CN115565103A - 一种动态目标检测方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明公开了一种动态目标检测方法、装置、计算机设备及存储介质，涉及人工智能领域。方法包括：对监控设备的视频流进行背景建模，在视频流的帧图像中确定第一候选区域；从第一候选区域中筛选出符合尺寸条件的第一目标候选区域；通过目标检测模型识别帧图像包含的物体，得到第二候选区域；从第二候选区域中筛选出符合尺寸条件的第二目标候选区域；分别计算各第一目标候选区域与各第二目标候选区域的交并比；若交并比大于预设的交并比阈值，获取第一目标候选区域与第二目标候选区域的共同区域；通过预训练的图像分类模型检测共同区域中是否存在预设的违规目标物。本发明能够提高对动态的违规目标物，例如老鼠的识别概率，同时计算量更小。

Description

一种动态目标检测方法、装置、计算机设备及存储介质

技术领域

本发明涉及人工智能技术领域，尤其涉及一种动态目标检测方法、装置、计算机设备及存储介质。

背景技术

随着生活水平的提高，人们对餐厅后厨的卫生状况的关注度越来越高。餐厅后厨中是否有老鼠，是餐厅后厨环境状况好坏的一个重要指标。

现有技术中，通过从监控视频流中截取图像，并用分类模型进行检测，从而判断是否有老鼠。然而这种方式仅仅通过一张静态的图像去分析，难以准确识别处于运动状态中的老鼠，经常存在误判的情况，且计算量大。

发明内容

本发明提供了一种动态目标检测方法、装置、计算机设备及存储介质，旨在解决现有老鼠检测方法，准确性低，易发生误判且计算量大的问题。

第一方面，本发明提供了一种动态目标检测方法，其包括：

获取监控设备的视频流，对所述视频流进行背景建模，在所述视频流的帧图像中确定出具有动态目标的区域，得到第一候选区域；

从所述第一候选区域中筛选出符合预设的尺寸条件的第一目标候选区域；

通过预设的基于深度学习的目标检测模型识别所述帧图像包含的物体，得到第二候选区域；

从所述第二候选区域中筛选出符合预设的尺寸条件的第二目标候选区域；

分别计算各所述第一目标候选区域与各所述第二目标候选区域的交并比；

若所述第一目标候选区域与所述第二目标候选区域的交并比大于预设的交并比阈值，获取所述第一目标候选区域与所述第二目标候选区域的共同区域；

通过预训练的图像分类模型检测所述共同区域中是否存在预设的违规目标物。

第二方面，本发明还提供了一种动态目标检测装置，其包括用于执行上述方法的单元。

第三方面，本发明还提供了一种计算机设备，其包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法。

第四方面，本发明还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时可实现上述方法。

本发明提供了一种动态目标检测方法、装置、计算机设备及存储介质。本发明实施例的技术方案中，背景建模能够识别帧图像中的动态目标，并框定在第一候选区域中，预设的基于深度学习的目标检测模型能够识别帧图像中的物体，并框定在第二候选区域中。通过从所述第一候选区域中筛选出第一目标候选区域以及从所述第二候选区域中筛选出第二目标候选区域，能够实现对违规目标物的初步筛选，使得对违规目标物的定位更加精准，同时可以减少后续运算的计算量，提高效率。在所述第一目标候选区域与所述第二目标候选区域的交并比大于预设的交并比阈值时，说明所述第一目标候选区域与所述第二目标候选区域的重叠率高，即通过背景建模以及基于深度学习的目标检测模型同时在帧图像中的相近区域识别到物体，因此，该物体是误判的可能性小，确保了识别的准确性。最后，通过预训练的图像分类模型精准检测共同区域中是否存在预设的违规目标物，由于只需检测共同区域，其计算量更小。

综上所述，针对处于运动状态的违规目标物，例如老鼠，相比于现有技术中基于静态图像分析的方式，采用背景建模能够排除静态物品的干扰，同时结合基于深度学习的目标检测模型能够提高物体的识别概率，最后通过预训练的图像分类模型实现对违规目标物的精准检测，从而使得对违规目标物，例如老鼠的识别概率更高，同时计算量更小。

附图说明

为了更清楚地说明本发明技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的一种动态目标检测方法的流程示意图；

图2为本发明另一实施例提供的一种动态目标检测方法的流程示意图；

图3为本发明提供的一种动态目标检测装置的示意性框图；

图4为本发明另一实施例提供的一种动态目标检测装置的示意性框图；

图5为本发明提供的一种计算机设备的示意性框图。

具体实施方式

下面将结合本发明中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

请参阅图1，图1是本发明提供的动态目标检测方法的流程示意图。如图1所示，该方法包括以下步骤S1-S7。

S1，获取监控设备的视频流，对所述视频流进行背景建模，在所述视频流的帧图像中确定出具有动态目标的区域，得到第一候选区域。

具体实施中，监控设备可具体为视频监控设备，例如红外摄像机。监控设备实时拍摄目标区域的影像。目标区域可由用户根据实际监控需求确定，例如，目标区域可具体为餐厅后厨。

获取监控设备的视频流，对所述视频流进行背景建模，从而在所述视频流的帧图像(该帧图像具体是指视频流中具有动态目标的图像，可以理解地，对于没有动态目标的图像，则不会标记区域)中确定出具有动态目标的区域，将该具有动态目标的区域作为第一候选区域，第一候选区域的形状通常为矩形。第一候选区域的数量可以是一个或多个。第一候选区域用于框出运动目标。

在一实施例中，可采用混合高斯模型来对所述视频流进行背景建模，对此，本发明不做具体限定。

S2，从所述第一候选区域中筛选出符合预设的尺寸条件的第一目标候选区域。

具体实施中，违规目标物，例如，老鼠等需要监控的目标物通常具有特定的形状。为了快速精准地识别违规目标物，从所述第一候选区域中筛选出符合预设的尺寸条件的第一目标候选区域。尺寸条件可由本领域技术人员根据违规目标物的形状设定，对此，本发明不做具体限定。通过从所述第一候选区域中筛选出第一目标候选区域，能够实现对违规目标物的初步筛选，使得对违规目标物的定位更加精准，同时可以减少后续运算的计算量，提高效率。

在一实施例中，所述从所述第一候选区域中筛选出符合预设的尺寸条件的第一目标候选区域，包括：从所述第一候选区域中筛选出长度在预设的长度范围内、宽度在预设的宽度范围内且长宽比例在预设的比例范围内的所述第一目标候选区域。

本实施例中，尺寸条件包括长度在预设的长度范围内、宽度在预设的宽度范围内且长宽比例在预设的比例范围内。其中，长度范围、宽度范围以及比例范围可由本领域技术人员根据违规目标物的形状设定，对此，本发明不做具体限定。

S3，通过预设的基于深度学习的目标检测模型识别所述帧图像包含的物体，得到第二候选区域。

具体实施中，基于深度学习的目标检测模型可具体为YOLO模型，例如，YOLOv1，YOLOv2，YOLOv3，TinyYOLO，YOLOv4以及YOLOv5等。YOLO的全称是you only look once，指只需要浏览一次就可识别出图中的物体，并用方框框出。

将所述帧图像输入到预设的基于深度学习的目标检测模型，例如，YOLOv5中，由YOLOv5识别所述帧图像包含的物体，并用方框框出，方框框出的区域即为第二候选区域。

S4，从所述第二候选区域中筛选出符合预设的尺寸条件的第二目标候选区域。

具体实施中，违规目标物，例如，老鼠等需要监控的目标物通常具有特定的形状。为了快速精准地识别违规目标物，从所述第二候选区域中筛选出符合预设的尺寸条件的第二目标候选区域。尺寸条件可由本领域技术人员根据违规目标物的形状设定，对此，本发明不做具体限定。通过从所述第二候选区域中筛选出第二目标候选区域，能够实现对违规目标物的初步筛选，使得对违规目标物的定位更加精准，同时可以减少后续运算的计算量，提高效率。

在一实施例中，所述从所述第二候选区域中筛选出符合预设的尺寸条件的第二目标候选区域，包括：从所述第二候选区域中筛选出长度在预设的长度范围内、宽度在预设的宽度范围内且长宽比例在预设的比例范围内的所述第二目标候选区域。

本实施例中，尺寸条件包括长度在预设的长度范围内、宽度在预设的宽度范围内且长宽比例在预设的比例范围内。其中，长度范围、宽度范围以及比例范围可由本领域技术人员根据违规目标物的形状设定，对此，本发明不做具体限定。

S5，分别计算各所述第一目标候选区域与各所述第二目标候选区域的交并比。

具体实施中，分别计算各所述第一目标候选区域与各所述第二目标候选区域的交并比。交并比用于表征所述第一目标候选区域与所述第二目标候选区域重叠部分的大小。交并比越大，说明所述第一目标候选区域与所述第二目标候选区域重叠部分的越大。

在一实施例中，所述分别计算各所述第一目标候选区域与各所述第二目标候选区域的交并比，包括：

通过以下公式

计算所述第一目标候选区域与所述第二目标候选区域的交并比，其中，IoU为交并比，A为第一目标候选区域，B为第二目标候选区域。

可见，针对任意一组第一目标候选区域与第二目标候选区域均通过上述公式

计算所述第一目标候选区域与所述第二目标候选区域的交并比。

交并比的含义为第一目标候选区域与第二目标候选区域的交集与第一目标候选区域与第二目标候选区域的并集的比值。交并比越大，说明所述第一目标候选区域与所述第二目标候选区域重叠部分的越大。

S6，若所述第一目标候选区域与所述第二目标候选区域的交并比大于预设的交并比阈值，获取所述第一目标候选区域与所述第二目标候选区域的共同区域。

具体实施中，交并比阈值可由本领域技术人员进行设定，例如，设定为0.8。如果所述第一目标候选区域与所述第二目标候选区域的交并比大于预设的交并比阈值，说明所述第一目标候选区域与所述第二目标候选区域的重叠率高，即通过步骤S1以及步骤S3同时在帧图像中的相近区域识别到物体，因此，该物体是误识别的概率较低。

本实施例中，如果所述第一目标候选区域与所述第二目标候选区域的交并比大于预设的交并比阈值，获取所述第一目标候选区域与所述第二目标候选区域的共同区域。共同区域即所述第一目标候选区域与所述第二目标候选区域的交集。

在一实施例中，所述获取所述第一目标候选区域与所述第二目标候选区域的共同区域，包括：将所述第一目标候选区域与所述第二目标候选区域相交的区域裁剪出来，得到所述共同区域。

通过将共同区域裁剪出来，能够避免背景的干扰，提高后续识别的准确性。

S7，通过预训练的图像分类模型检测所述共同区域中是否存在预设的违规目标物。

具体实施中，图像分类模型可具体为CNN(Convolutional Neural Network，卷积神经网络)模型，对比本发明实施例不做具体限定。

首先，预先通过大量的样本对图像分类模型进行训练，使得图像分类模型具备能够识别违规目标物的能力。违规目标物可由本领域技术人员设定，例如，老鼠。

在一实施例中，所述通过预训练的图像分类模型检测所述共同区域中是否存在预设的违规目标物，包括以下步骤S71-S74。

S71，对所述共同区域进行预处理得到待测图像。

具体实施中，预处理包括对所述共同区域进行归一化处理，得到所述待测图像。

归一化处理就是要把需要处理的数据经过处理后限制在一定范围内，例如，(0，1)以及(-1，1)等。归一化处理的目的是为了后面数据处理的方便，保证程序运行时收敛加快。

归一化处理的通常做法是对数据(待测图像)进行减去均值，并除以方差的处理，其中，均值和方差可以为固定的经验值。

S72，将所述待测图像输入到所述图像分类模型中，以由所述图像分类模型识别所述待测图像中包含的目标物体。

具体实施中，将所述待测图像输入到所述图像分类模型中。图像分类模型输出所述待测图像的识别结果。识别结果即为在所述所述待测图像中识别到的目标物体。目标物体可以是一样或者多样。

S73，判断所述目标物体是否包括所述违规目标物。

S74，若所述目标物体包括所述违规目标物，判定所述共同区域中存在预设的违规目标物。

具体实施中，如果所述目标物体包括所述违规目标物，判定所述共同区域中存在预设的违规目标物。

如果所述目标物体不包括所述违规目标物，判定所述共同区域中不存在预设的违规目标物。

本发明实施例的技术方案中，背景建模能够识别帧图像中的动态目标，并框定在第一候选区域中，预设的基于深度学习的目标检测模型能够识别帧图像中的物体，并框定在第二候选区域中。通过从所述第一候选区域中筛选出第一目标候选区域以及从所述第二候选区域中筛选出第二目标候选区域，能够实现对违规目标物的初步筛选，使得对违规目标物的定位更加精准，同时可以减少后续运算的计算量，提高效率。在所述第一目标候选区域与所述第二目标候选区域的交并比大于预设的交并比阈值时，说明所述第一目标候选区域与所述第二目标候选区域的重叠率高，即通过背景建模以及基于深度学习的目标检测模型同时在帧图像中的相近区域识别到物体，因此，该物体是误判的可能性小，确保了识别的准确性。最后，通过预训练的图像分类模型精准检测共同区域中是否存在预设的违规目标物，由于只需检测共同区域，其计算量更小。

综上所述，针对处于运动状态的违规目标物，例如老鼠，相比于现有技术中基于静态图像分析的方式，采用背景建模能够排除静态物品的干扰，同时结合基于深度学习的目标检测模型能够提高物体的识别概率，最后通过预训练的图像分类模型实现对违规目标物的精准检测，从而使得对违规目标物，例如老鼠的识别概率更高，同时计算量更小。

图2是本发明另一实施例提供的一种动态目标检测方法的流程示意图。如图4所示，本实施例的动态目标检测方法包括步骤S21-S28。其中步骤S21-S27与上述实施例中的步骤S1-S7类似，在此不再赘述。下面详细说明本实施例中所增加的步骤S28。

S28，若所述共同区域中存在预设的违规目标物，向预设的监控终端发送告警信息。

具体实施中，监控终端是指监管人员(例如餐厅后厨的管理人员)使用的终端，可具体为电脑或手机等终端，本发明对比不做具体限定。

如果所述共同区域中存在预设的违规目标物，向预设的监控终端发送告警信息，告警信息用于通知监管人员检测到违规目标物，便于监管人员第一时间了解情况。

参见图3，图3是本发明提供的一种动态目标检测装置的示意性框图。对应于以上动态目标检测方法，本发明还提供一种动态目标检测装置。该动态目标检测装置包括用于执行上述动态目标检测方法的单元，该动态目标检测装置可以被配置于台式电脑、平板电脑、手提电脑、等终端中。具体地，该动态目标检测装置包括：

确定单元21，用于获取监控设备的视频流，对所述视频流进行背景建模，在所述视频流的帧图像中确定出具有动态目标的区域，得到第一候选区域；

第一筛选单元22，用于从所述第一候选区域中筛选出符合预设的尺寸条件的第一目标候选区域；

识别单元23，用于通过预设的基于深度学习的目标检测模型识别所述帧图像包含的物体，得到第二候选区域；

第二筛选单元24，用于从所述第二候选区域中筛选出符合预设的尺寸条件的第二目标候选区域；

计算单元25，用于分别计算各所述第一目标候选区域与各所述第二目标候选区域的交并比；

获取单元26，用于若所述第一目标候选区域与所述第二目标候选区域的交并比大于预设的交并比阈值，获取所述第一目标候选区域与所述第二目标候选区域的共同区域；

检测单元27，用于通过预训练的图像分类模型检测所述共同区域中是否存在预设的违规目标物。

其进一步的技术方案为，所述从所述第一候选区域中筛选出符合预设的尺寸条件的第一目标候选区域，包括：

从所述第一候选区域中筛选出长度在预设的长度范围内、宽度在预设的宽度范围内且长宽比例在预设的比例范围内的所述第一目标候选区域。

其进一步的技术方案为，所述从所述第二候选区域中筛选出符合预设的尺寸条件的第二目标候选区域，包括：

从所述第二候选区域中筛选出长度在预设的长度范围内、宽度在预设的宽度范围内且长宽比例在预设的比例范围内的所述第二目标候选区域。

其进一步的技术方案为，所述分别计算各所述第一目标候选区域与各所述第二目标候选区域的交并比，包括：

通过以下公式

计算所述第一目标候选区域与所述第二目标候选区域的交并比，其中，IoU为交并比，A为第一目标候选区域，B为第二目标候选区域。

其进一步的技术方案为，所述获取所述第一目标候选区域与所述第二目标候选区域的共同区域，包括：

将所述第一目标候选区域与所述第二目标候选区域相交的区域裁剪出来，得到所述共同区域。

其进一步的技术方案为，所述通过预训练的图像分类模型检测所述共同区域中是否存在预设的违规目标物，包括：

对所述共同区域进行预处理得到待测图像；

将所述待测图像输入到所述图像分类模型中，以由所述图像分类模型识别所述待测图像中包含的目标物体；

判断所述目标物体是否包括所述违规目标物；

若所述目标物体包括所述违规目标物，判定所述共同区域中存在预设的违规目标物。

图4是本发明另一实施例提供的一种动态目标检测装置的示意性框图。如图4所示，本实施例的动态目标检测装置是上述实施例的基础上增加：

发送单元28，用于若所述共同区域中存在预设的违规目标物，向预设的监控终端发送告警信息。

需要说明的是，所属领域的技术人员可以清楚地了解到，上述动态目标检测装置和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。

上述动态目标检测装置可以实现为一种计算机程序的形式，该计算机程序可以在如图5所示的计算机设备上运行。

请参阅图5，图5是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是终端，也可以是服务器，其中，终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。

该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。

该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行一种动态目标检测方法。

该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。

该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种动态目标检测方法。

该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，上述结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现上述任一方法实施例的提供的一种动态目标检测方法的步骤。

应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该计算机程序被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。

因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序。该计算机程序被处理器执行时使处理器执行上述任一方法实施例的提供的一种动态目标检测方法的步骤。

所述存储介质为实体的、非瞬时性的存储介质，例如可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的实体存储介质。所述计算机可读存储介质可以是非易失性，也可以是易失性。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

本发明方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。

该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，尚且本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种动态目标检测方法，其特征在于，包括：

获取监控设备的视频流，对所述视频流进行背景建模，在所述视频流的帧图像中确定出具有动态目标的区域，得到第一候选区域；

从所述第一候选区域中筛选出符合预设的尺寸条件的第一目标候选区域；

通过预设的基于深度学习的目标检测模型识别所述帧图像包含的物体，得到第二候选区域；

从所述第二候选区域中筛选出符合预设的尺寸条件的第二目标候选区域；

分别计算各所述第一目标候选区域与各所述第二目标候选区域的交并比；

若所述第一目标候选区域与所述第二目标候选区域的交并比大于预设的交并比阈值，获取所述第一目标候选区域与所述第二目标候选区域的共同区域；

通过预训练的图像分类模型检测所述共同区域中是否存在预设的违规目标物。

2.根据权利要求1所述的动态目标检测方法，其特征在于，所述从所述第一候选区域中筛选出符合预设的尺寸条件的第一目标候选区域，包括：

从所述第一候选区域中筛选出长度在预设的长度范围内、宽度在预设的宽度范围内且长宽比例在预设的比例范围内的所述第一目标候选区域。

3.根据权利要求1所述的动态目标检测方法，其特征在于，所述从所述第二候选区域中筛选出符合预设的尺寸条件的第二目标候选区域，包括：

从所述第二候选区域中筛选出长度在预设的长度范围内、宽度在预设的宽度范围内且长宽比例在预设的比例范围内的所述第二目标候选区域。

4.根据权利要求1所述的动态目标检测方法，其特征在于，所述分别计算各所述第一目标候选区域与各所述第二目标候选区域的交并比，包括：

通过以下公式

计算所述第一目标候选区域与所述第二目标候选区域的交并比，其中，IoU为交并比，A为第一目标候选区域，B为第二目标候选区域。

5.根据权利要求1所述的动态目标检测方法，其特征在于，所述获取所述第一目标候选区域与所述第二目标候选区域的共同区域，包括：

将所述第一目标候选区域与所述第二目标候选区域相交的区域裁剪出来，得到所述共同区域。

6.根据权利要求1所述的动态目标检测方法，其特征在于，所述通过预训练的图像分类模型检测所述共同区域中是否存在预设的违规目标物，包括：

对所述共同区域进行预处理得到待测图像；

将所述待测图像输入到所述图像分类模型中，以由所述图像分类模型识别所述待测图像中包含的目标物体；

判断所述目标物体是否包括所述违规目标物；

若所述目标物体包括所述违规目标物，判定所述共同区域中存在预设的违规目标物。

7.根据权利要求1所述的动态目标检测方法，其特征在于，所述方法还包括：

若所述共同区域中存在预设的违规目标物，向预设的监控终端发送告警信息。

8.一种动态目标检测装置，其特征在于，包括用于执行如权利要求1-7任一项所述方法的单元。

9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时可实现如权利要求1-7中任一项所述的方法。

Images