CN115409985A - 目标对象检测方法、装置、电子设备及可读存储介质 - Google Patents

目标对象检测方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN115409985A
CN115409985A CN202211028802.4A CN202211028802A CN115409985A CN 115409985 A CN115409985 A CN 115409985A CN 202211028802 A CN202211028802 A CN 202211028802A CN 115409985 A CN115409985 A CN 115409985A
Authority
CN
China
Prior art keywords
detection frame
detection
target
target object
overlapping
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211028802.4A
Other languages
English (en)
Inventor
康瀚隆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingdong Qianshi Technology Co Ltd
Original Assignee
Beijing Jingdong Qianshi Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Qianshi Technology Co Ltd filed Critical Beijing Jingdong Qianshi Technology Co Ltd
Priority to CN202211028802.4A priority Critical patent/CN115409985A/zh
Publication of CN115409985A publication Critical patent/CN115409985A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

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

Abstract

本公开提供了一种目标对象检测方法，可以应用于人工智能领域、车联网领域和智能城市领域，该方法包括：根据N个目标对象在被检测图像中各自的分布位置，确定预测重叠分布区域，其中，N为正整数；利用预测重叠分布区域从第一检测框集合中筛选出与预测重叠分布区域对应的第二检测框，其中，第一检测框集合为针对被检测图像进行目标对象检测后得到的检测框；利用预设区域算法处理第二检测框和目标对象的分布位置，以便于在被检测图像中确定对象重叠图像区域；以及利用第一检测框筛选算法处理对象重叠图像区域中的第一检测框，得到针对被检测图像的目标对象第一检测结果。本公开还提供了一种目标对象检测装置、设备、存储介质及程序产品。

Description

目标对象检测方法、装置、电子设备及可读存储介质
技术领域
本公开涉及人工智能领域、车联网领域和智能城市领域，具体地，涉及一种目标对象检测方法、装置、电子设备、可读存储介质及程序产品。
背景技术
随着人工智能技术的快速发展，基于人工智能技术的目标对象检测方法在自动辅助驾驶等应用场景中被广泛地应用。例如在自动辅助驾驶应用场景中，可以利用基于人工智能技术构建的图像检测模型来处理采集到的图像信息，实现快速地检测出图像信息中的交通标识牌、信号灯等目标对象，以便于相关自动辅助驾驶装置根据检测到的目标对象执行相关辅助驾驶功能。
在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题：针对图像中目标对象的检测结果准确率较低，尤其在采集到的图像信息中包含的内容较为复杂的情况下，难以目标对象的检测准确率难以满足实际需求。
发明内容
有鉴于此，本公开提供了一种目标对象检测方法、装置、电子设备、可读存储介质及程序产品。
本公开的一个方面提供了一种目标对象检测方法，包括：
根据N个目标对象在被检测图像中各自的分布位置，确定预测重叠分布区域，其中，N为正整数；
利用上述预测重叠分布区域从第一检测框集合中筛选出与上述预测重叠分布区域对应的第二检测框，其中，上述第一检测框集合为针对上述被检测图像进行目标对象检测后得到的检测框；
利用预设区域算法处理上述第二检测框和上述目标对象的分布位置，以便于在上述被检测图像中确定对象重叠图像区域；以及
利用第一检测框筛选算法处理上述对象重叠图像区域中的第一检测框，得到针对上述被检测图像的目标对象第一检测结果。
根据本公开的实施例，根据N个目标对象在被检测图像中各自的分布位置，确定预测重叠分布区域包括：
根据N个上述目标对象在上述被检测图像中各自的分布位置，按照预设位置筛选规则从N个上述目标对象中筛选出M个第一目标对象；
根据上述第一目标对象各自的第一分布位置，对M个上述第一目标对象进行聚类分析，得到上述预测重叠分布区域。
根据本公开的实施例，利用上述预测重叠分布区域从第一检测框集合中筛选出与上述预测重叠分布区域对应的第二检测框包括：
按照预设边界距离对上述预测重叠分布区域进行区域扩展，得到检测框筛选区域；以及
根据上述第一检测框集合中的第一检测框各自的第一检测框位置，从上述第一检测框集合中筛选出上述位于上述检测框筛选区域中的第一检测框，得到与上述预测重叠分布区域对应的第二检测框。
根据本公开的实施例，上述预测重叠分布区域中包括第二目标对象，上述第二目标对象为M个上述第一目标对象中具有相同的聚类属性的目标对象；
利用预设区域算法处理上述第二检测框和上述目标对象的分布位置，以便于在上述被检测图像中确定对象重叠图像区域包括：
利用上述预设区域算法处理上述第二检测框和与上述第二检测框对应的第二目标对象的第二分布位置，得到与上述预测重叠分布区域对应的对象重叠图像区域。
根据本公开的实施例，上述对象重叠图像区域中的第一检测框包括多个；
在利用第一检测框筛选算法处理上述对象重叠图像区域中的第一检测框之前，上述目标对象检测方法还包括：
根据多个上述第一检测框各自的检测框类别，对多个上述第一检测框进行分类，得到一个或多个检测框集合，其中，同一个上述检测框集合中的上述第一检测框具有相同的检测框类别；
针对同一个上述检测框集合，采用如下方式对上述检测框集合中的目标检测框的检测框分值进行更新，其中，上述目标检测框的检测框分值大于上述检测框集合中的其他检测框的检测框分值，上述检测框分值用于表征上述检测框的检测框位置和检测框类别的综合检测结果，上述方式包括：
计算上述目标检测框与上述检测框集合中的其他检测框各自的检测框交并比；
针对每个上述检测框交并比，在上述检测框交并比大于预设属性阈值的情况下，利用位置参数迭代优化上述目标检测框当前的检测框分值，得到上述目标检测框迭代后的目标检测框分值；
根据上述目标检测框迭代后的目标检测框分值，更新上述对象重叠图像区域中，与上述目标检测框对应的第一检测框的第一检测框分值，得到与上述目标检测框对应的第一检测框的目标第一检测框分值。
根据本公开的实施例，利用位置参数迭代优化上述目标检测框当前的检测框分值包括：
迭代地计算上述位置参数与上述目标检测框当前的检测框分值之和；
其中，上述位置参数包括：上述检测框集合中检测框的数量和预设位置参数的乘积与上述预设位置参数中的最小值。
根据本公开的实施例，上述目标对象检测方法还包括：
利用上述对象重叠图像区域，在上述被检测图像中筛选出对象非重叠区域；以及
利用第二检测框筛选算法处理上述对象非重叠图像区域中的第一检测框，得到针对上述被检测图像的目标对象第二检测结果。
根据本公开的实施例，上述目标对象检测方法还包括：
根据上述目标对象第一检测结果和上述目标对象第二检测结果，确定针对上述被检测图像的目标对象检测结果。
根据本公开的实施例，上述第一检测框筛选算法包括非极大值抑制算法；和/或
上述第二检测框筛选算法包括平滑-非极大值抑制算法。
根据本公开的实施例，上述预设区域算法包括以下至少一项：
三角剖分算法、最小区域框算法。
根据本公开的实施例，上述被检测图像由图像采集装置采集得到，N个上述目标对象预先布置在与上述被检测图像对应的图像采集空间中；
上述目标对象检测方法还包括：
按照上述图像采集装置的图像采集位置与N个上述目标对象各自的预设位置之间的位置标定关系，对N个上述目标对象各自的预设位置进行位置转换，得到N个上述目标对象在被检测图像中各自的分布位置。
本公开的另一个方面提供了一种目标对象检测装置，包括：
第一确定模块，用于根据N个目标对象在被检测图像中各自的分布位置，确定预测重叠分布区域，其中，N为正整数；
第一筛选模块，用于利用上述预测重叠分布区域从第一检测框集合中筛选出与上述预测重叠分布区域对应的第二检测框，其中，上述第一检测框集合为针对上述被检测图像进行目标对象检测后得到的检测框；
第二确定模块，用于利用预设区域算法处理上述第二检测框和上述目标对象的分布位置，以便于在上述被检测图像中确定对象重叠图像区域；以及
第一检测模块，用于利用第一检测框筛选算法处理上述对象重叠图像区域中的第一检测框，得到针对上述被检测图像的目标对象第一检测结果。
本公开的另一个方面提供了一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上所述的目标对象检测方法。
本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的目标对象检测方法。
本公开的另一方面提供了一种计算机程序产品，所述计算机程序产品包括计算机可执行指令，所述指令在被执行时用于实现如上所述的目标对象检测方法。
根据本公开的实施例，通过N个目标对象在被检测图像中各自的分布位置，可以初步预测出被检测图像中可能存在重叠分布的预测重叠分布区域，然后利用该预测重叠分布区域，从未被过滤的第一检测框集合中筛选出与该预测重叠分布区域对应的第二检测框，再利用预设区域算法处理第二检测框和目标对象的分布位置，可以有效地从被检测图像中确定存在有目标对象重叠场景的对象重叠图像区域，进而利用第一检测框筛选算法处理对象重叠图像区域中的第一检测框，可以至少部分解决相关技术中难以区别地过滤存在目标对象重叠场景区域中的第一检测框的技术问题，可以提升第一检测框筛选算法针对象重叠图像区域中的第一检测框筛选的准确性，进而使得到的目标对象第一检测结果可以实现提升目标对象检测准确性的技术效果。
附图说明
通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：
图1示意性示出了根据本公开实施例的可以应用目标对象检测方法、装置的示例性系统架构；
图2示意性示出了根据本公开实施例的目标对象检测方法的流程图；
图3示意性示出了根据本公开实施例的根据N个目标对象在被检测图像中各自的分布位置，确定预测重叠分布区域的流程图；
图4示意性示出了根据本公开实施例的利用预测重叠分布区域从第一检测框集合中筛选出与预测重叠分布区域对应的第二检测框的流程图；
图5示意性示出了根据本公开实施例的目标对象检测方法的应用场景图；
图6示意性示出了根据本公开的实施例的目标对象检测装置的框图；以及
图7示意性示出了根据本公开实施例的适于实现目标对象检测方法的电子设备的框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在目标对象检测的相关技术中，通常可以针对目标对象识别模型对被检测图像进行目标对象检测，并生成的初始检测结果生成用于表征目标对象的初始检测框。该初始检测框可以初步预测目标对象的分类和分布位置，但是初始检测框通常会包含有较多的冗余的检测框。而在实际应用场景中，并不期望对于单一目标检测出过多的检测框，所以在实际应用中普遍会使用NMS算法，即非极大值抑制(Non-Maximum Suppression，NMS)算法，过滤掉其他的冗余检测框。
但是NMS算法由于其直接过滤的特性，不但过滤结果依赖IOU(Intersection overUnion，交并比)阈值的设定，还会在存在目标对象相互重叠的场景中，产生误过滤掉其他目标对象的问题，影响最终的目标对象检测结果。
为了解决NMS算法直接过滤的特性，相关技术中提出了SOFT-NMS算法(SOFT-Non-Maximum Suppression，平滑-非极大值抑制算法)，SOFT-NMS算法本质核心是在NMS算法基础上对于待过滤的检测框，不使用检测框分值直接过滤(即不使用SCORE清零)，而是采用SCORE(检测框分值)衰减的方式，以平滑检测框过滤问题，一定程度上解决了目标对象重叠场景的异常过滤问题。但是该SOFT-NMS算法却延伸出新的问题，诸如对于单一目标，欠过滤等问题，并且SOFT-NMS算法由于采用SCORE作为判定，相比于NMS算法则更依赖初步检测结果中初始检测框的检测框分值，但是在目标对象检测任务中，目标对象的检测框分值普遍为检测位置与检测框分类的整体分值，难以有效区分检测框的分类结果和检测位置结果，所以如何在使用SOFT-NMS算法时更好应用检测框分值指标，是该SOFT-NMS算法如何更有效应用的问题所在。
基于上述技术问题，本公开的实施例提供了一种目标对象检测方法、装置、电子设备及可读存储介质。该目标对象检测方法包括：
根据N个目标对象在被检测图像中各自的分布位置，确定预测重叠分布区域，其中，N为正整数；利用预测重叠分布区域从第一检测框集合中筛选出与预测重叠分布区域对应的第二检测框，其中，第一检测框集合为针对被检测图像进行目标对象检测后得到的检测框；利用预设区域算法处理第二检测框和目标对象的分布位置，以便于在被检测图像中确定对象重叠图像区域；以及利用第一检测框筛选算法处理对象重叠图像区域中的第一检测框，得到针对被检测图像的目标对象第一检测结果。
根据本公开的实施例，通过N个目标对象在被检测图像中各自的分布位置，可以初步预测出被检测图像中可能存在重叠分布的预测重叠分布区域，然后利用该预测重叠分布区域，从未被过滤的第一检测框集合中筛选出与该预测重叠分布区域对应的第二检测框，再利用预设区域算法处理第二检测框和目标对象的分布位置，可以有效地从被检测图像中确定存在有目标对象重叠场景的对象重叠图像区域，进而利用第一检测框筛选算法处理对象重叠图像区域中的第一检测框，可以至少部分解决相关技术中难以区别地过滤存在目标对象重叠场景区域中的第一检测框的技术问题，可以提升第一检测框筛选算法针对象重叠图像区域中的第一检测框筛选的准确性，进而使得到的目标对象第一检测结果可以实现提升目标对象检测准确性的技术效果。
需要说明的是，本公开的实施例提供的目标对象检测方法可以应用于自助辅助驾驶、城市智慧交通等多个应用场景中，相应的，本公开实施例提供的目标对象检测方法可以应用于车辆网领域中，但不仅限于此，本公开的实施例提供的目标对象检测方法还可以应用于其他领域，例如可以应用于智能安防、智能城市交通等领域，本公开的实施例对目标对象检测方法的应用领域不做限定。
在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。
在本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
图1示意性示出了根据本公开实施例的可以应用目标对象检测方法、装置的示例性系统架构。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103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105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站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用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是，本公开实施例所提供的目标对象检测方法一般可以由服务器105执行。相应地，本公开实施例所提供的目标对象检测装置一般可以设置于服务器105中。本公开实施例所提供的目标对象检测方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的目标对象检测装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。或者，本公开实施例所提供的目标对象检测方法也可以由终端设备101、102、或103执行，或者也可以由不同于终端设备101、102、或103的其他终端设备执行。相应地，本公开实施例所提供的目标对象检测装置也可以设置于终端设备101、102、或103中，或设置于不同于终端设备101、102、或103的其他终端设备中。
例如，被检测图像和目标对象各自的分布位置可以原本存储在终端设备101、102、或103中的任意一个(例如，终端设备101，但不限于此)之中，或者存储在外部存储设备上并可以导入到终端设备101中。然后，终端设备101可以在本地执行本公开实施例所提供的目标对象检测方法，或者将被检测图像和目标对象各自的分布位置发送到其他终端设备、服务器、或服务器集群，并由接收该被检测图像和目标对象各自的分布位置的其他终端设备、服务器、或服务器集群来执行本公开实施例所提供的目标对象检测方法。
应该理解，图1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。
图2示意性示出了根据本公开实施例的目标对象检测方法的流程图。
如图2所示，该目标对象检测方法200包括操作S210～S240。
在操作S210，根据N个目标对象在被检测图像中各自的分布位置，确定预测重叠分布区域，其中，N为正整数。
根据本公开的实施例，目标对象在被检测图像中的分布位置可以包括目标对象在被检测图像中的坐标位置，该坐标位置可以通过预先设定的方式来获取，或者还可以是基于相关预测算法来计算得到，本公开的实施例对获取目标对象的分布位置的方法不做限定。
根据本公开的实施例，预测重叠分布区域可以包括被检测图像中的目标对象在相对于近景位置和远景位置存在目标对象重叠的区域。
在操作S220，利用预测重叠分布区域从第一检测框集合中筛选出与预测重叠分布区域对应的第二检测框，其中，第一检测框集合为针对被检测图像进行目标对象检测后得到的检测框。
根据本公开的实施例，针对被检测图像进行目标对象检测的方法可以包括基于神经网络构建的网络模型对被检测图像进行处理的方法，例如可以基于RPN(RegionProposal Network，区域生成网络)网络构建的目标检测模型处理被检测图像，得到第一检测框集合。
需要说明的是，第一检测框集合中的第一检测框是未经过筛选或过滤处理的初始检测框。第二检测框可以包括与预测重叠分布区域至少部分区域重合的第一检测框，在预测重叠分布区域中的在目标对象重叠的可能性较高，因此第二检测框会进一步反映该被检测图像中目标对象重叠的情况。
在操作S230，利用预设区域算法处理第二检测框和目标对象的分布位置，以便于在被检测图像中确定对象重叠图像区域。
根据本公开的实施例，预设区域算法可以包括针对位置信息生成区域信息的算法，例如三角剖分算法等。本公开的实施例对预测区域算法不做限定，本领域技术人员可以根据实际需求进行选择。
在操作S240，利用第一检测框筛选算法处理对象重叠图像区域中的第一检测框，得到针对被检测图像的目标对象第一检测结果。
根据本公开的实施例，第一检测框筛选算法可以包括相关技术中的检测框过滤算法，第一检测框筛选算法可以针对对象重叠图像区域中的第一检测框进行过滤，过滤后得到的检测框可以具有检测框分类结果和检测框位置，从而实现利用目标对象第一检测结果，表征被检测图像中的目标对象的位置和分类。
根据本公开的实施例，通过N个目标对象在被检测图像中各自的分布位置，可以初步预测出被检测图像中可能存在重叠分布的预测重叠分布区域，然后利用该预测重叠分布区域，从未被过滤的第一检测框集合中筛选出与该预测重叠分布区域对应的第二检测框，再利用预设区域算法处理第二检测框和目标对象的分布位置，可以有效地从被检测图像中确定存在有目标对象重叠场景的对象重叠图像区域，进而利用第一检测框筛选算法处理对象重叠图像区域中的第一检测框，可以至少部分解决相关技术中难以区别地过滤存在目标对象重叠场景区域中的第一检测框的技术问题，可以提升第一检测框筛选算法针对象重叠图像区域中的第一检测框筛选的准确性，进而使得到的目标对象第一检测结果可以实现提升目标对象检测准确性的技术效果。
根据本公开的实施例，被检测图像由图像采集装置采集得到，N个目标对象预先布置在与被检测图像对应的图像采集空间中。
目标对象检测方法还可以包括如下操作：
按照图像采集装置的图像采集位置与N个目标对象各自的预设位置之间的位置标定关系，对N个目标对象各自的预设位置进行位置转换，得到N个目标对象在被检测图像中各自的分布位置。
根据本公开的实施例，预先布置在与被检测图像对应的图像采集空间中的目标对象，例如可以是设置在图像采集空间中的交通标识牌、广告牌、人行横道线等等。目标对象的预设位置可以包括目标对象在空间中的坐标位置，预设位置与图像采集位置之间的标定关系可以通过相关技术中的坐标转换矩阵来表征。通过对预设位置进行位置转换，可以将目标对象映射至被检测图像中的图像坐标系中，从而得到目标对象在备件图像中的分布位置。
图3示意性示出了根据本公开实施例的根据N个目标对象在被检测图像中各自的分布位置，确定预测重叠分布区域的流程图。
如图3所示，操作S210，根据N个目标对象在被检测图像中各自的分布位置，确定预测重叠分布区域包括操作S310～操作S320。
在操作S310，根据N个目标对象在被检测图像中各自的分布位置，按照预设位置筛选规则从N个目标对象中筛选出M个第一目标对象。
在操作S320，根据第一目标对象各自的第一分布位置，对M个第一目标对象进行聚类分析，得到预测重叠分布区域。
根据本公开的实施例，可以目标对象在被检测图像中的分布位置可以通过目标对象坐标点的位置来表征，或者还可以通过目标对象在被检测图像中的目标对象检测框来表征。
根据本公开的实施例，根据预设位置筛选规则筛选出的M个第一目标对象，可以表征被检测图像中存在坐标重叠关系的目标对象，例如具有不同的深度信息，且图像平面坐标位置距离较近的第一目标对象。
可以通过公式(1)来表示从N个目标对象中筛选出M个第一目标对象的计算过程。
Figure BDA0003814783310000131
公式(1)中，Pi和Pj表示目标对象，iou()表示两个不同的目标对象的检测框交并比，Distance()表示两个不同的目标对象之间的欧式距离，depth()表示目标对象在被检测图像中的深度信息，μIOU表示预设的第一交并比阈值，μDistance表示预设的距离阈值。
根据公式(1)可以分别对检测框表示的分布位置和目标对象坐标点表示的分布位置分别进行筛选，通过公式(1)遍历N个目标对象中的每个目标对象，可以实现筛选出M个第一目标对象。
应该理解的是，检测框交并比IOU可以是不同的两个检测框交集区域与并集区域的比值。
根据本公开的实施例，可以通过相关技术中的聚类算法处理M个第一目标对象，从而得到一个或多个聚类簇，同一个聚类簇中的第一目标对象可以构成一个聚类子集。该聚类子集在被检测图像中可以形成相应的预测重叠分布区域。
在本公开的一些实施例中，预测重叠分布区域可以包括聚类簇实际分布在被检测图像中的区域，或者还可以包括聚类簇中心位置的第一目标对象为圆心，根据预设半径形成的圆形区域。或者还可以是以聚类簇中心位置为圆心，根据预设半径形成的圆形区域。
需要说明的是，可以使用相关技术中任意的聚类算法进行聚类分析，例如k-means算法、DBSCAN算法等，本公开的实施例对聚类分析的具体算法类型不做限定，本领域技术人员可以根据实际需求进行设计。
图4示意性示出了根据本公开实施例的利用预测重叠分布区域从第一检测框集合中筛选出与预测重叠分布区域对应的第二检测框的流程图。
如图4所示，操作S220，利用预测重叠分布区域从第一检测框集合中筛选出与预测重叠分布区域对应的第二检测框可以包括操作S410～操作S420。
在操作S410，按照预设边界距离对预测重叠分布区域进行区域扩展，得到检测框筛选区域。
在操作S420，根据第一检测框集合中的第一检测框各自的第一检测框位置，从第一检测框集合中筛选出位于检测框筛选区域中的第一检测框，得到与预测重叠分布区域对应的第二检测框。
根据本公开的实施例，预设边界距离可以根据实际需求进行设计，通过按照预设边界距离对预测重叠分布区域进行区域扩展，可以适应性地扩大可能存在重叠的第一检测框的筛选范围。通过预测重叠分布区域在被检测图像中的区域空间，以及第一检测框在被检测图像中的检测框位置，可以有效地筛选出第二检测框。
在本公开的一个实施例中，检测框位置可以通过该检测框中心点在被检测图像中的坐标位置来表示。
根据本公开的实施例，预测重叠分布区域中包括第二目标对象，第二目标对象为M个第一目标对象中具有相同的聚类属性的目标对象。
操作S230，利用预设区域算法处理第二检测框和目标对象的分布位置，以便于在被检测图像中确定对象重叠图像区域可以包括如下操作：
利用预设区域算法处理第二检测框和与第二检测框对应的第二目标对象的第二分布位置，得到与预测重叠分布区域对应的对象重叠图像区域。
根据本公开的实施例，预设区域算法包括以下至少一项：
三角剖分算法、最小区域框算法。
根据本公开的实施例，最小区域框算法可以基于函数minAreaRect()形成，在预设区域算法为最小区域框算法的情况下，可以基于公式(2)来确定对象重叠图像区域。
ROverlap＝minAreaRect(Distribute(0)d+τ+{Bi}) (2)
公式(1)中，Disribute(O)d表示该预测重叠分布区域中的第二目标对象的第二分布位置，τ表示预设边界距离，{Bi}表示与该预测重叠分布区域对应的第二检测框，Roverlap表示对象重叠图像区域。
根据本公开的实施例，三角剖分算法可以包括相关技术中的Delaunay三角剖分算法等。
根据本公开的实施例，通过确定对象重叠图像区域，可以便捷地在被检测图像中确定存在目标对象重叠的场景区域，从而为后续针对该对象重叠图像区域进一步进行第一检测框筛选奠定了基础。
根据本公开的实施例，对象重叠图像区域中的第一检测框包括多个。
在操作S240，利用第一检测框筛选算法处理对象重叠图像区域中的第一检测框之前，目标对象检测方法还包括如下操作：
根据多个第一检测框各自的检测框类别，对多个第一检测框进行分类，得到一个或多个检测框集合，其中，同一个检测框集合中的第一检测框具有相同的检测框类别；以及针对同一个检测框集合，采用如下方式对检测框集合中的目标检测框的检测框分值进行更新，其中，目标检测框的检测框分值大于检测框集合中的其他检测框的检测框分值，检测框分值用于表征检测框的检测框位置和检测框类别的综合检测结果。
该方式包括如下操作：
计算目标检测框与检测框集合中的其他检测框各自的检测框交并比；针对每个检测框交并比，在检测框交并比大于预设属性阈值的情况下，利用位置参数迭代优化目标检测框当前的检测框分值，得到目标检测框迭代后的目标检测框分值；以及根据目标检测框迭代后的目标检测框分值，更新对象重叠图像区域中，与目标检测框对应的第一检测框的第一检测框分值，得到与目标检测框对应的第一检测框的目标第一检测框分值。
应该理解的是，第一检测框可以具有检测框类别、检测框分值等检测框属性信息，检测框类别可以用于表征预测该检测框中的目标对象的分类结果，检测框分值可以用于表征该检测框的类别与检测框位置的综合评分结果。
根据本公开的实施例，在相关技术中对于具有目标重叠的场景区域的检测框筛选算法通常依赖于检测框的整体评分，即依赖于该检测框的类别与检测框位置的综合评分结果对检测框进行筛选，由此导致相关检测算法不能准确地描述检测框的检测框位置。
通过对同一检测框类别的目标检测框进行检测框分值更新，可以使更新后的目标检测框分值至少部分加强该目标检测框的检测框位置分值，从而可以有效地提升对象重叠图像区域中检测框的检测框位置的准确性，进而实现提升后续针对象重叠图像区域中目标对象第一检测结果的准确性。
根据本公开的实施例，利用位置参数迭代优化目标检测框当前的检测框分值可以包括如下操作：
迭代地计算位置参数与目标检测框当前的检测框分值之和；
其中，位置参数包括：检测框集合中检测框的数量和预设位置参数的乘积与预设位置参数中的最小值。
根据本公开的实施例，可以通过公式(3)来实现对同一个检测框集合中的目标检测框的检测框分值进行更新。
Figure BDA0003814783310000161
公式(3)中，SCOREi表示检测框集合中目标检测框的检测框分值，iou()表示同一检测框集合中目标检测框与其他的任意一个检测框的交并比，num(L)×δ表示检测框集合中检测框的数量和预设位置参数的乘积，δ表示预设位置参数，L表示该检测框集合中检测框的数量，
Figure BDA0003814783310000162
表示预设属性阈值。
在检测框框集合中，可以利用公式(3)将目标检测框与该检测框集合中其他的检测框进行遍历，以在目标检测框与该检测框集合中其他的检测框的交并比大于预设属性阈值的情况下，即对目标检测框当前的检测框分值进行一次更新，从而在遍历完成本检测框集合中所有的L个检测框后，可以实现对该目标检测框的检测框分值进行更新，从而得到迭代后的目标检测框分值。
将根据目标检测框和被检测图像中第一检测框的关联关系，可以利用迭代后的目标检测框分值，更新与该目标检测框对应的第一检测框的检测框分值，进而使得到目标第一检测框分值可以至少部分加强该第一检测框的检测框位置分值，从而可以有效地提升对象重叠图像区域中检测框的检测框位置的准确性，进而实现提升后续针对象重叠图像区域中目标对象第一检测结果的准确性。
根据本公开的实施例，目标对象检测方法还可以包括如下操作：
利用对象重叠图像区域，在被检测图像中筛选出对象非重叠区域；以及利用第二检测框筛选算法处理对象非重叠图像区域中的第一检测框，得到针对被检测图像的目标对象第二检测结果。
根据本公开的实施例，在确定对象重叠图像区域后，还可以将被检测图像中除了对象重叠图像区域之外的其他图像区域作为对象非重叠区域，从而可以实现利用不同的检测框筛选算法来处理相应的图像区域中的第一检测框，以提升检测框筛选算法对于被检测图像中不同属性的场景区域的适应性，进而提升针对目标对象第二检测结果的准确性。
根据本公开的实施例其中，第一检测框筛选算法包括非极大值抑制算法；和/或第二检测框筛选算法包括平滑-非极大值抑制算法。
根据本公开的实施例，非极大值抑制算法可以包括相关技术中的非极大值抑制(Non-Maximum Suppression，NMS)算法。平滑-非极大值抑制算法可以包括SOFT-Non-Maximum Suppression(也称SOFT-NMS算法)。
根据本公开的实施例，通过在被检测图像中确定对象重叠图像区域和对象非重叠区域，并分别采用NMS算法和SOFT-NMS算法处理对象重叠图像区域和对象非重叠区域，可以至少部分解决在多目标对象重叠的图像场景区域中，NMS算法对于检测框筛选的误筛选问题，还可以至少部分解决在在单目标对象的图像场景区域中，SOFT-NMS算法对于检测框筛选的欠筛选问题(即欠过滤问题)，进而实现提升针对第一检测框的筛选准确性，实现提升目标对象检测准确性的技术效果。
根据本公开的实施例，目标对象检测方法还可以包括如下操作：
根据目标对象第一检测结果和目标对象第二检测结果，确定针对被检测图像的目标对象检测结果。
根据本公开的实施例，可以采用下述公式(4)至公式(7)来确定被检测图像的目标对象检测结果。
Figure BDA0003814783310000181
FRsoft-nms＝SOFTNMS({Bi|Biin Roverlap})； (5)
FRnms＝NMS({Bi|Biin Rnormal})； (6)
Result＝FRsoft-nmsUFRnms； (7)
公式(4)至公式(7)中，表示SCOREi表示对象重叠图像区域中的第一检测框的检测框分值，Bi和Bj表示不同的第一检测框，Roverlap表示被检测图像中的对象重叠区域，Rnormal表示被检测图像中的对象非重叠区域，FRsoft-nms表示目标对象第一检测结果的第一检测结果集合，FRnms表示目标对象第二检测结果的第二检测结果集合，Result表示被检测图像的目标对象检测结果。
根据本公开的实施例，第一检测结果集合和/或第二检测结果集合可以是针对第一检测框进行过滤筛选后得到的针对被检测图像中的目标对象的检测框，筛选过滤后的检测框可以具有针对目标对象的类别预测结果和检测框的位置。
需要说明的是，在第一检测框与上述的目标检测框相对应的情况下，SCOREi可以是基于上述实施例中的方法对第一检测框的检测框分值进行更新后得到的目标第一检测框分值。
应该理解的是，公式(4)可以用于表示相关技术中的SOFT-NMS算法的具体计算过程。
图5示意性示出了根据本公开实施例的目标对象检测方法的应用场景图。
如图5所示，该应用场景中包括被检测图像500，该被检测图像500可以由安装在车辆C510上的摄像装置采集得到。
将被检测图像500中的摄像装置511作为预先布置在图像采集空间中的目标对象。同时，在多个标志桶512按照各自的预设位置布置在道路上时，也可以将多个标志桶作为其他的目标对象。
根据上述实施例提供的目标对象检测方法，可以在被检测图像500中确定对象重叠图像区域520，并相应地将被检测图像500中除了对象重叠图像区域520之外的其他图像区域确定为对象非重叠图像区域。
然后可以利用SOFT-NMS算法处理对象重叠图像区域520中的第一检测框，并相应地利用NMS算法处理被检测图像500中对象非重叠图像区域的第一检测框。然后基于各自得到的目标对象第一检测结果和目标对象第二检测结果来确定针对被检测图像500的目标对象检测结果，例如可以得到针对被检测图像500中的车辆、树木、标志桶、行人等目标对象的检测框。
图6示意性示出了根据本公开的实施例的目标对象检测装置的框图。
如图6所示，目标对象检测装置600包括第一确定模块610、第一筛选模块620、第二确定模块630和第一检测模块640。
第一确定模块610用于根据N个目标对象在被检测图像中各自的分布位置，确定预测重叠分布区域，其中，N为正整数。
第一筛选模块620用于利用预测重叠分布区域从第一检测框集合中筛选出与预测重叠分布区域对应的第二检测框，其中，第一检测框集合为针对被检测图像进行目标对象检测后得到的检测框。
第二确定模块630用于利用预设区域算法处理第二检测框和目标对象的分布位置，以便于在被检测图像中确定对象重叠图像区域。
第一检测模块640用于利用第一检测框筛选算法处理对象重叠图像区域中的第一检测框，得到针对被检测图像的目标对象第一检测结果。
根据本公开的实施例，第一确定模块包括：第一筛选单元和第一聚类单元。
第一筛选单元用于根据N个目标对象在被检测图像中各自的分布位置，按照预设位置筛选规则从N个目标对象中筛选出M个第一目标对象。
第一聚类单元用于根据第一目标对象各自的第一分布位置，对M个第一目标对象进行聚类分析，得到预测重叠分布区域。
根据本公开的实施例，第一筛选模块包括：区域扩展单元和第二筛选单元。
区域扩展单元用于按照预设边界距离对预测重叠分布区域进行区域扩展，得到检测框筛选区域。
第二筛选单元用于根据第一检测框集合中的第一检测框各自的第一检测框位置，从第一检测框集合中筛选出位于检测框筛选区域中的第一检测框，得到与预测重叠分布区域对应的第二检测框。
根据本公开的实施例，预测重叠分布区域中包括第二目标对象，第二目标对象为M个第一目标对象中具有相同的聚类属性的目标对象。
第二确定模块包括：区域算法处理单元。
区域算法处理单元用于利用预设区域算法处理第二检测框和与第二检测框对应的第二目标对象的第二分布位置，得到与预测重叠分布区域对应的对象重叠图像区域。
根据本公开的实施例，对象重叠图像区域中的第一检测框包括多个。
在利用第一检测框筛选算法处理对象重叠图像区域中的第一检测框之前，目标对象检测装置还可以包括：第一分类模块和检测框分值更新模块。
第一分类模块用于根据多个第一检测框各自的检测框类别，对多个第一检测框进行分类，得到一个或多个检测框集合，其中，同一个检测框集合中的第一检测框具有相同的检测框类别。
检测框分值更新模块用于针对同一个检测框集合，采用如下方式对检测框集合中的目标检测框的检测框分值进行更新，其中，目标检测框的检测框分值大于检测框集合中的其他检测框的检测框分值，检测框分值用于表征检测框的检测框位置和检测框类别的综合检测结果，方式包括：
计算目标检测框与检测框集合中的其他检测框各自的检测框交并比；
针对每个检测框交并比，在检测框交并比大于预设属性阈值的情况下，利用位置参数迭代优化目标检测框当前的检测框分值，得到目标检测框迭代后的目标检测框分值；
根据目标检测框迭代后的目标检测框分值，更新对象重叠图像区域中，与目标检测框对应的第一检测框的第一检测框分值，得到与目标检测框对应的第一检测框的目标第一检测框分值。
根据本公开的实施例，利用位置参数迭代优化目标检测框当前的检测框分值包括：
迭代地计算位置参数与目标检测框当前的检测框分值之和；
其中，位置参数包括：检测框集合中检测框的数量和预设位置参数的乘积与预设位置参数中的最小值。
根据本公开的实施例，上述目标对象检测装置还包括：第二筛选模块和第二检测模块。
第二筛选模块用于利用对象重叠图像区域，在被检测图像中筛选出对象非重叠区域。
第二检测模块用于利用第二检测框筛选算法处理对象非重叠图像区域中的第一检测框，得到针对被检测图像的目标对象第二检测结果。
根据本公开的实施例，目标对象检测装置还包括：目标对象检测结果确定模块。
目标对象检测结果确定模块用于根据目标对象第一检测结果和目标对象第二检测结果，确定针对被检测图像的目标对象检测结果。
根据本公开的实施例，第一检测框筛选算法包括非极大值抑制算法；和/或第二检测框筛选算法包括平滑-非极大值抑制算法。
根据本公开的实施例，预设区域算法包括以下至少一项：
三角剖分算法、最小区域框算法。
根据本公开的实施例，被检测图像由图像采集装置采集得到，N个目标对象预先布置在与被检测图像对应的图像采集空间中。
目标对象检测装置还包括：位置转换模块。
位置转换模块用于按照图像采集装置的图像采集位置与N个目标对象各自的预设位置之间的位置标定关系，对N个目标对象各自的预设位置进行位置转换，得到N个目标对象在被检测图像中各自的分布位置。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
例如，第一确定模块610、第一筛选模块620、第二确定模块630和第一检测模块640中的任意多个可以合并在一个模块/单元中实现，或者其中的任意一个模块/单元可以被拆分成多个模块/单元/子单元。或者，这些模块/单元中的一个或多个模块/单元的至少部分功能可以与其他模块/单元的至少部分功能相结合，并在一个模块/单元中实现。根据本公开的实施例，第一确定模块610、第一筛选模块620、第二确定模块630和第一检测模块640中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一确定模块610、第一筛选模块620、第二确定模块630和第一检测模块640中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
需要说明的是，本公开的实施例中目标对象检测装置部分与本公开的实施例中目标对象检测方法部分是相对应的，目标对象检测装置部分的描述具体参考目标对象检测方法部分，在此不再赘述。
图7示意性示出了根据本公开实施例的适于实现目标对象检测方法的电子设备的框图。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，根据本公开实施例的电子设备700包括处理器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。处理器701例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 703中，存储有电子设备700操作所需的各种程序和数据。处理器701、ROM702以及RAM 703通过总线704彼此相连。处理器701通过执行ROM 702和/或RAM 703中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM702和RAM 703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例，电子设备700还可以包括输入/输出(I/O)接口705，输入/输出(I/O)接口705也连接至总线704。系统700还可以包括连接至I/O接口705的以下部件中的一项或多项：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。
根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本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存储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。在该计算机程序被处理器701执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开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可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储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执行时，实现根据本公开实施例的方法。
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于：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)、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。在本公开中，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。
例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 702和/或RAM 703和/或ROM 702和RAM 703以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行本公开实施例所提供的方法的程序代码，当计算机程序产品在电子设备上运行时，该程序代码用于使电子设备实现本公开实施例所提供的目标对象检测方法。
在该计算机程序被处理器701执行时，执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分709被下载和安装，和/或从可拆卸介质711被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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。本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (15)

1.一种目标对象检测方法，包括：
根据N个目标对象在被检测图像中各自的分布位置，确定预测重叠分布区域，其中，N为正整数；
利用所述预测重叠分布区域从第一检测框集合中筛选出与所述预测重叠分布区域对应的第二检测框，其中，所述第一检测框集合为针对所述被检测图像进行目标对象检测后得到的检测框；
利用预设区域算法处理所述第二检测框和所述目标对象的分布位置，以便于在所述被检测图像中确定对象重叠图像区域；以及
利用第一检测框筛选算法处理所述对象重叠图像区域中的第一检测框，得到针对所述被检测图像的目标对象第一检测结果。
2.根据权利要求1所述的方法，根据N个目标对象在被检测图像中各自的分布位置，确定预测重叠分布区域包括：
根据N个所述目标对象在所述被检测图像中各自的分布位置，按照预设位置筛选规则从N个所述目标对象中筛选出M个第一目标对象；
根据所述第一目标对象各自的第一分布位置，对M个所述第一目标对象进行聚类分析，得到所述预测重叠分布区域。
3.根据权利要求2所述的方法，其中，利用所述预测重叠分布区域从第一检测框集合中筛选出与所述预测重叠分布区域对应的第二检测框包括：
按照预设边界距离对所述预测重叠分布区域进行区域扩展，得到检测框筛选区域；以及
根据所述第一检测框集合中的第一检测框各自的第一检测框位置，从所述第一检测框集合中筛选出所述位于所述检测框筛选区域中的第一检测框，得到与所述预测重叠分布区域对应的第二检测框。
4.根据权利要求2所述的方法，其中，所述预测重叠分布区域中包括第二目标对象，所述第二目标对象为M个所述第一目标对象中具有相同的聚类属性的目标对象；
利用预设区域算法处理所述第二检测框和所述目标对象的分布位置，以便于在所述被检测图像中确定对象重叠图像区域包括：
利用所述预设区域算法处理所述第二检测框和与所述第二检测框对应的第二目标对象的第二分布位置，得到与所述预测重叠分布区域对应的对象重叠图像区域。
5.根据权利要求1所述的方法，其中，所述对象重叠图像区域中的第一检测框包括多个；
在利用第一检测框筛选算法处理所述对象重叠图像区域中的第一检测框之前，所述目标对象检测方法还包括：
根据多个所述第一检测框各自的检测框类别，对多个所述第一检测框进行分类，得到一个或多个检测框集合，其中，同一个所述检测框集合中的所述第一检测框具有相同的检测框类别；
针对同一个所述检测框集合，采用如下方式对所述检测框集合中的目标检测框的检测框分值进行更新，其中，所述目标检测框的检测框分值大于所述检测框集合中的其他检测框的检测框分值，所述检测框分值用于表征所述检测框的检测框位置和检测框类别的综合检测结果，所述方式包括：
计算所述目标检测框与所述检测框集合中的其他检测框各自的检测框交并比；
针对每个所述检测框交并比，在所述检测框交并比大于预设属性阈值的情况下，利用位置参数迭代优化所述目标检测框当前的检测框分值，得到所述目标检测框迭代后的目标检测框分值；
根据所述目标检测框迭代后的目标检测框分值，更新所述对象重叠图像区域中，与所述目标检测框对应的第一检测框的第一检测框分值，得到与所述目标检测框对应的第一检测框的目标第一检测框分值。
6.根据权利要求5所述的方法，利用位置参数迭代优化所述目标检测框当前的检测框分值包括：
迭代地计算所述位置参数与所述目标检测框当前的检测框分值之和；
其中，所述位置参数包括：所述检测框集合中检测框的数量和预设位置参数的乘积与所述预设位置参数中的最小值。
7.根据权利要求1至6中任一项所述的方法，还包括：
利用所述对象重叠图像区域，在所述被检测图像中筛选出对象非重叠区域；以及
利用第二检测框筛选算法处理所述对象非重叠图像区域中的第一检测框，得到针对所述被检测图像的目标对象第二检测结果。
8.根据权利要求7所述的方法，还包括：
根据所述目标对象第一检测结果和所述目标对象第二检测结果，确定针对所述被检测图像的目标对象检测结果。
9.根据权利要求7所述的方法，其中，
所述第一检测框筛选算法包括非极大值抑制算法；和/或
所述第二检测框筛选算法包括平滑-非极大值抑制算法。
10.根据权利要求1所述的方法，其中，所述预设区域算法包括以下至少一项：
三角剖分算法、最小区域框算法。
11.根据权利要求1所述的方法，其中，所述被检测图像由图像采集装置采集得到，N个所述目标对象预先布置在与所述被检测图像对应的图像采集空间中；
所述目标对象检测方法还包括：
按照所述图像采集装置的图像采集位置与N个所述目标对象各自的预设位置之间的位置标定关系，对N个所述目标对象各自的预设位置进行位置转换，得到N个所述目标对象在被检测图像中各自的分布位置。
12.一种目标对象检测装置，包括：
第一确定模块，用于根据N个目标对象在被检测图像中各自的分布位置，确定预测重叠分布区域，其中，N为正整数；
第一筛选模块，用于利用所述预测重叠分布区域从第一检测框集合中筛选出与所述预测重叠分布区域对应的第二检测框，其中，所述第一检测框集合为针对所述被检测图像进行目标对象检测后得到的检测框；
第二确定模块，用于利用预设区域算法处理所述第二检测框和所述目标对象的分布位置，以便于在所述被检测图像中确定对象重叠图像区域；以及
第一检测模块，用于利用第一检测框筛选算法处理所述对象重叠图像区域中的第一检测框，得到针对所述被检测图像的目标对象第一检测结果。
13.一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至11中任一项所述的方法。
14.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现权利要求1至11中任一项所述的方法。
15.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1至11中任一项所述的方法。
CN202211028802.4A 2022-08-25 2022-08-25 目标对象检测方法、装置、电子设备及可读存储介质 Pending CN115409985A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211028802.4A CN115409985A (zh) 2022-08-25 2022-08-25 目标对象检测方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211028802.4A CN115409985A (zh) 2022-08-25 2022-08-25 目标对象检测方法、装置、电子设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN115409985A true CN115409985A (zh) 2022-11-29

Family

ID=84162542

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211028802.4A Pending CN115409985A (zh) 2022-08-25 2022-08-25 目标对象检测方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN115409985A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563521A (zh) * 2023-04-14 2023-08-08 依未科技(北京)有限公司 目标检测的检测框处理方法及其装置、电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563521A (zh) * 2023-04-14 2023-08-08 依未科技(北京)有限公司 目标检测的检测框处理方法及其装置、电子设备
CN116563521B (zh) * 2023-04-14 2024-04-23 依未科技(北京)有限公司 目标检测的检测框处理方法及其装置、电子设备

Similar Documents

Publication Publication Date Title
US10650236B2 (en) Road detecting method and apparatus
US10731995B2 (en) Generating a road network from location data
US20220215667A1 (en) Method and apparatus for monitoring vehicle, cloud control platform and system for vehicle-road collaboration
US20210302585A1 (en) Smart navigation method and system based on topological map
EP3443482A1 (en) Classifying entities in digital maps using discrete non-trace positioning data
CN112712036A (zh) 交通标志识别方法、装置、电子设备及计算机存储介质
CN115861400B (zh) 目标对象检测方法、训练方法、装置以及电子设备
CN114663871A (zh) 图像识别方法、训练方法、装置、系统及存储介质
CN111291715B (zh) 基于多尺度卷积神经网络的车型识别方法、电子设备及存储介质
CN113033715B (zh) 目标检测模型训练方法和目标车辆检测信息生成方法
CN115409985A (zh) 目标对象检测方法、装置、电子设备及可读存储介质
CN113128773B (zh) 地址预测模型的训练方法、地址预测方法及装置
CN110657813A (zh) 优化地图中规划道路的方法和装置
CN114724113B (zh) 道路标牌识别方法、自动驾驶方法、装置和设备
US20230065341A1 (en) Road data monitoring method and apparatus, electronic device and storage medium
CN115421122A (zh) 目标对象检测方法、装置、电子设备和可读存储介质
CN114998863A (zh) 目标道路识别方法、装置、电子设备以及存储介质
CN116486467A (zh) 眼睛检测框的确定方法、装置、设备及存储介质
CN109657628B (zh) 一种用于确定车辆的可行驶区域的方法与设备
CN114627400A (zh) 一种车道拥堵检测方法、装置、电子设备和存储介质
CN112069899A (zh) 一种路肩检测方法、装置及存储介质
Roch et al. Car pose estimation through wheel detection
CN115115944B (zh) 地图数据查验方法、装置、电子设备和介质
CN116912808B (zh) 架桥机控制方法、电子设备和计算机可读介质
CN113963322B (zh) 一种检测模型训练方法、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