CN115601395A - 运动目标检测方法、装置、电子设备以及存储介质 - Google Patents
运动目标检测方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN115601395A CN115601395A CN202211309960.7A CN202211309960A CN115601395A CN 115601395 A CN115601395 A CN 115601395A CN 202211309960 A CN202211309960 A CN 202211309960A CN 115601395 A CN115601395 A CN 115601395A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- feature
- local
- segmented
- generating
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 12
- 238000012896 Statistical algorithm Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 230000001052 transient effect Effects 0.000 description 5
- 230000033228 biological regulation Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013475 authorization Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种运动目标检测方法、装置、电子设备以及存储介质。该方法包括：获取预设检测区域的时序图像，并基于所述时序图像生成对应的时序信号；对所述时序信号进行分段处理得到多个分段时序信号，并分别生成各所述分段时序信号所对应的各局部特征；基于各所述局部特征生成所述时序信号的全局特征，并对所述全局特征进行特征识别，确定所述预设检测区域的运动目标。通过本发明实施例公开的技术方案，解决了现有技术中检测效率降低的问题，实现了提高对于运动目标的检测准确率。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及运动目标检测方法、装置、电子设备以及存储介质。
背景技术
基于雷达成像系统的运动目标检测技术被广泛应用于军事和民用领域，然而对于回波能量微弱的运动目标，常规运动目标检测方法的检测性能会明显下降。随着雷达成像技术朝着高帧率的方向发展，基于雷达时间序列观测的弱动目标检测方法正受到越来越多的关注，因为通过连续观测后的数据累积能够有效提高对弱动目标的检测能力，这对军事侦察和交通控制等领域都有重要的意义。
传统的基于雷达成像系统的运动目标检测(Moving Target Indication，MTI)技术通常会利用运动目标与静止目标在多普勒频谱上的差异，或利用运动目标图像散焦、模糊的特性对运动目标进行检测。然而当运动目标的能量很弱使得运动目标淹没在杂波或噪声之中时，这类技术往往无法很好地检测出运动目标，导致检测的准确率下降。
发明内容
本发明提供了一种运动目标检测方法、装置、电子设备以及存储介质，以解决现有技术中检测效率降低的问题，实现了提高对于运动目标的检测准确率。
第一方面，本发明实施例提供了一种运动目标检测方法，该方法包括：
获取预设检测区域的时序图像，并基于所述时序图像生成对应的时序信号；
对所述时序信号进行分段处理得到多个分段时序信号，并分别生成各所述分段时序信号所对应的各局部特征；
基于各所述局部特征生成所述时序信号的全局特征，并对所述全局特征进行特征识别，确定所述预设检测区域的运动目标。
可选的，所述获取预设检测区域的时序图像，包括：
获取所述预设检测区域在预设时间间隔内的检测视频，对所述检测视频进行视频解析，得到所述预设检测区域的至少一帧时序图像。
可选的，所述基于所述时序图像生成对应的时序信号，包括：
依次获取各所述时序图像中的各像素点的雷达信号强度；
基于各所述雷达信号强度生成各所述时序图像对应的一组时序信号。
可选的，所述时序信号为一维时序信号；
所述对所述时序信号进行分段处理得到多个分段时序信号，包括：
获取预设滑动窗口，并确定所述滑动窗口的滑动步长；
基于所述滑动步长对所述一维时序信号进行滑动分段，得到所述一维时序信号对应的多个分段时序信号。
可选的，所述分别生成各所述分段时序信号所对应的各局部特征，包括：
对于任一分段时序信号，获取预设的特征统计算法，基于所述特征统计算法对当前分段时序信号进行特征统计，得到所述当前分段时序信号的局部特征；所述局部特征包括核函数特征，裕度特征，峭度特征，脉冲特征，峰值特征和波形特征。
可选的，所述基于各所述局部特征生成所述时序信号的全局特征，包括：
分别确定各所述局部特征的最大局部特征、最小局部特征以及方差局部特征；
基于所述最大局部特征、所述最小局部特征以及所述方差局部特征确定所述时序信号的全局特征。
可选的，所述对所述全局特征进行特征识别，确定所述预设检测区域的运动目标，包括：
获取预先训练的检测模型，基于所述检测模型对所述全局特征进行检测，确定所述预设检测区域的运动目标。
第二方面，本发明实施例还提供了一种运动目标检测装置，该装置包括：
时序信号生成模块，用于获取预设检测区域的时序图像，并基于所述时序图像生成对应的时序信号；
局部特征确定模块，用于对所述时序信号进行分段处理得到多个分段时序信号，并分别生成各所述分段时序信号所对应的各局部特征；
运动目标确定模块，用于基于各所述局部特征生成所述时序信号的全局特征，并对所述全局特征进行特征识别，确定所述预设检测区域的运动目标。
第三方面，本发明实施例还提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的运动目标检测方法。
第四方面，本发明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存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的运动目标检测方法。
本发明实施例的技术方案，通过获取预设检测区域的时序图像，并基于生成时序图像生成对应的时序信号；对生成时序信号进行分段处理得到多个分段时序信号，并分别生成各生成分段时序信号所对应的各局部特征；基于各生成局部特征生成得到时序信号的全局特征，并对生成全局特征进行特征识别，确定生成预设检测区域的运动目标。上述技术方案将运动目标检测问题转换为时间域上的一维瞬态信号检测问题，无需建立复杂的目标运动模型和系统观测模型，并且一维瞬态信号检测只需要关心时域上的变化，适用性高，模型泛化能力强，适用的场景更广，并且本发明利用得到的运动目标的检测模型，每次检测只需对输入信号进行前向推演，计算量少，检测速度快，因此实现了提高目标检测的检测效率以及检测质量。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明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单地介绍，显而易见地，下面描述中的附图仅仅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是根据本发明实施例一提供的一种运动目标检测方法的流程图；
图2是根据本发明实施例二提供的一种运动目标检测装置的结构示意图；
图3是实现本发明实施例的运动目标检测方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。
可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
实施例一
图1为本发明实施例一提供了一种运动目标检测方法的流程图，本实施例可适用于对运动目标进行检测的情况，该方法可以由运动目标检测装置来执行，该运动目标检测装置可以采用硬件和/或软件的形式实现，该运动目标检测装置可配置于智能终端或者云端服务器中。如图1所示，该方法包括：
S110、获取预设检测区域的时序图像，并基于生成时序图像生成对应的时序信号。
在本发明实施例中，运动目标检测方法可以应用于车辆检测、海洋检测、船舶检测、农林监测等各种检测场景。根据不同的检测场景，预设检测区域所包含的内容不同，进一步检测出的运动目标也不尽相同。可选的，若对海洋中的运动目标进行检测，则预设检测区域可以是海洋，检测出的运动目标可包括海洋中的船只等；若对农林进行监测，则预设检测区域可以是对应的农林果树所在区域，检测出的运动目标可包括树林或果树中的动物，例如小鸟等。本实施例对于预设检测区域中的区域内容不作限定。预设检测区域的时序图像可以是预设检测区域在预设时间间隔内采集得到的时间序列图像。
可选的，本实施例中获取预设检测区域的时序图像的方法可以包括获取生成预设检测区域在预设时间间隔内的检测视频，对生成检测视频进行视频解析，得到生成预设检测区域的至少一帧时序图像。
具体的，基于预设的拍摄装置对预设检测区域进行视频拍摄，得到预设检测区域在拍摄时间段内的视频数据。可选的，拍摄装置可以包括雷达装置。对拍摄得到的视频数据进行视频解析。可选的，可以是基于内容进行解析，例如在视频数据的视频内容发生变化时对应生成一帧图像，将生成的多帧图像按时间排序，生成预设检测区域的多帧时序图像。可选的，还可以基于时间进行解析，例如，在将一秒视频内容生成一帧图像，并将生成的多帧图像按时间排序，生成预设检测区域的多帧时序图像。本实施例的技术方案还可以采用其他方式获得时序图像，例如直接采用拍摄装置在预设时间间隔内进行图像拍摄，并将拍摄完的图像按照时间排序，生成预设检测区域的多帧时序图像。需要说明的是，上述对于生成时序图像的方法均是本实施例的可选实施例，本实施对于获取时序图像的方式不作限定。
需要说明的是，若基于雷达装置生成的时序图像，当预设检测区域中运动目标的运动动作较小，或者该运动目标在预设检测区域中的尺寸比例较小时，对图像中目标的识别或者产生较小运动动作的目标的识别就会变得较为困难，因此识别准确性会降低。为了可以识别出较小的运动目标以及运动动作较小的目标，本实施例的技术方案将图像域上的运动目标检测问题转换为时间域上的一维瞬态信号检测问题，以实现充分利用雷达时序图像的时间序列中的时间信息，进一步提高对于运动目标的检测能力。
可选的，本实施例中基于生成时序图像生成对应的时序信号的方法可以包括：依次获取各生成时序图像中的各像素点的雷达信号强度；基于各生成雷达信号强度生成各生成时序图像对应的一组时序信号。
具体的，对于任一帧时序图像来说，获取当前时序图像的雷达信号数据，并基于雷达信号数据确定当前帧时序图中各像素点的雷达信号强度。对当前帧时序图像中的各像素点进行排序，确定各像素点的序号，并基于序号将各像素点形成一维列向量。基于列向量中各像素点分别对应的雷达信号强度生成当前帧时序图像对应的一维时序信号。进一步的，基于上述方式，分别确定各帧时序图像分别对应的一维时序信号，并将所有时序图像的时序信号进行拼接得到各时序图像对应的一组一维时序信号。
在此基础上，基于时序信号对运动目标进行检测，以得到最终的检测结果。
需要说明的是，由于不同采样数据背景环境和噪声不同，所以在进行特征生成之前需对得到的一维时序信号进行归一化处理，以保证后续得到的检测结果的鲁棒性与兼容性。示例性的，本实施例中采用的归一化处理方法如下：
其中，x表示一维时序信号；u表示一维时序信号x的均值，σ表示x的方差。
S120、对生成时序信号进行分段处理得到多个分段时序信号，并分别生成各生成分段时序信号所对应的各局部特征。
由于目标信号持续时间较短且十分微弱，如果直接对信号进行全局统计特征生成，那么生成到的统计特征将由噪声和背景信号主导，目标信号的影响会很小。而如果只对信号进行分段生成局部统计特征，则会导致生成到的特征向量维度很大，并且不同场景下局部统计特征向量的维度无法保证一致，这会使后续应用机器学习算法变得十分困难，且训练出的模型泛化能力不强。因此本发明采用的特征生成方式分为两步，首先对信号进行分段，为每一个分段时序信号生成局部统计特征，然后基于生成到的各局部统计特征进一步构造时序信号的全局统计特征，这样既能保留目标信号的信息，也不会导致维度灾难。
可选的，本实施例中对生成时序信号进行分段处理得到多个分段时序信号的方法可以包括：获取预设滑动窗口，并确定生成滑动窗口的滑动步长；基于生成滑动步长对生成一维时序信号进行滑动分段，得到生成一维时序信号对应的多个分段时序信号。
具体的，可以基于欲分段的分段时序信号长度设定滑动窗口的滑动步长，基于该滑动步长对上述得到的一维时序信号进行分段，以得到至少一个分段时序信号。
在此基础上，分别对特分段时序信号进行信号特征生成，以得到各分段时序信号分别对应的局部信号。
可选的，对于任一分段时序信号，对于当前分段时序信号的各局部特征的生成方法可以包括获取预设的特征统计算法，基于生成特征统计算法对当前分段时序信号进行特征统计，得到生成当前分段时序信号的局部特征。
在本实施例中，局部特征包括核函数特征，裕度特征，峭度特征，脉冲特征，峰值特征和波形特征。相应的，根据生成的局部特征不同，采用的特征统计算法也不同。可选的，对于核函数特征来说，统计核函数特征的方法可以包括：
其中，x表示分段时序信号中的信号，x,l,y分别表示分段时序信号中时序的不同位置。
可选的，对于裕度特征来说，统计裕度特征的方法可以包括：
其中，x表示分段时序信号中的信号，x,l,y分别表示分段时序信号中时序的不同位置。
可选的，对于峭度特征来说，统计峭度特征的方法可以包括：
其中，x表示分段时序信号中的信号，x,l,y分别表示分段时序信号中时序的不同位置。
可选的，对于脉冲特征来说，统计脉冲特征的方法可以包括：
其中，x表示分段时序信号中的信号，x,l,y分别表示分段时序信号中时序的不同位置。
可选的，对于峰值特征来说，统计峰值特征的方法可以包括：
其中，x表示分段时序信号中的信号，x,l,y分别表示分段时序信号中时序的不同位置。
可选的，对于波形特征来说，波形特征的方法可以包括：
其中，x表示分段时序信号中的信号，x,l,y分别表示分段时序信号中时序的不同位置。
S130、基于各生成局部特征生成得到时序信号的全局特征，并对生成全局特征进行特征识别，确定生成预设检测区域的运动目标。
需要说明的是，如果直接利用上述的局部特征构建全局特征，那么每个检测单元提取到的特征向量维度会很大，并且不同场景下局部统计特征向量的维度无法保证一致，这会使后续的目标检测模型在训练过程中的检测学习变得十分困难，且训练出的检测模型泛化能力也不强。为了解决这一问题，本发明利用局部统计特征的最大值，最小值以及方差来构建全局特征。
可选的，本实施例中基于各生成局部特征生成得到时序信号的全局特征的方法可以包括：分别确定各生成局部特征的最大局部特征、最小局部特征以及方差局部特征；基于生成最大局部特征、生成最小局部特征以及生成方差局部特征确定生成时序信号的全局特征。
本实施例中，最大局部特征包括最大核函数特征，最大裕度特征，最大峭度特征，最大脉冲特征，最大峰值特征和最大波形特征。最小局部特征包括最小核函数特征，最小裕度特征，最小峭度特征，最小脉冲特征，最小峰值特征和最小波形特征。
具体的，分别获取各分段时序信号中的各核函数特征，各裕度特征，各峭度特征，各脉冲特征，各峰值特征和各波形特征，基与上述各局部特征确定其中最大核函数特征，最大裕度特征，最大峭度特征，最大脉冲特征，最大峰值特征和最大波形特征，以及确定最小核函数特征，最小裕度特征，最小峭度特征，最小脉冲特征，最小峰值特征和最小波形特征，还可以基于上述各局部特征确定方差核函数特征，方差裕度特征，方差度特征，方差脉冲特征，方差峰值特征和方差波形特征。进一步的，利用局部特征中的最大值，最小值以及方差来构建全局特征，最终得到的全局特征如下式所示：
其中，var，max，min分别为求方差、最大值和最小值运算。需要说明的是，本实施例中构建得到的全局特征也为一维特征向量。
在此基础上，本实施例中基于全局特征确定预设检测区域中的运动目标的方法可以包括：获取预先训练的检测模型，基于生成检测模型对生成全局特征进行检测，确定生成预设检测区域的运动目标。
具体的，对于检测模型，获取训练样本，基于训练样本得到样本图像对应的一维全局特征。将确定全局特征分别对应的像素点，并将有目标经过的像素点作为正实例，对应的标签设为+1，同时将其他的像素点作为负实例，对应的标签设为-1。进而利用这些像素点对应的标签和全局特征构造训练数据集，并应用Decision Tree和AdaBoost算法训练得到一个二分类器，最终得到训练完成的检测模型。
具体的，获取该训练完成的检测模型，将基于上述实施方式得到的全局特征输入上述检测模型中，得到模型输出的检测结果。其中，检测结果可以包括预设检测区域中是否存在运动检测目标。
本发明实施例的技术方案，通过获取预设检测区域的时序图像，并基于生成时序图像生成对应的时序信号；对生成时序信号进行分段处理得到多个分段时序信号，并分别生成各生成分段时序信号所对应的各局部特征；基于各生成局部特征生成得到时序信号的全局特征，并对生成全局特征进行特征识别，确定生成预设检测区域的运动目标。上述技术方案将运动目标检测问题转换为时间域上的一维瞬态信号检测问题，无需建立复杂的目标运动模型和系统观测模型，并且一维瞬态信号检测只需要关心时域上的变化，适用性高，模型泛化能力强，适用的场景更广，并且本发明利用得到的运动目标的检测模型，每次检测只需对输入信号进行前向推演，计算量少，检测速度快，因此实现了提高目标检测的检测效率以及检测质量。
实施例二
图2为本发明实施例二提供的一种运动目标检测装置的结构示意图。如图2所示，该装置包括：时序信号生成模块210、局部特征确定模块220和运动目标确定模块230；
时序信号生成模块210，用于获取预设检测区域的时序图像，并基于所述时序图像生成对应的时序信号；
局部特征确定模块220，用于对所述时序信号进行分段处理得到多个分段时序信号，并分别生成各所述分段时序信号所对应的各局部特征；
运动目标确定模块230，用于基于各所述局部特征生成所述时序信号的全局特征，并对所述全局特征进行特征识别，确定所述预设检测区域的运动目标。
在上述各实施方式的基础上，可选的，时序信号生成模块210，包括：
时序图像获得单元，用于获取所述预设检测区域在预设时间间隔内的检测视频，对所述检测视频进行视频解析，得到所述预设检测区域的至少一帧时序图像。
在上述各实施方式的基础上，可选的，时序信号生成模块210，包括：
雷达信号强度获得单元，用于依次获取各所述时序图像中的各像素点的雷达信号强度；
时序信号生成单元，用于基于各所述雷达信号强度生成各所述时序图像对应的一组时序信号。
在上述各实施方式的基础上，可选的，所述时序信号为一维时序信号；
局部特征确定模块220，包括：
滑动步长确定单元，用于获取预设滑动窗口，并确定所述滑动窗口的滑动步长；
分段时序信号获得单元，用于基于所述滑动步长对所述一维时序信号进行滑动分段，得到所述一维时序信号对应的多个分段时序信号。
在上述各实施方式的基础上，可选的，局部特征确定模块220，包括：
局部特征获得单元，用于对于任一分段时序信号，获取预设的特征统计算法，基于所述特征统计算法对当前分段时序信号进行特征统计，得到所述当前分段时序信号的局部特征；所述局部特征包括核函数特征，裕度特征，峭度特征，脉冲特征，峰值特征和波形特征。
在上述各实施方式的基础上，可选的，运动目标确定模块230，包括：
特征选取单元，用于特征分别确定各所述局部特征的最大局部特征、最小局部特征以及方差局部特征；
全局特征确定单元，用于基于所述最大局部特征、所述最小局部特征以及所述方差局部特征确定所述时序信号的全局特征。
在上述各实施方式的基础上，可选的，运动目标确定模块230，包括：
运动目标确定单元，用于获取预先训练的检测模型，基于所述检测模型对所述全局特征进行检测，确定所述预设检测区域的运动目标。
本发明实施例所提供的运动目标检测装置可执行本发明任意实施例所提供的运动目标检测方法，具备执行方法相应的功能模块和有益效果。
实施例三
图3示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图3所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如运动目标检测方法。
在一些实施例中，运动目标检测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的运动目标检测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行运动目标检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
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，根据设计要求和其他因素，可以进行各种修改、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 (10)
1.一种运动目标检测方法，其特征在于，包括：
获取预设检测区域的时序图像，并基于所述时序图像生成对应的时序信号；
对所述时序信号进行分段处理得到多个分段时序信号，并分别生成各所述分段时序信号所对应的各局部特征；
基于各所述局部特征生成所述时序信号的全局特征，并对所述全局特征进行特征识别，确定所述预设检测区域的运动目标。
2.根据权利要求1所述的方法，其特征在于，所述获取预设检测区域的时序图像，包括：
获取所述预设检测区域在预设时间间隔内的检测视频，对所述检测视频进行视频解析，得到所述预设检测区域的至少一帧时序图像。
3.根据权利要求1所述的方法，其特征在于，所述基于所述时序图像生成对应的时序信号，包括：
依次获取各所述时序图像中的各像素点的雷达信号强度；
基于各所述雷达信号强度生成各所述时序图像对应的一组时序信号。
4.根据权利要求1所述的方法，其特征在于，所述时序信号为一维时序信号；
所述对所述时序信号进行分段处理得到多个分段时序信号，包括：
获取预设滑动窗口，并确定所述滑动窗口的滑动步长；
基于所述滑动步长对所述一维时序信号进行滑动分段，得到所述一维时序信号对应的多个分段时序信号。
5.根据权利要求1所述的方法，其特征在于，所述分别生成各所述分段时序信号所对应的各局部特征，包括：
对于任一分段时序信号，获取预设的特征统计算法，基于所述特征统计算法对当前分段时序信号进行特征统计，得到所述当前分段时序信号的局部特征；所述局部特征包括核函数特征，裕度特征，峭度特征，脉冲特征，峰值特征和波形特征。
6.根据权利要求1所述的方法，其特征在于，所述基于各所述局部特征生成所述时序信号的全局特征，包括：
分别确定各所述局部特征的最大局部特征、最小局部特征以及方差局部特征；
基于所述最大局部特征、所述最小局部特征以及所述方差局部特征确定所述时序信号的全局特征。
7.根据权利要求1所述的方法，其特征在于，所述对所述全局特征进行特征识别，确定所述预设检测区域的运动目标，包括：
获取预先训练的检测模型，基于所述检测模型对所述全局特征进行检测，确定所述预设检测区域的运动目标。
8.一种运动目标检测装置，其特征在于，包括：
时序信号生成模块，用于获取预设检测区域的时序图像，并基于所述时序图像生成对应的时序信号；
局部特征确定模块，用于对所述时序信号进行分段处理得到多个分段时序信号，并分别生成各所述分段时序信号所对应的各局部特征；
运动目标确定模块，用于基于各所述局部特征生成所述时序信号的全局特征，并对所述全局特征进行特征识别，确定所述预设检测区域的运动目标。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的运动目标检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的运动目标检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211309960.7A CN115601395A (zh) | 2022-10-25 | 2022-10-25 | 运动目标检测方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211309960.7A CN115601395A (zh) | 2022-10-25 | 2022-10-25 | 运动目标检测方法、装置、电子设备以及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115601395A true CN115601395A (zh) | 2023-01-13 |
Family
ID=84848588
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211309960.7A Pending CN115601395A (zh) | 2022-10-25 | 2022-10-25 | 运动目标检测方法、装置、电子设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115601395A (zh) |
-
2022
- 2022-10-25 CN CN202211309960.7A patent/CN115601395A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3852008A2 (en) | Image detection method and apparatus, device, storage medium and computer program product | |
| CN112949767B (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
| US20230013170A1 (en) | Method and apparatus for detecting jitter in video, electronic device, and storage medium | |
| CN113971751A (zh) | 训练特征提取模型、检测相似图像的方法和装置 | |
| CN112861885B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
| CN112528858A (zh) | 人体姿态估计模型的训练方法、装置、设备、介质及产品 | |
| CN114882315B (zh) | 样本生成方法、模型训练方法、装置、设备及介质 | |
| CN114511743B (zh) | 检测模型训练、目标检测方法、装置、设备、介质及产品 | |
| CN116482680B (zh) | 一种身体干扰识别方法、装置、系统和存储介质 | |
| CN113705380A (zh) | 雾天的目标检测方法、装置、电子设备以及存储介质 | |
| CN113177497A (zh) | 视觉模型的训练方法、车辆识别方法及装置 | |
| CN114724144B (zh) | 文本识别方法、模型的训练方法、装置、设备及介质 | |
| CN115601395A (zh) | 运动目标检测方法、装置、电子设备以及存储介质 | |
| CN114973081A (zh) | 一种高空抛物检测方法、装置、电子设备及存储介质 | |
| CN113361519B (zh) | 目标处理方法、目标处理模型的训练方法及其装置 | |
| CN114093006A (zh) | 活体人脸检测模型的训练方法、装置、设备以及存储介质 | |
| CN114120410A (zh) | 用于生成标签信息的方法、装置、设备、介质和产品 | |
| CN113989720A (zh) | 目标检测方法、训练方法、装置、电子设备及存储介质 | |
| CN114612971A (zh) | 人脸检测方法、模型训练方法、电子设备及程序产品 | |
| CN114120180A (zh) | 一种时序提名的生成方法、装置、设备及介质 | |
| CN116883648B (zh) | 一种异物检测方法、装置、电子设备及存储介质 | |
| CN114037865B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 | |
| CN114926447B (zh) | 用于训练模型的方法、用于检测目标的方法和装置 | |
| CN114818777B (zh) | 有源角度欺骗干扰识别模型的训练方法及装置 |
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 |