元素对应的统计模型中,可以得到相应的概率值。由于可以构造得到具有场景先验信息的统计模型,并基于该统计模型得到检出的目标对象对应的概率值,从而可以提高对视频图像进行目标检测的准确性。
Description
技术领域
本申请实施例涉及目标检测技术领域,尤其涉及一种目标检测结果的校验方法、装置、存储介质和电子设备。
背景技术
随着信息技术的发展,目标检测技术的应用也越来越普遍。目前,目标检测被广泛地应用于图像以及视频内容物识别领域的诸多视觉任务中,主要用来对图像进行分析处理,以确定图像中是否存在检测目标。
在采用相关目标检测方法对视频图像进行目标检测时,通常会存在漏检和误检的情况。所谓漏检是指将视频图像中的目标识别为非目标,从而出现无法检测到目标的情况。所谓误检是指将视频图像中的非目标识别为检测目标进行输出的情况。然而,无论是漏检还是误检都会影响对视频图像进行目标检测的准确性。
发明内容
为解决现有存在的技术问题,本申请实施例提供一种目标检测结果的校验方法、装置、存储介质和电子设备,可以提高对视频图像进行目标检测的准确性。
为达到上述目的,本申请实施例的技术方案是这样实现的:
第一方面,本申请实施例提供了一种目标检测结果的校验方法,包括:
对视频图像进行目标检测,确定所述视频图像中的对象,并得到所述对象对应的对象特征,其中所述对象为目标对象或未匹配到目标对象的运动对象;
根据所述对象在所述视频图像的中心点,确定所述对象对应于二维统计图中的统计元素;所述二维统计图中的每个统计元素对应所述视频图像中的至少一个像素点,且不同的统计元素对应不同的像素点,所述统计元素是将对应的像素点进行量化后得到的;
将所述对象对应的对象特征,输入所述统计元素对应的统计模型中,得到相应的概率值;所述统计元素对应的统计模型是基于所述统计元素对应于样本视频图像中的样本对象的样本对象特征确定的;所述样本视频图像与所述视频图像是基于同一视频摄像头获取得到的。
在一种可选的实施例中,所述对视频图像进行目标检测,确定所述视频图像中的对象,包括:
对视频图像进行背景分离,确定所述视频图像中的各个运动对象,以及对所述视频图像进行目标检测,确定所述视频图像中的各个目标对象;
将所述各个目标对象作为所述视频图像中的对象,或将所述运动对象中未匹配到目标对象的运动对象作为所述视频图像中的对象。
在一种可选的实施例中,通过下列方式进行所述目标对象和所述运动对象的匹配:
确定包括所述运动对象的框体与包括所述目标对象的框体之间的距离,若所述距离满足设定阈值,则确定所述运动对象与所述目标对象匹配;或者,
确定包括所述运动对象的框体与包括所述目标对象的框体之间的重叠度,若所述重叠度满足设定重叠度阈值,则确定所述运动对象与所述目标对象匹配。
在一种可选的实施例中,若所述对象为未匹配到目标对象的运动对象,则所述对象对应的对象特征包括所述运动对象的运动图像特征,以及包括所述运动对象的框体的运动框体特征;或
若所述对象为目标对象,则所述对象对应的对象特征包括所述目标对象的目标图像特征、包括所述目标对象的框体的目标框体特征,以及所述目标对象相对于匹配到的运动对象的目标相对特征。
在一种可选的实施例中,所述将所述对象对应的对象特征,输入所述统计元素对应的统计模型中,得到相应的概率值,包括:
若所述对象为未匹配到目标对象的运动对象,则将所述运动图像特征和所述运动框体特征,输入所述统计元素对应的统计模型,以确定所述运动对象的预设范围内会出现目标对象的漏检概率值;或
若所述对象为目标对象,则将所述目标图像特征、所述目标框体特征和所述目标相对特征,输入所述统计元素对应的统计模型,以确定所述目标对象对应的误检概率值。
在一种可选的实施例中,通过下列方式构造所述统计模型:
分别确定出所述样本视频图像中的样本运动对象和样本目标对象,并分别得到所述样本运动对象的样本运动图像特征和包括所述样本运动对象的框体的样本运动框体特征,以及所述样本目标对象的样本目标图像特征和包括所述样本目标对象的框体的样本目标框体特征;
分别得到所述样本运动对象相对于匹配到的样本目标对象的样本运动相对特征,和所述样本目标对象相对于匹配到的样本运动对象的样本目标相对特征;
将包括所述样本运动对象的框体和包括所述样本目标对象的框体分别进行量化,得到相应的二维统计图中的统计元素;
根据所述样本运动图像特征、所述样本运动框体特征和所述样本运动相对特征,构造与所述样本运动对象相对应的统计元素对应的统计模型;
根据所述样本目标图像特征、所述样本目标框体特征和所述样本目标相对特征,构造与所述样本目标对象相对应的统计元素对应的统计模型。
在一种可选的实施例中,所述将包括所述样本运动对象的框体和包括所述样本目标对象的框体分别进行量化,得到相应的二维统计图中的统计元素,包括:
将包括所述样本运动对象的框体的宽度量化到第一统计图的宽度,将包括所述样本运动对象的框体的高度乘以第一预设系数后量化到所述第一统计图的高度,根据所述第一统计图的宽度和高度,得到与所述样本运动对象相对应的二维统计图中的统计元素;以及将包括所述样本目标对象的框体的宽度量化到第二统计图的宽度,将包括所述样本目标对象的框体的高度乘以所述第一预设系数后量化到所述第二统计图的高度,根据所述第二统计图的宽度和高度,得到与所述样本目标对象相对应的二维统计图中的统计元素;或
将包括所述样本运动对象的框体的宽度量化到第一统计图的宽度,将包括所述样本运动对象的框体的高度量化到所述第一统计图的高度,并将所述第一统计图的高度乘以第二预设系数后得到所述第一统计图的目标高度,根据所述第一统计图的宽度和目标高度,得到与所述样本运动对象相对应的二维统计图中的统计元素;以及将包括所述样本目标对象的框体的宽度量化到第二统计图的宽度,将包括所述样本目标对象的框体的高度量化到所述第二统计图的高度,并将所述第二统计图的高度乘以所述第二预设系数后得到所述第二统计图的目标高度,根据所述第二统计图的宽度和目标高度,得到与所述样本目标对象相对应的二维统计图中的统计元素。
第二方面,本申请实施例还提供了一种目标检测结果的校验装置,包括:
对象确定单元,用于对视频图像进行目标检测,确定所述视频图像中的对象,并得到所述对象对应的对象特征,其中所述对象为目标对象或未匹配到目标对象的运动对象;
统计元素确定单元,用于根据所述对象在所述视频图像的中心点,确定所述对象对应于二维统计图中的统计元素;所述二维统计图中的每个统计元素对应所述视频图像中的至少一个像素点,且不同的统计元素对应不同的像素点,所述统计元素是将对应的像素点进行量化后得到的;
概率值确定单元,用于将所述对象对应的对象特征,输入所述统计元素对应的统计模型中,得到相应的概率值;所述统计元素对应的统计模型是基于所述统计元素对应于样本视频图像中的样本对象的样本对象特征确定的;所述样本视频图像与所述视频图像是基于同一视频摄像头获取得到的。
在一种可选的实施例中,所述对象确定单元,具体用于:
对视频图像进行背景分离,确定所述视频图像中的各个运动对象,以及对所述视频图像进行目标检测,确定所述视频图像中的各个目标对象;
将所述各个目标对象作为所述视频图像中的对象,或将所述运动对象中未匹配到目标对象的运动对象作为所述视频图像中的对象。
在一种可选的实施例中,所述装置还包括对象匹配单元,用于:
确定包括所述运动对象的框体与包括所述目标对象的框体之间的距离,若所述距离满足设定阈值,则确定所述运动对象与所述目标对象匹配;或者,
确定包括所述运动对象的框体与包括所述目标对象的框体之间的重叠度,若所述重叠度满足设定重叠度阈值,则确定所述运动对象与所述目标对象匹配。
在一种可选的实施例中,若所述对象为未匹配到目标对象的运动对象,则所述对象对应的对象特征包括所述运动对象的运动图像特征,以及包括所述运动对象的框体的运动框体特征;或
若所述对象为目标对象,则所述对象对应的对象特征包括所述目标对象的目标图像特征、包括所述目标对象的框体的目标框体特征,以及所述目标对象相对于匹配到的运动对象的目标相对特征。
在一种可选的实施例中,所述概率值确定单元,具体用于:
若所述对象为未匹配到目标对象的运动对象,则将所述运动图像特征和所述运动框体特征,输入所述统计元素对应的统计模型,以确定所述运动对象的预设范围内会出现目标对象的漏检概率值;或
若所述对象为目标对象,则将所述目标图像特征、所述目标框体特征和所述目标相对特征,输入所述统计元素对应的统计模型,以确定所述目标对象对应的误检概率值。
在一种可选的实施例中,所述装置还包括统计模型构造单元,用于:
分别确定出所述样本视频图像中的样本运动对象和样本目标对象,并分别得到所述样本运动对象的样本运动图像特征和包括所述样本运动对象的框体的样本运动框体特征,以及所述样本目标对象的样本目标图像特征和包括所述样本目标对象的框体的样本目标框体特征;
分别得到所述样本运动对象相对于匹配到的样本目标对象的样本运动相对特征,和所述样本目标对象相对于匹配到的样本运动对象的样本目标相对特征;
将包括所述样本运动对象的框体和包括所述样本目标对象的框体分别进行量化,得到相应的二维统计图中的统计元素;
根据所述样本运动图像特征、所述样本运动框体特征和所述样本运动相对特征,构造与所述样本运动对象相对应的统计元素对应的统计模型;
根据所述样本目标图像特征、所述样本目标框体特征和所述样本目标相对特征,构造与所述样本目标对象相对应的统计元素对应的统计模型。
在一种可选的实施例中,所述统计模型构造单元,还用于:
将包括所述样本运动对象的框体的宽度量化到第一统计图的宽度,将包括所述样本运动对象的框体的高度乘以第一预设系数后量化到所述第一统计图的高度,根据所述第一统计图的宽度和高度,得到与所述样本运动对象相对应的二维统计图中的统计元素;以及将包括所述样本目标对象的框体的宽度量化到第二统计图的宽度,将包括所述样本目标对象的框体的高度乘以所述第一预设系数后量化到所述第二统计图的高度,根据所述第二统计图的宽度和高度,得到与所述样本目标对象相对应的二维统计图中的统计元素;或
将包括所述样本运动对象的框体的宽度量化到第一统计图的宽度,将包括所述样本运动对象的框体的高度量化到所述第一统计图的高度,并将所述第一统计图的高度乘以第二预设系数后得到所述第一统计图的目标高度,根据所述第一统计图的宽度和目标高度,得到与所述样本运动对象相对应的二维统计图中的统计元素;以及将包括所述样本目标对象的框体的宽度量化到第二统计图的宽度,将包括所述样本目标对象的框体的高度量化到所述第二统计图的高度,并将所述第二统计图的高度乘以所述第二预设系数后得到所述第二统计图的目标高度,根据所述第二统计图的宽度和目标高度,得到与所述样本目标对象相对应的二维统计图中的统计元素。
第三方面,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时,实现第一方面的目标检测结果的校验方法。
第四方面,本申请实施例还提供了一种电子设备,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,当所述计算机程序被所述处理器执行时,使得所述处理器实现第一方面的目标检测结果的校验方法。
本申请实施例提供的目标检测结果的校验方法、装置、存储介质和电子设备,可以先对视频图像进行目标检测,确定视频图像中的对象,并得到对象对应的对象特征,其中对象为目标对象或未匹配到目标对象的运动对象,然后根据对象在视频图像的中心点,可以确定对象对应于二维统计图中的统计元素,最后将对象对应的对象特征,输入统计元素对应的统计模型中,可以得到相应的概率值。由于可以构造得到具有场景先验信息的统计模型,并基于该统计模型得到检出的目标对象对应的概率值,从而可以提高对视频图像进行目标检测的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域的普通技术人员来讲,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为本申请实施例提供的一种目标检测结果的校验方法的流程图;
图2为本申请实施例提供的另一种目标检测结果的校验方法的流程图;
图3为本申请实施例提供的一种构造统计模型的流程图;
图4为本申请实施例提供的一种样本视频图像量化得到二维统计图的示意图;
图5为本申请实施例提供的一种目标检测结果的校验装置的结构示意图;
图6为本申请实施例提供的另一种目标检测结果的校验装置的结构示意图;
图7为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,显然,所描述的实施例仅仅是本申请一部分实施例,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前提下所获得的所有其它实施例,都属于本申请保护的范围。
需要说明的是,本申请的文件中涉及的术语“包括”和“具有”以及它们的变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面将结合附图,对本申请实施例提供的技术方案进行详细说明。
本申请实施例提供了一种目标检测结果的校验方法,如图1所示,包括如下步骤:
步骤S101,对视频图像进行目标检测,确定视频图像中的对象,并得到对象对应的对象特征。
在步骤S101中,可以先获取视频图像,然后对视频图像进行背景分离,确定视频图像中的各个运动对象,以及对视频图像进行目标检测,确定视频图像中的各个目标对象。
在分别确定出视频图像中的各个运动对象和各个目标对象后,可以将各个目标对象作为视频图像中的对象,或将运动对象中未匹配到目标对象的运动对象作为视频图像中的对象。
具体地,在分别确定出视频图像中的各个运动对象和各个目标对象后,可以先将同一帧视频图像中的各个运动对象分别与各个目标对象进行匹配,以分别确定出匹配到的运动对象与目标对象,以及未匹配到的运动对象和目标对象,即分别确定出各个运动对象中匹配到目标对象的运动对象和未匹配到目标对象的运动对象,以及各个目标对象中匹配到运动对象的目标对象和未匹配到运动对象的目标对象。
在确定运动对象与目标对象是否匹配时,可以确定包括运动对象的框体与包括目标对象的框体之间的距离,若距离满足设定阈值,则确定运动对象与目标对象匹配;或者,确定包括运动对象的框体与包括目标对象的框体之间的重叠度,若重叠度满足设定重叠度阈值,则确定运动对象与目标对象匹配。
如果对象为未匹配到目标对象的运动对象,则对象对应的对象特征可以包括运动对象的运动图像特征,以及包括运动对象的框体的运动框体特征。如果对象为目标对象,则对象对应的对象特征可以包括目标对象的目标图像特征、包括目标对象的框体的目标框体特征,以及目标对象相对于匹配到的运动对象的目标相对特征。
步骤S102,根据对象在视频图像的中心点,确定对象对应于二维统计图中的统计元素。
二维统计图中的每个统计元素对应视频图像中的至少一个像素点,不同的统计元素可以对应不同的像素点,且统计元素是将对应的像素点进行量化后得到的。
其中,如果对象为目标对象,则可以根据目标对象在视频图像中的中心点,确定目标对象对应于二维统计图中的统计元素。如果对象为未匹配到目标对象的运动对象,则可以根据运动对象在视频图像中的中心点,确定运动对象对应于二维统计图中的统计元素。
步骤S103,将对象对应的对象特征,输入统计元素对应的统计模型中,得到相应的概率值。
其中,统计元素对应的统计模型是基于统计元素对应于样本视频图像中的样本对象的样本对象特征确定的。并且,样本视频图像与视频图像是基于同一视频摄像头获取得到的。
具体地,如果对象为未匹配到目标对象的运动对象,则可以将运动对象的运动图像特征和包括运动对象的框体的运动框体特征,输入统计元素对应的统计模型,以确定运动对象的预设范围内会出现目标对象的漏检概率值。如果对象为目标对象,则可以将目标对象的目标图像特征、包括目标对象的框体的目标框体特征和目标对象相对于匹配到的运动对象的目标相对特征,输入统计元素对应的统计模型,以确定目标对象对应的误检概率值。
在一些实施例中,本申请实施例提出的目标检测结果的校验方法还可以按照图2示出的过程进行实现。
如图2所示,可以包括如下步骤:
步骤S201,获取视频图像。
在步骤S201中,可以获取某一视频摄像头拍摄到的视频流数据中的视频图像。
步骤S2021,对视频图像进行背景分离,确定视频图像中的各个运动对象。
在获取到视频图像后,可以通过前景背景分离算法将视频图像中的前景运动对象从背景中分离出来,以确定出视频图像中的各个运动对象。
步骤S2022,对视频图像进行目标检测,确定视频图像中的各个目标对象。
同时,在获取到视频图像后,也可以对视频图像进行目标检测,以确定视频图像中的各个目标对象。
步骤S203,将同一帧视频图像中的各个运动对象分别与各个目标对象进行匹配,确定各个未匹配到目标对象的运动对象,以及各个目标对象分别相对于匹配到的运动对象的目标相对特征。
在步骤S203中,可以对同一帧视频图像中的各个运动对象与各个目标对象分别进行匹配,以确定出各个运动对象是否分别与各个目标对象匹配。
具体地,对于同一帧视频图像中的各个运动对象与各个目标对象,可以分别执行以下操作:确定包括运动对象的框体与包括目标对象的框体之间的距离,若距离满足设定阈值,则确定运动对象与目标对象匹配;或者,确定包括运动对象的框体与包括目标对象的框体之间的重叠度,若重叠度满足设定重叠度阈值,则确定运动对象与目标对象匹配。
在确定出同一帧视频图像中的各个运动对象是否分别与各个目标对象匹配后,可以确定出各个匹配到目标对象的运动对象、各个匹配到运动对象的目标对象、各个未匹配到目标对象的运动对象和各个未匹配到运动对象的目标对象。
对于各个匹配到运动对象的目标对象,可以得到各个目标对象分别相对于匹配到的运动对象的目标相对特征。该目标相对特征可以根据目标对象与该目标对象匹配到的运动对象之间的相对包含关系或相对位置关系得到。
对于各个未匹配到目标对象的运动对象和各个未匹配到运动对象的目标对象,各个运动对象和各个目标对象分别对应的相对特征可以置为空白。
步骤S2041,得到各个未匹配到目标对象的运动对象的运动图像特征和分别包括各个未匹配到目标对象的运动对象的框体的运动框体特征。
在确定出各个未匹配到目标对象的运动对象后,对于各个未匹配到目标对象的运动对象,可以分别执行以下操作:确定出包括未匹配到目标对象的运动对象的框体,并得到该框体的框体大小和框体比例,即得到包括未匹配到目标对象的运动对象的框体的运动框体特征,以及提取出该框体内的图像特征,即得到未匹配到目标对象的运动对象的运动图像特征。
步骤S2051,根据各个未匹配到目标对象的运动对象在视频图像中的中心点,分别确定各个未匹配到目标对象的运动对象对应于二维统计图中的统计元素。
对于各个未匹配到目标对象的运动对象,可以分别执行以下操作:将未匹配到目标对象的运动对象在视频图像中的中心点对应的像素点量化到所在时间段的二维统计图中的统计元素。从而可以分别确定出各个未匹配到目标对象的运动对象对应于二维统计图中的统计元素。
步骤S2061,将各个未匹配到目标对象的运动对象的运动图像特征和运动框体特征,分别输入与各个未匹配到目标对象的运动对象相对应的统计元素对应的统计模型中,以确定各个未匹配到目标对象的运动对象的预设范围内会出现目标对象的漏检概率值。
在确定出相应的统计元素后,对于各个未匹配到目标对象的运动对象,可以分别执行以下操作:将运动对象的运动图像特征和运动框体特征,输入与运动对象相对应的统计元素对应的统计模型中,以确定出运动对象的预设范围内会出现目标对象的漏检概率值。
步骤S2042,得到各个目标对象的目标图像特征和分别包括各个目标对象的框体的目标框体特征。
同时,在确定出各个目标对象后,对于各个目标对象,可以分别执行以下操作:确定出包括目标对象的框体,并得到该框体的框体大小和框体比例,即得到包括目标对象的框体的目标框体特征,以及提取出该框体内的图像特征,即得到目标对象的目标图像特征。
步骤S2052,根据各个目标对象在视频图像中的中心点,分别确定各个目标对象对应于二维统计图中的统计元素。
对于各个目标对象,可以分别执行以下操作:将目标对象在视频图像中的中心点对应的像素点量化到所在时间段的二维统计图中的统计元素。从而可以分别确定出各个目标对象对应于二维统计图中的统计元素。
步骤S2062,将各个目标对象的目标图像特征、目标框体特征和目标相对特征,分别输入与各个目标对象相对应的统计元素对应的统计模型中,以确定各个目标对象的误检概率值。
在确定出相应的统计元素后,对于各个目标对象,可以分别执行以下操作:将目标对象的目标图像特征、目标框体特征和目标相对特征,输入与目标对象相对应的统计元素对应的统计模型中,以确定出目标对象的误检概率值。
在一种实施例中,在确定出漏检概率值和误检概率值后,可以将相关数据检保存,并通过人工确认后可以持续更新统计模型,以积累场景先验。
本申请实施例提出的目标检测结果的校验方法,可以对固定的监控场景视频图像进行分析,并结合监控场景下的检测出的目标对象的信息,通过对视频图像中的运动对象的相关特征、目标对象的相关特征,以及运动对象与目标对象的关联特征进行统计并建模,弥补了目标检测缺失场景先验信息的缺点,通过这种额外的辅助信息,可以提升目标检测的准确性,也可以对目标检测的漏检和误检进行进一步的筛选、补充。并且,本申请实施例提供的目标检测结果的校验方法,适用于任意固定的监控视频摄像头下获取到的视频图像的目标检测,可以用于提名或修正目标对象的误检、漏检情况。
在一些实施例中,对上述步骤S2061和步骤S2062中的统计模型进行构造的过程可以按照图3示出的过程进行实现。如图3所示,可以包括如下步骤:
步骤S3011,对样本视频图像进行背景分离,确定出样本视频图像中的各个样本运动对象。
可以获取与视频图像是同一视频摄像头拍摄得到的样本视频图像,且在获取到样本视频图像后,可以对样本视频图像进行背景分离,确定出样本视频图像中的各个样本运动对象。
步骤S3012,对样本视频图像进行目标检测,确定出样本视频图像中的各个样本目标对象。
同时,在获取到样本视频图像后,还可以对样本视频图像进行目标检测,确定出样本视频图像中的各个样本目标对象。
步骤S302,将同一帧样本视频图像中的各个样本运动对象分别与各个样本目标对象进行匹配,确定各个样本运动对象分别相对于匹配到的样本目标对象的样本运动相对特征,以及各个样本目标对象分别相对于匹配到的样本运动对象的样本相对特征。
对于同一帧样本视频图像中的各个样本运动对象与各个样本目标对象,可以分别执行以下操作:确定包括样本运动对象的框体与包括样本目标对象的框体之间的距离,若距离满足设定阈值,则确定样本运动对象与样本目标对象匹配;或者,确定包括样本运动对象的框体与包括样本目标对象的框体之间的重叠度,若重叠度满足设定重叠度阈值,则确定样本运动对象与样本目标对象匹配。
在确定出同一帧样本视频图像中的各个样本运动对象是否分别与各个样本目标对象匹配后,可以确定出各个匹配到样本目标对象的样本运动对象、各个匹配到样本运动对象的样本目标对象、各个未匹配到样本目标对象的样本运动对象和各个未匹配到样本运动对象的样本目标对象。
对于各个匹配到样本目标对象的样本运动对象,可以得到各个样本运动对象分别相对于匹配到的样本目标对象的样本运动相对特征。对于各个匹配到样本运动对象的样本目标对象,可以得到各个样本目标对象分别相对于匹配到的样本运动对象的样本目标相对特征。
对于各个未匹配到样本目标对象的样本运动对象,该样本运动对象对应的样本运动相对特征可以置为空白。对于各个未匹配到样本运动对象的样本目标对象,该样本目标对象对应的样本目标相对特征也可以置为空白。
步骤S3031,得到各个样本运动对象的样本运动图像特征和分别包括各个样本运动对象的框体的样本运动框体特征。
在确定出各个样本运动对象后,对于各个样本运动对象,可以分别执行以下操作:确定出包括样本运动对象的框体,并得到该框体的框体大小和框体比例,即得到包括样本运动对象的框体的样本运动框体特征,以及提取出该框体内的图像特征,即得到样本运动对象的样本运动图像特征。
步骤S3041,对分别包括各个样本运动对象的框体进行量化,分别得到与各个样本运动对象相对应的二维统计图中的统计元素。
对于分别包括各个样本运动对象的框体,可以分别执行以下操作:将包括样本运动对象的框体的宽度量化到第一统计图的宽度,将包括样本运动对象的框体的高度乘以第一预设系数后量化到第一统计图的高度,根据第一统计图的宽度和高度,得到与样本运动对象相对应的二维统计图中的统计元素;或者,将包括样本运动对象的框体的宽度量化到第一统计图的宽度,将包括样本运动对象的框体的高度量化到第一统计图的高度,并将第一统计图的高度乘以第二预设系数后得到第一统计图的目标高度,根据第一统计图的宽度和目标高度,得到与样本运动对象相对应的二维统计图中的统计元素。
例如,如图4所示,样本视频图像为一个包含有100×100个像素点的图像,可以将该样本视频图像量化为一个包含有10×10个统计元素的二维统计图。其中,二维统计图中的每个统计元素对应于样本视频图像中的10个像素点,且不同的统计元素对应不同的像素点。也就是说,该二维统计图可以看作是将样本视频图像等比例缩放10倍得到的。
假设对该样本视频图像进行背景分离,可以确定出一个样本运动对象,并得到一个包括该样本运动对象的框体,该框体包含有40×20个像素点,即该框体的高度为40个像素点,宽度为20个像素点。可以先确定将该包括样本运动对象的框体的中心点量化到所在时间段的二维统计图中对应的统计元素,然后通过两种方式将该包括样本运动对象的框体量化到二维统计图中:
第一种,可以先将该框体的宽度量化到二维统计图的宽度,即可以将20个像素点量化得到2个统计单元,然后将该框体的高度乘以第一预设系数后量化到二维统计图的高度,即假设第一预设系数为0.5,则可以将40个像素点乘以0.5后量化得到2个统计单元,最后可以根据该二维统计图的宽度和高度,得到与该样本运动对象相对应的二维统计图中的统计元素,即可以对应得到2×2个统计单元。
第二种,可以先将该框体的宽度量化到二维统计图的宽度,即可以将20个像素点量化得到2个统计单元,然后将该框体的高度量化到二维统计图的高度,即可以将40个像素点量化得到4个统计单元,再将二维统计图的高度乘以第二预设系数后得到二维统计图的目标高度,即假设第二预设系数为0.5,则可以将4个统计单元乘以0.5后得到2个统计单元,最后可以根据该二维统计图的宽度和目标高度,得到与该样本运动对象相对应的二维统计图中的统计元素,即可以对应得到2×2个统计单元。
步骤S3051,根据各个样本运动图像特征、各个样本运动框体特征和各个样本运动相对特征,分别构造与各个样本运动对象相对应的统计元素对应的统计模型。
对于各个样本运动对象,可以分别执行以下操作:将样本运动对象的样本运动图像特征、包括样本运动对象的框体的样本运动框体特征和样本运动对象相对于匹配到的样本目标对象的样本运动相对特征,构造与样本运动对象相对应的统计元素对应的统计模型。
步骤S3032,得到各个样本目标对象的样本目标图像特征和分别包括各个样本目标对象的框体的样本目标框体特征。
同时,在确定出各个样本目标对象后,对于各个样本目标对象,可以分别执行以下操作:确定出包括样本目标对象的框体,并得到该框体的框体大小和框体比例,即得到包括样本目标对象的框体的样本目标框体特征,以及提取出该框体内的图像特征,即得到样本目标对象的样本目标图像特征。
步骤S3042,对分别包括各个样本目标对象的框体进行量化,分别得到与各个样本目标对象相对应的二维统计图中的统计元素。
对于分别包括各个样本目标对象的框体,可以分别执行以下操作:将包括样本目标对象的框体的宽度量化到第二统计图的宽度,将包括样本目标对象的框体的高度乘以第一预设系数后量化到第二统计图的高度,根据第二统计图的宽度和高度,得到与样本目标对象相对应的二维统计图中的统计元素;或者,将包括样本目标对象的框体的宽度量化到第二统计图的宽度,将包括样本目标对象的框体的高度量化到第二统计图的高度,并将第二统计图的高度乘以第二预设系数后得到第二统计图的目标高度,根据第二统计图的宽度和目标高度,得到与样本目标对象相对应的二维统计图中的统计元素。
将包括样本目标对象的框体量化到二维统计图中,得到与样本目标对象相对应的二维统计图中的统计元素的过程可以参照图4中将包括样本运动对象的框体量化到二维统计图中,得到与样本运动对象相对应的二维统计图中的统计元素的过程,并且,与样本目标对象相对应的二维统计图和与样本运动对象相对应的二维统计图是两个不同的二维统计图。
步骤S3052,根据各个样本目标图像特征、各个样本目标框体特征和各个样本目标相对特征,分别构造与各个样本目标对象相对应的统计元素对应的统计模型。
对于各个样本目标对象,可以分别执行以下操作:将样本目标对象的样本目标图像特征、包括样本目标对象的框体的样本目标框体特征和样本目标对象相对于匹配到的样本运动对象的样本目标相对特征,构造与样本目标对象相对应的统计元素对应的统计模型。
与图1所示的目标检测结果的校验方法基于同一发明构思,本申请实施例中还提供了一种目标检测结果的校验装置。由于该装置是本申请目标检测结果的校验方法对应的装置,并且该装置解决问题的原理与该方法相似,因此该装置的实施可以参见上述方法的实施,重复之处不再赘述。
图5示出了本申请实施例提供的一种目标检测结果的校验装置的结构示意图。如图5所示,该目标检测结果的校验装置包括对象确定单元501、统计元素确定单元502和概率值确定单元503。
其中,对象确定单元501,用于对视频图像进行目标检测,确定视频图像中的对象,并得到对象对应的对象特征,其中对象为目标对象或未匹配到目标对象的运动对象;
统计元素确定单元502,用于根据对象在视频图像的中心点,确定对象对应于二维统计图中的统计元素;二维统计图中的每个统计元素对应视频图像中的至少一个像素点,且不同的统计元素对应不同的像素点,统计元素是将对应的像素点进行量化后得到的;
概率值确定单元503,用于将对象对应的对象特征,输入统计元素对应的统计模型中,得到相应的概率值;统计元素对应的统计模型是基于统计元素对应于样本视频图像中的样本对象的样本对象特征确定的;样本视频图像与视频图像是基于同一视频摄像头获取得到的。
在一种可选的实施例中,对象确定单元501,具体用于:
对视频图像进行背景分离,确定视频图像中的各个运动对象,以及对视频图像进行目标检测,确定视频图像中的各个目标对象;
将各个目标对象作为视频图像中的对象,或将运动对象中未匹配到目标对象的运动对象作为视频图像中的对象。
在一种可选的实施例中,如图6所示,上述装置还可以包括对象匹配单元601,用于:
确定包括运动对象的框体与包括目标对象的框体之间的距离,若距离满足设定阈值,则确定运动对象与目标对象匹配;或者,
确定包括运动对象的框体与包括目标对象的框体之间的重叠度,若重叠度满足设定重叠度阈值,则确定运动对象与目标对象匹配。
在一种可选的实施例中,若对象为未匹配到目标对象的运动对象,则对象对应的对象特征包括运动对象的运动图像特征,以及包括运动对象的框体的运动框体特征;或
若对象为目标对象,则对象对应的对象特征包括目标对象的目标图像特征、包括目标对象的框体的目标框体特征,以及目标对象相对于匹配到的运动对象的目标相对特征。
在一种可选的实施例中,概率值确定单元503,具体用于:
若对象为未匹配到目标对象的运动对象,则将运动图像特征和运动框体特征,输入统计元素对应的统计模型,以确定运动对象的预设范围内会出现目标对象的漏检概率值;或
若对象为目标对象,则将目标图像特征、目标框体特征和目标相对特征,输入统计元素对应的统计模型,以确定目标对象对应的误检概率值。
在一种可选的实施例中,如图6所示,上述装置还可以包括统计模型构造单元602,用于:
分别确定出样本视频图像中的样本运动对象和样本目标对象,并分别得到样本运动对象的样本运动图像特征和包括样本运动对象的框体的样本运动框体特征,以及样本目标对象的样本目标图像特征和包括样本目标对象的框体的样本目标框体特征;
分别得到样本运动对象相对于匹配到的样本目标对象的样本运动相对特征,和样本目标对象相对于匹配到的样本运动对象的样本目标相对特征;
将包括样本运动对象的框体和包括样本目标对象的框体分别进行量化,得到相应的二维统计图中的统计元素;
根据样本运动图像特征、样本运动框体特征和样本运动相对特征,构造与样本运动对象相对应的统计元素对应的统计模型;
根据样本目标图像特征、样本目标框体特征和样本目标相对特征,构造与样本目标对象相对应的统计元素对应的统计模型。
在一种可选的实施例中,统计模型构造单元602,还用于:
将包括样本运动对象的框体的宽度量化到第一统计图的宽度,将包括样本运动对象的框体的高度乘以第一预设系数后量化到第一统计图的高度,根据第一统计图的宽度和高度,得到与样本运动对象相对应的二维统计图中的统计元素;以及将包括样本目标对象的框体的宽度量化到第二统计图的宽度,将包括样本目标对象的框体的高度乘以第一预设系数后量化到第二统计图的高度,根据第二统计图的宽度和高度,得到与样本目标对象相对应的二维统计图中的统计元素;或
将包括样本运动对象的框体的宽度量化到第一统计图的宽度,将包括样本运动对象的框体的高度量化到第一统计图的高度,并将第一统计图的高度乘以第二预设系数后得到第一统计图的目标高度,根据第一统计图的宽度和目标高度,得到与样本运动对象相对应的二维统计图中的统计元素;以及将包括样本目标对象的框体的宽度量化到第二统计图的宽度,将包括样本目标对象的框体的高度量化到第二统计图的高度,并将第二统计图的高度乘以第二预设系数后得到第二统计图的目标高度,根据第二统计图的宽度和目标高度,得到与样本目标对象相对应的二维统计图中的统计元素。
与上述方法实施例基于同一发明构思,本申请实施例中还提供了一种电子设备。该电子设备可以用于对目标检测结果进行校验。在一种实施例中,该电子设备可以是服务器,也可以是终端设备或其他电子设备。在该实施例中,电子设备的结构可以如图7所示,包括存储器701,通讯模块703以及一个或多个处理器702。
存储器701,用于存储处理器702执行的计算机程序。存储器701可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统,以及运行即时通讯功能所需的程序等;存储数据区可存储各种即时通讯信息和操作指令集等。
存储器701可以是易失性存储器(volatile memory),例如随机存取存储器(random-access memory,RAM);存储器701也可以是非易失性存储器(non-volatilememory),例如只读存储器,快闪存储器(flash memory),硬盘(hard disk drive,HDD)或固态硬盘(solid-state drive,SSD)、或者存储器701是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器701可以是上述存储器的组合。
处理器702,可以包括一个或多个中央处理单元(central processing unit,CPU)或者为数字处理单元等等。处理器702,用于调用存储器701中存储的计算机程序时实现上述目标检测结果的校验方法。
通讯模块703用于与终端设备和其他服务器进行通信。
本申请实施例中不限定上述存储器701、通讯模块703和处理器702之间的具体连接介质。本公开实施例在图7中以存储器701和处理器702之间通过总线704连接,总线704在图7中以粗线表示,其它部件之间的连接方式,仅是进行示意性说明,并不引以为限。总线704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。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述实施例中的目标检测结果的校验方法。所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (12)
1.一种目标检测结果的校验方法,其特征在于,所述方法包括:
对视频图像进行目标检测,确定所述视频图像中的对象,并得到所述对象对应的对象特征,其中所述对象为目标对象或未匹配到目标对象的运动对象;
根据所述对象在所述视频图像的中心点,确定所述对象对应于二维统计图中的统计元素;所述二维统计图中的每个统计元素对应所述视频图像中的至少一个像素点,且不同的统计元素对应不同的像素点,所述统计元素是将对应的像素点进行量化后得到的;
将所述对象对应的对象特征,输入所述统计元素对应的统计模型中,得到相应的概率值;所述统计元素对应的统计模型是基于所述统计元素对应于样本视频图像中的样本对象的样本对象特征确定的;所述样本视频图像与所述视频图像是基于同一视频摄像头获取得到的;
通过下列方式构造所述统计模型:
分别确定出所述样本视频图像中的样本运动对象和样本目标对象,并分别得到所述样本运动对象的样本运动图像特征和包括所述样本运动对象的框体的样本运动框体特征,以及所述样本目标对象的样本目标图像特征和包括所述样本目标对象的框体的样本目标框体特征;
分别得到所述样本运动对象相对于匹配到的样本目标对象的样本运动相对特征,和所述样本目标对象相对于匹配到的样本运动对象的样本目标相对特征;
将包括所述样本运动对象的框体和包括所述样本目标对象的框体分别进行量化,得到相应的二维统计图中的统计元素;
根据所述样本运动图像特征、所述样本运动框体特征和所述样本运动相对特征,构造与所述样本运动对象相对应的统计元素对应的统计模型;
根据所述样本目标图像特征、所述样本目标框体特征和所述样本目标相对特征,构造与所述样本目标对象相对应的统计元素对应的统计模型;
所述将包括所述样本运动对象的框体和包括所述样本目标对象的框体分别进行量化,得到相应的二维统计图中的统计元素,包括:
将包括所述样本运动对象的框体的宽度量化到第一统计图的宽度,将包括所述样本运动对象的框体的高度乘以第一预设系数后量化到所述第一统计图的高度,根据所述第一统计图的宽度和高度,得到与所述样本运动对象相对应的二维统计图中的统计元素;以及将包括所述样本目标对象的框体的宽度量化到第二统计图的宽度,将包括所述样本目标对象的框体的高度乘以所述第一预设系数后量化到所述第二统计图的高度,根据所述第二统计图的宽度和高度,得到与所述样本目标对象相对应的二维统计图中的统计元素;或
将包括所述样本运动对象的框体的宽度量化到第一统计图的宽度,将包括所述样本运动对象的框体的高度量化到所述第一统计图的高度,并将所述第一统计图的高度乘以第二预设系数后得到所述第一统计图的目标高度,根据所述第一统计图的宽度和目标高度,得到与所述样本运动对象相对应的二维统计图中的统计元素;以及将包括所述样本目标对象的框体的宽度量化到第二统计图的宽度,将包括所述样本目标对象的框体的高度量化到所述第二统计图的高度,并将所述第二统计图的高度乘以所述第二预设系数后得到所述第二统计图的目标高度,根据所述第二统计图的宽度和目标高度,得到与所述样本目标对象相对应的二维统计图中的统计元素。
2.根据权利要求1所述的方法,其特征在于,所述对视频图像进行目标检测,确定所述视频图像中的对象,包括:
对视频图像进行背景分离,确定所述视频图像中的各个运动对象,以及对所述视频图像进行目标检测,确定所述视频图像中的各个目标对象;
将所述各个目标对象作为所述视频图像中的对象,或将所述运动对象中未匹配到目标对象的运动对象作为所述视频图像中的对象。
3.根据权利要求1所述的方法,其特征在于,通过下列方式进行所述目标对象和所述运动对象的匹配:
确定包括所述运动对象的框体与包括所述目标对象的框体之间的距离,若所述距离满足设定阈值,则确定所述运动对象与所述目标对象匹配;或者,
确定包括所述运动对象的框体与包括所述目标对象的框体之间的重叠度,若所述重叠度满足设定重叠度阈值,则确定所述运动对象与所述目标对象匹配。
4.根据权利要求1所述的方法,其特征在于,若所述对象为未匹配到目标对象的运动对象,则所述对象对应的对象特征包括所述运动对象的运动图像特征,以及包括所述运动对象的框体的运动框体特征;或
若所述对象为目标对象,则所述对象对应的对象特征包括所述目标对象的目标图像特征、包括所述目标对象的框体的目标框体特征,以及所述目标对象相对于匹配到的运动对象的目标相对特征。
5.根据权利要求4所述的方法,其特征在于,所述将所述对象对应的对象特征,输入所述统计元素对应的统计模型中,得到相应的概率值,包括:
若所述对象为未匹配到目标对象的运动对象,则将所述运动图像特征和所述运动框体特征,输入所述统计元素对应的统计模型,以确定所述运动对象的预设范围内会出现目标对象的漏检概率值;或
若所述对象为目标对象,则将所述目标图像特征、所述目标框体特征和所述目标相对特征,输入所述统计元素对应的统计模型,以确定所述目标对象对应的误检概率值。
6.一种目标检测结果的校验装置,其特征在于,包括:
对象确定单元,用于对视频图像进行目标检测,确定所述视频图像中的对象,并得到所述对象对应的对象特征,其中所述对象为目标对象或未匹配到目标对象的运动对象;
统计元素确定单元,用于根据所述对象在所述视频图像的中心点,确定所述对象对应于二维统计图中的统计元素;所述二维统计图中的每个统计元素对应所述视频图像中的至少一个像素点,且不同的统计元素对应不同的像素点,所述统计元素是将对应的像素点进行量化后得到的;
概率值确定单元,用于将所述对象对应的对象特征,输入所述统计元素对应的统计模型中,得到相应的概率值;所述统计元素对应的统计模型是基于所述统计元素对应于样本视频图像中的样本对象的样本对象特征确定的;所述样本视频图像与所述视频图像是基于同一视频摄像头获取得到的;
所述装置还包括统计模型构造单元,用于:
分别确定出所述样本视频图像中的样本运动对象和样本目标对象,并分别得到所述样本运动对象的样本运动图像特征和包括所述样本运动对象的框体的样本运动框体特征,以及所述样本目标对象的样本目标图像特征和包括所述样本目标对象的框体的样本目标框体特征;
分别得到所述样本运动对象相对于匹配到的样本目标对象的样本运动相对特征,和所述样本目标对象相对于匹配到的样本运动对象的样本目标相对特征;
将包括所述样本运动对象的框体和包括所述样本目标对象的框体分别进行量化,得到相应的二维统计图中的统计元素;
根据所述样本运动图像特征、所述样本运动框体特征和所述样本运动相对特征,构造与所述样本运动对象相对应的统计元素对应的统计模型;
根据所述样本目标图像特征、所述样本目标框体特征和所述样本目标相对特征,构造与所述样本目标对象相对应的统计元素对应的统计模型;
所述统计模型构造单元,还用于:
将包括所述样本运动对象的框体的宽度量化到第一统计图的宽度,将包括所述样本运动对象的框体的高度乘以第一预设系数后量化到所述第一统计图的高度,根据所述第一统计图的宽度和高度,得到与所述样本运动对象相对应的二维统计图中的统计元素;以及将包括所述样本目标对象的框体的宽度量化到第二统计图的宽度,将包括所述样本目标对象的框体的高度乘以所述第一预设系数后量化到所述第二统计图的高度,根据所述第二统计图的宽度和高度,得到与所述样本目标对象相对应的二维统计图中的统计元素;或
将包括所述样本运动对象的框体的宽度量化到第一统计图的宽度,将包括所述样本运动对象的框体的高度量化到所述第一统计图的高度,并将所述第一统计图的高度乘以第二预设系数后得到所述第一统计图的目标高度,根据所述第一统计图的宽度和目标高度,得到与所述样本运动对象相对应的二维统计图中的统计元素;以及将包括所述样本目标对象的框体的宽度量化到第二统计图的宽度,将包括所述样本目标对象的框体的高度量化到所述第二统计图的高度,并将所述第二统计图的高度乘以所述第二预设系数后得到所述第二统计图的目标高度,根据所述第二统计图的宽度和目标高度,得到与所述样本目标对象相对应的二维统计图中的统计元素。
7.根据权利要求6所述的装置,其特征在于,所述对象确定单元,具体用于:
对视频图像进行背景分离,确定所述视频图像中的各个运动对象,以及对所述视频图像进行目标检测,确定所述视频图像中的各个目标对象;
将所述各个目标对象作为所述视频图像中的对象,或将所述运动对象中未匹配到目标对象的运动对象作为所述视频图像中的对象。
8.根据权利要求6所述的装置,其特征在于,所述装置还包括对象匹配单元,用于:
确定包括所述运动对象的框体与包括所述目标对象的框体之间的距离,若所述距离满足设定阈值,则确定所述运动对象与所述目标对象匹配;或者,
确定包括所述运动对象的框体与包括所述目标对象的框体之间的重叠度,若所述重叠度满足设定重叠度阈值,则确定所述运动对象与所述目标对象匹配。
9.根据权利要求6所述的装置,其特征在于,若所述对象为未匹配到目标对象的运动对象,则所述对象对应的对象特征包括所述运动对象的运动图像特征,以及包括所述运动对象的框体的运动框体特征;或
若所述对象为目标对象,则所述对象对应的对象特征包括所述目标对象的目标图像特征、包括所述目标对象的框体的目标框体特征,以及所述目标对象相对于匹配到的运动对象的目标相对特征。
10.根据权利要求9所述的装置,其特征在于,所述概率值确定单元,具体用于:
若所述对象为未匹配到目标对象的运动对象,则将所述运动图像特征和所述运动框体特征,输入所述统计元素对应的统计模型,以确定所述运动对象的预设范围内会出现目标对象的漏检概率值;或
若所述对象为目标对象,则将所述目标图像特征、所述目标框体特征和所述目标相对特征,输入所述统计元素对应的统计模型,以确定所述目标对象对应的误检概率值。
11.一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,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1~5中任一项所述的方法。
12.一种电子设备,其特征在于,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,当所述计算机程序被所述处理器执行时,实现权利要求1~5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111049391.2A CN113838110B (zh) | 2021-09-08 | 2021-09-08 | 目标检测结果的校验方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111049391.2A CN113838110B (zh) | 2021-09-08 | 2021-09-08 | 目标检测结果的校验方法、装置、存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113838110A CN113838110A (zh) | 2021-12-24 |
CN113838110B true CN113838110B (zh) | 2023-09-05 |
Family
ID=78958802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111049391.2A Active CN113838110B (zh) | 2021-09-08 | 2021-09-08 | 目标检测结果的校验方法、装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113838110B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598290A (zh) * | 2018-11-22 | 2019-04-09 | 上海交通大学 | 一种基于两级检测相结合的图像小目标检测方法 |
CN110490073A (zh) * | 2019-07-15 | 2019-11-22 | 浙江省北大信息技术高等研究院 | 目标检测方法、装置、设备及存储介质 |
CN110717933A (zh) * | 2019-10-10 | 2020-01-21 | 北京百度网讯科技有限公司 | 针对运动物体漏检的后处理方法、装置、设备和介质 |
CN110796681A (zh) * | 2019-09-24 | 2020-02-14 | 武汉市众向科技有限公司 | 一种用于船舶协同工作的视觉定位系统及方法 |
CN110909712A (zh) * | 2019-12-05 | 2020-03-24 | 重庆紫光华山智安科技有限公司 | 运动目标检测方法、装置、电子设备及存储介质 |
WO2020151172A1 (zh) * | 2019-01-23 | 2020-07-30 | 平安科技(深圳)有限公司 | 运动目标检测方法、装置、计算机设备及存储介质 |
CN111553397A (zh) * | 2020-04-21 | 2020-08-18 | 东南大学 | 基于区域全卷积网络和自适应的跨域目标检测方法 |
CN111860559A (zh) * | 2019-12-31 | 2020-10-30 | 滴图(北京)科技有限公司 | 图像处理方法、装置、电子设备和存储介质 |
CN111932470A (zh) * | 2020-07-21 | 2020-11-13 | 泉州职业技术大学 | 基于视觉选择融合的图像复原方法、装置、设备和介质 |
CN112270671A (zh) * | 2020-11-10 | 2021-01-26 | 杭州海康威视数字技术股份有限公司 | 图像检测方法、装置、电子设备及存储介质 |
CN112907645A (zh) * | 2021-03-05 | 2021-06-04 | 重庆紫光华山智安科技有限公司 | 视差图获取方法、装置、训练方法、电子设备和介质 |
CN114419531A (zh) * | 2021-12-06 | 2022-04-29 | 浙江大华技术股份有限公司 | 目标检测方法、目标检测系统以及计算机可读存储介质 |
CN114519677A (zh) * | 2022-02-17 | 2022-05-20 | 重庆紫光华山智安科技有限公司 | 数据增强方法、装置、电子设备及存储介质 |
CN115079117A (zh) * | 2022-04-21 | 2022-09-20 | 东南大学 | 一种带定位精度预测的三维目标检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7424175B2 (en) * | 2001-03-23 | 2008-09-09 | Objectvideo, Inc. | Video segmentation using statistical pixel modeling |
US8897489B2 (en) * | 2010-01-29 | 2014-11-25 | Rochester Institute Of Technology | Methods for object-based identification, sorting and ranking of target detections and apparatuses thereof |
US10726244B2 (en) * | 2016-12-07 | 2020-07-28 | Samsung Electronics Co., Ltd. | Method and apparatus detecting a target |
-
2021
- 2021-09-08 CN CN202111049391.2A patent/CN113838110B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598290A (zh) * | 2018-11-22 | 2019-04-09 | 上海交通大学 | 一种基于两级检测相结合的图像小目标检测方法 |
WO2020151172A1 (zh) * | 2019-01-23 | 2020-07-30 | 平安科技(深圳)有限公司 | 运动目标检测方法、装置、计算机设备及存储介质 |
CN110490073A (zh) * | 2019-07-15 | 2019-11-22 | 浙江省北大信息技术高等研究院 | 目标检测方法、装置、设备及存储介质 |
CN110796681A (zh) * | 2019-09-24 | 2020-02-14 | 武汉市众向科技有限公司 | 一种用于船舶协同工作的视觉定位系统及方法 |
CN110717933A (zh) * | 2019-10-10 | 2020-01-21 | 北京百度网讯科技有限公司 | 针对运动物体漏检的后处理方法、装置、设备和介质 |
CN110909712A (zh) * | 2019-12-05 | 2020-03-24 | 重庆紫光华山智安科技有限公司 | 运动目标检测方法、装置、电子设备及存储介质 |
CN111860559A (zh) * | 2019-12-31 | 2020-10-30 | 滴图(北京)科技有限公司 | 图像处理方法、装置、电子设备和存储介质 |
CN111553397A (zh) * | 2020-04-21 | 2020-08-18 | 东南大学 | 基于区域全卷积网络和自适应的跨域目标检测方法 |
CN111932470A (zh) * | 2020-07-21 | 2020-11-13 | 泉州职业技术大学 | 基于视觉选择融合的图像复原方法、装置、设备和介质 |
CN112270671A (zh) * | 2020-11-10 | 2021-01-26 | 杭州海康威视数字技术股份有限公司 | 图像检测方法、装置、电子设备及存储介质 |
CN112907645A (zh) * | 2021-03-05 | 2021-06-04 | 重庆紫光华山智安科技有限公司 | 视差图获取方法、装置、训练方法、电子设备和介质 |
CN114419531A (zh) * | 2021-12-06 | 2022-04-29 | 浙江大华技术股份有限公司 | 目标检测方法、目标检测系统以及计算机可读存储介质 |
CN114519677A (zh) * | 2022-02-17 | 2022-05-20 | 重庆紫光华山智安科技有限公司 | 数据增强方法、装置、电子设备及存储介质 |
CN115079117A (zh) * | 2022-04-21 | 2022-09-20 | 东南大学 | 一种带定位精度预测的三维目标检测方法 |
Non-Patent Citations (1)
Title |
---|
张必银.小目标检测识别技术性能评价研究.《中国博士学位论文全文数据库 信息科技辑》.2009,第I138-74页. * |
Also Published As
Publication number | Publication date |
---|---|
CN113838110A (zh) | 2021-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705405B (zh) | 目标标注的方法及装置 | |
CN109727275B (zh) | 目标检测方法、装置、系统和计算机可读存储介质 | |
CN112419202B (zh) | 基于大数据及深度学习的野生动物图像自动识别系统 | |
CN111814776B (zh) | 一种图像处理方法、设备、服务器及存储介质 | |
CN112926531A (zh) | 特征信息提取方法、模型训练方法、装置及电子设备 | |
CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
CN111932545A (zh) | 图像处理方法、目标计数方法及其相关装置 | |
CN114267029A (zh) | 一种车道线检测方法、装置、设备及存储介质 | |
CN113158773B (zh) | 一种活体检测模型的训练方法及训练装置 | |
CN113052019A (zh) | 目标跟踪方法及装置、智能设备和计算机存储介质 | |
CN113505720A (zh) | 图像处理方法及装置、存储介质、电子装置 | |
CN113838110B (zh) | 目标检测结果的校验方法、装置、存储介质和电子设备 | |
CN110163183B (zh) | 目标检测算法的评估方法、装置、计算机设备和存储介质 | |
CN112287905A (zh) | 车辆损伤识别方法、装置、设备及存储介质 | |
CN114255493A (zh) | 图像检测方法、人脸检测方法及装置、设备及存储介质 | |
CN113569771B (zh) | 视频分析方法及装置、电子设备和存储介质 | |
CN112380938B (zh) | 一种人脸识别及测温方法、装置、设备及介质 | |
CN113762027B (zh) | 一种异常行为的识别方法、装置、设备及存储介质 | |
CN111898529B (zh) | 脸部检测方法、装置、电子设备和计算机可读介质 | |
CN115147756A (zh) | 一种视频流处理方法、装置、电子设备及存储介质 | |
CN114694209A (zh) | 视频处理方法、装置、电子设备及计算机存储介质 | |
CN115004245A (zh) | 目标检测方法、装置、电子设备和计算机存储介质 | |
CN115019055A (zh) | 一种图像匹配方法、装置、智能设备及存储介质 | |
CN114463242A (zh) | 图像检测方法、设备、存储介质及装置 | |
CN112037262A (zh) | 一种目标跟踪方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |