CN117237935A - 一种空间物体的识别方法、装置、电子设备及存储介质 - Google Patents
一种空间物体的识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117237935A CN117237935A CN202311202641.0A CN202311202641A CN117237935A CN 117237935 A CN117237935 A CN 117237935A CN 202311202641 A CN202311202641 A CN 202311202641A CN 117237935 A CN117237935 A CN 117237935A
- Authority
- CN
- China
- Prior art keywords
- image data
- safety
- target object
- model
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000033001 locomotion Effects 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 6
- 238000003708 edge detection Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000001681 protective effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请实施例提供一种空间物体的识别方法、装置、电子设备及存储介质,该方法包括:获取目标区域的第一图像数据;对第一图像数据进行预处理,得到处理后的第二图像数据;采用预先训练的物体识别模型,识别第二图像数据中的目标物体;采用三维建模算法对目标物体进行扫描,得到与目标物体对应的扫描结果;根据扫描结果和预设安全规则,判断目标物体的安全信息,并根据安全信息,确定与安全信息对应的安全防护信息,对目标物体进行三维建模,可以处理一些场景较复杂的情况,然后采用预设安全规则,对目标物体的安全信息进行判断,同时得到与安全信息对应的安全防护信息,提高安全识别的准确性。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种空间物体的识别方法、装置、电子设备及存储介质。
背景技术
随着计算机技术的不断发展,人们对安全问题越来越重视,现在通常对预设区域内的物体进行检测时,通常采用的是传统的物体检测和识别算法,但这种方式通常针对的是平面图像,对于复杂的场景和物体类型识别准确率不高,无法准确地识别出安全问题,如何能提高物体的检测准确性以及安全识别准确性,是目前急需解决的问题。
发明内容
本申请的一些实施例的目的在于提供一种空间物体的识别方法、装置、电子设备及存储介质,通过本申请的实施例的技术方案,通过获取目标区域的第一图像数据;对所述第一图像数据进行预处理,得到处理后的第二图像数据;采用预先训练的物体识别模型,识别所述第二图像数据中的目标物体,其中,所述预先训练的物体识别模型是通过采用样本图像对深度神经网络模型进行训练得到的;采用三维建模算法对所述目标物体进行扫描,得到与所述目标物体对应的扫描结果,其中,所述扫描结果至少包括目标物体的属性信息和特征信息;根据所述扫描结果和预设安全规则,判断所述目标物体的安全信息,并根据所述安全信息,确定与所述安全信息对应的安全防护信息,其中,所述预设安全规则用于判断物体的尺寸、形状或运动轨迹是否符合安全要求,本申请实施例中通过训练深度神经网络模型,能提高图像中的物体识别准确性,同时,对目标物体进行三维建模,可以处理一些场景较复杂的情况,然后采用预设安全规则,对目标物体的安全信息进行判断,同时得到与安全信息对应的安全防护信息,提高安全识别的准确性。
第一方面,本申请的一些实施例提供了一种空间物体的识别方法,包括:
获取目标区域的第一图像数据;
对所述第一图像数据进行预处理,得到处理后的第二图像数据;
采用预先训练的物体识别模型,识别所述第二图像数据中的目标物体,其中,所述预先训练的物体识别模型是通过采用样本图像对深度神经网络模型进行训练得到的;
采用三维建模算法对所述目标物体进行扫描,得到与所述目标物体对应的扫描结果,其中,所述扫描结果至少包括目标物体的属性信息和特征信息;
根据所述扫描结果和预设安全规则,判断所述目标物体的安全信息,并根据所述安全信息,确定与所述安全信息对应的安全防护信息,其中,所述预设安全规则用于判断物体的尺寸、形状或运动轨迹是否符合安全要求。
本申请的一些实施例通过训练深度神经网络模型,能提高图像中的物体识别准确性,同时,对目标物体进行三维建模,可以处理一些场景较复杂的情况,然后采用预设安全规则,对目标物体的安全信息进行判断,同时得到与安全信息对应的安全防护信息,提高安全识别的准确性。
可选地,所述对所述第一图像数据进行预处理,得到处理后的第二图像数据,包括:
对所述第一图像数据进行去噪处理、增强处理和边缘检测处理,得到所述第二图像数据。
本申请的一些实施例通过对所述第一图像数据进行去噪处理、增强处理和边缘检测处理,得到所述第二图像数据,提高图像质量。
可选地,所述物体识别模型通过如下方式获得:
获取所述样本图像;
采用所述样本图像对所述深度神经网络模型进行训练,其中,所述深度神经网络模型至少包括目标检测YOLO模型或Faster R-CNN模型;
在损失函数值小于预设值的情况下,将所述深度神经网络模型确定为所述物体识别模型,所述物体识别模型用于对所述样本图像中的物体进行识别和定位。
本申请的一些实施例通过训练物体识别模型,利用了先进的物体检测和识别算法,能够对图像中的物体进行准确识别和定位,提高物体识别的准确性。
可选地,所述采用三维建模算法对所述目标物体进行扫描,得到与所述目标物体对应的扫描结果,包括:
采用多视角图像或激光对所述目标物体进行扫描,根据所述目标物体的位置信息和形状信息,生成所述目标物体的三维模型;
根据预设扫描识别算法,对所述目标物体的三维模型进行扫描,得到所述目标物体的扫描结果。
本申请的一些实施例利用三维重建技术,根据物体的位置、形状和尺寸等信息,生成物体的三维模型。然后,通过扫描识别技术对物体进行识别,并获取物体的详细属性和特征,从而对物体的安全性进行判断。
可选地,所述方法还包括:
将所述第一图像数据、所述第二图像数据、所述扫描结果和所述预设安全规则存在数据库中,用于数据查询和分析。
本申请的一些实施例将采集到的图像数据、识别结果和安全事件等信息进行数据分析,并将其存储在数据库中,以便后续查询和分析。
第二方面,本申请的一些实施例提供了一种空间物体的识别装置,包括:
获取模块,用于获取目标区域的第一图像数据;
处理模块,用于对所述第一图像数据进行预处理,得到处理后的第二图像数据;
识别模块,用于采用预先训练的物体识别模型,识别所述第二图像数据中的目标物体,其中,所述预先训练的物体识别模型是通过采用样本图像对深度神经网络模型进行训练得到的;
扫描模块,用于采用三维建模算法对所述目标物体进行扫描,得到与所述目标物体对应的扫描结果,其中,所述扫描结果至少包括目标物体的属性信息和特征信息;
判断模块,用于根据所述扫描结果和预设安全规则,判断所述目标物体的安全信息,并根据所述安全信息,确定与所述安全信息对应的安全防护信息,其中,所述预设安全规则用于判断物体的尺寸、形状或运动轨迹是否符合安全要求。
本申请的一些实施例通过训练深度神经网络模型,能提高图像中的物体识别准确性,同时,对目标物体进行三维建模,可以处理一些场景较复杂的情况,然后采用预设安全规则,对目标物体的安全信息进行判断,同时得到与安全信息对应的安全防护信息,提高安全识别的准确性。
可选地,所述处理模块用于:
对所述第一图像数据进行去噪处理、增强处理和边缘检测处理,得到所述第二图像数据。
本申请的一些实施例通过对所述第一图像数据进行去噪处理、增强处理和边缘检测处理,得到所述第二图像数据,提高图像质量。
可选地,所述装置还包括模型建立模块,所述模型建立模块用于:
获取所述样本图像;
采用所述样本图像对所述深度神经网络模型进行训练,其中,所述深度神经网络模型至少包括目标检测YOLO模型或Faster R-CNN模型;
在损失函数值小于预设值的情况下,将所述深度神经网络模型确定为所述物体识别模型,所述物体识别模型用于对所述样本图像中的物体进行识别和定位。
本申请的一些实施例通过训练物体识别模型,利用了先进的物体检测和识别算法,能够对图像中的物体进行准确识别和定位,提高物体识别的准确性。
可选地,所述扫描模块用于:
采用多视角图像或激光对所述目标物体进行扫描,根据所述目标物体的位置信息和形状信息,生成所述目标物体的三维模型;
根据预设扫描识别算法,对所述目标物体的三维模型进行扫描,得到所述目标物体的扫描结果。
本申请的一些实施例利用三维重建技术,根据物体的位置、形状和尺寸等信息,生成物体的三维模型。然后,通过扫描识别技术对物体进行识别,并获取物体的详细属性和特征,从而对物体的安全性进行判断。
可选地,所述处理模块还用于:
将所述第一图像数据、所述第二图像数据、所述扫描结果和所述预设安全规则存在数据库中,用于数据查询和分析。
本申请的一些实施例将采集到的图像数据、识别结果和安全事件等信息进行数据分析,并将其存储在数据库中,以便后续查询和分析。
第三方面,本申请的一些实施例提供一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述程序时可实现如第一方面任一实施例所述的空间物体的识别方法。
第四方面,本申请的一些实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时可实现如第一方面任一实施例所述的空间物体的识别方法。
第五方面,本申请的一些实施例提供一种计算机程序产品,所述的计算机程序产品包括计算机程序,其中,所述的计算机程序被处理器执行时可实现如第一方面任一实施例所述的空间物体的识别方法。
附图说明
为了更清楚地说明本申请的一些实施例的技术方案,下面将对本申请的一些实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的一种空间物体的识别方法的流程示意图;
图2为本申请实施例提供的一种空间物体的识别装置的结构示意图;
图3为本申请实施例提供的一种电子设备示意图。
具体实施方式
下面将结合本申请的一些实施例中的附图,对本申请的一些实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
随着计算机技术的不断发展,人们对安全问题越来越重视,现在通常对预设区域内的物体进行检测时,通常采用的是传统的物体检测和识别算法,但这种方式通常针对的是平面图像,对于复杂的场景和物体类型识别准确率不高,无法准确地识别出安全问题,鉴于此,本申请的一些实施例提供了一种空间物体的识别方法,该方法包括:获取目标区域的第一图像数据;对第一图像数据进行预处理,得到处理后的第二图像数据;采用预先训练的物体识别模型,识别第二图像数据中的目标物体,其中,预先训练的物体识别模型是通过采用样本图像对深度神经网络模型进行训练得到的;采用三维建模算法对目标物体进行扫描,得到与目标物体对应的扫描结果,其中,扫描结果至少包括目标物体的属性信息和特征信息;根据扫描结果和预设安全规则,判断目标物体的安全信息,并根据安全信息,确定与安全信息对应的安全防护信息,其中,预设安全规则用于判断物体的尺寸、形状或运动轨迹是否符合安全要求,本申请实施例中通过训练深度神经网络模型,能提高图像中的物体识别准确性,同时,对目标物体进行三维建模,可以处理一些场景较复杂的情况,然后采用预设安全规则,对目标物体的安全信息进行判断,同时得到与安全信息对应的安全防护信息,提高安全识别的准确性。
如图1所示,本申请的实施例提供了一种空间物体的识别方法,该方法包括:
S101、获取目标区域的第一图像数据;
具体地,利用摄像设备采集目标区域的第一图像数据,该第一图像数据至少包括视频流或静态图像,摄像设备向终端设备发送的第一图像数据。
S102、对第一图像数据进行预处理,得到处理后的第二图像数据;
具体地,终端设备对采集的第一图像数据进行预处理,例如去噪、增强、边缘检测等操作,得到第二图像数据,以提高图像质量。
S103、采用预先训练的物体识别模型,识别第二图像数据中的目标物体,其中,预先训练的物体识别模型是通过采用样本图像对深度神经网络模型进行训练得到的;
具体地,终端设备预先采用样本图像对深度神经网络模型进行训练得到物体识别模型,将第二图像数据输入到物体识别模型中,识别出第二图像数据中的目标物体,即利用物体检测技术对第二图像数据中的目标物体进行识别和定位。
S104、采用三维建模算法对目标物体进行扫描,得到与目标物体对应的扫描结果,其中,扫描结果至少包括目标物体的属性信息和特征信息;
具体地,终端设备采用三维建模算法对目标物体进行扫描,根据物体的位置、形状和尺寸等信息,生成目标物体的三维模型,然后,通过扫描识别技术对目标物体进行扫描,得到目标物体的扫描结果,该扫描结果至少包括目标物体的属性信息和特征信息。
S105、根据扫描结果和预设安全规则,判断目标物体的安全信息,并根据安全信息,确定与安全信息对应的安全防护信息,其中,预设安全规则用于判断物体的尺寸、形状或运动轨迹是否符合安全要求。
具体地,终端设备上预先存储预设安全规则,该预设安全规则用于判断物体的尺寸、形状或运动轨迹是否符合安全要求,根据扫描结果和预设安全规则,实时判断目标物体的安全性,并触发相应的安全预警措施即安全防护信息,如报警、通知相关人员等。同时,终端设备可根据需要采取进一步的防护措施,如锁定区域、启动安全隔离装置等。
在本申请实施例中,安全预警和防护措施相对于现有技术的优势可能包括实时性高、准确性高、可定制性强等,预设的安全规则可以是根据具体应用场景和需求设定的一系列规则,用于判断物体的安全性,如禁止某些物体进入特定区域、限制物体数量、异常行为检测或危险物体识别等。
安全预警和防护措施方案中,终端设备根据识别结果和预设的安全规则,实时判断物体的安全性,并触发相应的安全预警措施,如报警、通知相关人员等。同时,可以采取进一步的防护措施,如锁定区域、启动安全隔离装置等。与现有技术相比,本申请实施例综合运用多种技术进行全方位的安全防护,提高了预警准确性和响应速度。
相较于现有技术,本申请实施例利用先进的物体检测和识别算法,能够对图像中的物体进行准确识别和定位;通过预设的安全规则,能够实时判断物体的安全性,快速触发相应的安全预警措施;根据需要采取进一步的防护措施,提高安全性。
本申请的一些实施例通过训练深度神经网络模型,能提高图像中的物体识别准确性,同时,对目标物体进行三维建模,可以处理一些场景较复杂的情况,然后采用预设安全规则,对目标物体的安全信息进行判断,同时得到与安全信息对应的安全防护信息,提高安全识别的准确性。
本申请又一实施例对上述实施例提供的空间物体的识别方法做进一步补充说明。
可选地,对第一图像数据进行预处理,得到处理后的第二图像数据,包括:
对第一图像数据进行去噪处理、增强处理和边缘检测处理,得到第二图像数据。
本申请的一些实施例通过对第一图像数据进行去噪处理、增强处理和边缘检测处理,得到第二图像数据,提高图像质量。
可选地,物体识别模型通过如下方式获得:
获取样本图像;
采用样本图像对深度神经网络模型进行训练,其中,深度神经网络模型至少包括目标检测YOLO模型或Faster R-CNN模型;
YOLO模型不仅预测类别标签,还检测对象的位置。因此,它不仅将图像分类到一个类别中,还可以在图像中检测多个对象。该算法将单个神经网络应用于整个图像。这意味着该网络将图像分成区域,并为每个区域预测边界框和概率。这些边界框是由预测的概率加权的。
Faster R-CNN模型由四个主要部分组成,分别为Conv layers(卷积层)、RPN(区域生成网络)、Roi Pooling(ROI池化层)、Classifier(分类及回归)。
在损失函数值小于预设值的情况下,将深度神经网络模型确定为物体识别模型,物体识别模型用于对样本图像中的物体进行识别和定位。
本申请的一些实施例通过训练物体识别模型,利用了先进的物体检测和识别算法,能够对图像中的物体进行准确识别和定位,提高物体识别的准确性。
可选地,采用三维建模算法对目标物体进行扫描,得到与目标物体对应的扫描结果,包括:
采用多视角图像或激光对目标物体进行扫描,根据目标物体的位置信息和形状信息,生成目标物体的三维模型;
根据预设扫描识别算法,对目标物体的三维模型进行扫描,得到目标物体的扫描结果。
具体的,本申请实施例中采用多视角图像或激光扫描等技术,根据目标物体的位置、形状和尺寸等信息,生成目标物体的三维模型。然后,结合扫描识别技术,如基于点云的物体识别算法,对目标物体进行识别,并获取目标物体的详细属性和特征,如大小、形状、纹理等,这些属性和特征可以用于进一步的分析和判断物体的安全性。
其中,预设扫描识别算法至少包括基于特征匹配的方法,如SIFT、SURF等,并获取目标物体的详细属性和特征,如尺寸、形状、纹理等,这些属性和特征可以用于进一步的分析、识别和安全判定,如判断物体的危险程度或类别。
本申请的一些实施例利用三维重建技术,根据物体的位置、形状和尺寸等信息,生成物体的三维模型。然后,通过扫描识别技术对物体进行识别,并获取物体的详细属性和特征,从而对物体的安全性进行判断。
可选地,该方法还包括:
将第一图像数据、第二图像数据、扫描结果和预设安全规则存在数据库中,用于数据查询和分析。
具体地,终端设备将采集到的图像数据、识别结果和安全事件等信息进行数据分析,并将其存储在数据库中,以便后续查询和分析。
终端设备通过云计算技术,实现对分布式服务器集群的管理和资源调度,提高系统的运行效率和可扩展性。同时,系统通过网络通信技术,实现与其他系统的数据交互和信息共享,通过云计算技术提高系统的运行效率和可扩展性。同时,利用网络通信技术,与其他系统进行数据交互和信息共享,实现更高效的安全防护。具体技术特征可能包括云服务器的虚拟化管理、负载均衡、分布式存储等,并通过网络协议实现数据传输和通信。这样可以实现系统的高效运行和与其他系统的无缝连接。
云计算和网络通信的具体技术特征可能包括使用云计算技术实现对分布式服务器集群的管理和资源调度,如使用虚拟化技术实现服务器资源的动态分配;同时,利用网络通信技术,如使用TCP/IP协议进行数据交互和信息共享,实现系统与其他系统的连接和通信。这些技术特征可以提高系统的运行效率、可扩展性和数据交互的便捷性。
本申请的一些实施例将采集到的图像数据、识别结果和安全事件等信息进行数据分析,并将其存储在数据库中,以便后续查询和分析。
本申请实施例应用于智能安全防护系统,在公共场所、安全监控系统、交通管理系统等领域具有广泛应用前景,可提高安全防护的准确性和效率,为人们的生活和工作带来更多的安全保障。
需要说明的是,本实施例中各可实施的方式可以单独实施,也可以在不冲突的情况下以任意组合方式结合实施本申请不做限定。
本申请另一实施例提供一种空间物体的识别装置,用于执行上述实施例提供的空间物体的识别方法。
如图2所示,为本申请实施例提供的空间物体的识别装置的结构示意图。该空间物体的识别装置包括获取模块201、处理模块202、识别模块203、扫描模块204和判断模块205,其中:
获取模块201用于获取目标区域的第一图像数据;
处理模块202用于对第一图像数据进行预处理,得到处理后的第二图像数据;
识别模块203用于采用预先训练的物体识别模型,识别第二图像数据中的目标物体,其中,预先训练的物体识别模型是通过采用样本图像对深度神经网络模型进行训练得到的;
扫描模块204用于采用三维建模算法对目标物体进行扫描,得到与目标物体对应的扫描结果,其中,扫描结果至少包括目标物体的属性信息和特征信息;
判断模块205用于根据扫描结果和预设安全规则,判断目标物体的安全信息,并根据安全信息,确定与安全信息对应的安全防护信息,其中,预设安全规则用于判断物体的尺寸、形状或运动轨迹是否符合安全要求。
关于本实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本申请的一些实施例通过训练深度神经网络模型,能提高图像中的物体识别准确性,同时,对目标物体进行三维建模,可以处理一些场景较复杂的情况,然后采用预设安全规则,对目标物体的安全信息进行判断,同时得到与安全信息对应的安全防护信息,提高安全识别的准确性。
本申请又一实施例对上述实施例提供的空间物体的识别装置做进一步补充说明。
可选地,处理模块用于:
对第一图像数据进行去噪处理、增强处理和边缘检测处理,得到第二图像数据。
本申请的一些实施例通过对第一图像数据进行去噪处理、增强处理和边缘检测处理,得到第二图像数据,提高图像质量。
可选地,装置还包括模型建立模块,模型建立模块用于:
获取样本图像;
采用样本图像对深度神经网络模型进行训练,其中,深度神经网络模型至少包括目标检测YOLO模型或Faster R-CNN模型;
在损失函数值小于预设值的情况下,将深度神经网络模型确定为物体识别模型,物体识别模型用于对样本图像中的物体进行识别和定位。
本申请的一些实施例通过训练物体识别模型,利用了先进的物体检测和识别算法,能够对图像中的物体进行准确识别和定位,提高物体识别的准确性。
可选地,扫描模块用于:
采用多视角图像或激光对目标物体进行扫描,根据目标物体的位置信息和形状信息,生成目标物体的三维模型;
根据预设扫描识别算法,对目标物体的三维模型进行扫描,得到目标物体的扫描结果。
本申请的一些实施例利用三维重建技术,根据物体的位置、形状和尺寸等信息,生成物体的三维模型。然后,通过扫描识别技术对物体进行识别,并获取物体的详细属性和特征,从而对物体的安全性进行判断。
可选地,处理模块还用于:
将第一图像数据、第二图像数据、扫描结果和预设安全规则存在数据库中,用于数据查询和分析。
本申请的一些实施例将采集到的图像数据、识别结果和安全事件等信息进行数据分析,并将其存储在数据库中,以便后续查询和分析。
关于本实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
需要说明的是,本实施例中各可实施的方式可以单独实施,也可以在不冲突的情况下以任意组合方式结合实施本申请不做限定。
本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,程序被处理器执行时可实现如上述实施例提供的空间物体的识别方法中的任意实施例所对应方法的操作。
本申请实施例还提供了一种计算机程序产品,的计算机程序产品包括计算机程序,其中,的计算机程序被处理器执行时可实现如上述实施例提供的空间物体的识别方法中的任意实施例所对应方法的操作。
如图3所示,本申请的一些实施例提供一种电子设备300,该电子设备300包括:存储器310、处理器320以及存储在存储器310上并可在处理器320上运行的计算机程序,其中,处理器320通过总线330从存储器310读取程序并执行程序时可实现如上述空间物体的识别方法包括的任意实施例的方法。
处理器320可以处理数字信号,可以包括各种计算结构。例如复杂指令集计算机结构、结构精简指令集计算机结构或者一种实行多种指令集组合的结构。在一些示例中,处理器320可以是微处理器。
存储器310可以用于存储由处理器320执行的指令或指令执行过程中相关的数据。这些指令和/或数据可以包括代码,用于实现本申请实施例描述的一个或多个模块的一些功能或者全部功能。本公开实施例的处理器320可以用于执行存储器310中的指令以实现上述所示的方法。存储器310包括动态随机存取存储器、静态随机存取存储器、闪存、光存储器或其它本领域技术人员所熟知的存储器。
以上仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
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。因此,本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种空间物体的识别方法,其特征在于,所述方法包括:
获取目标区域的第一图像数据;
对所述第一图像数据进行预处理,得到处理后的第二图像数据;
采用预先训练的物体识别模型,识别所述第二图像数据中的目标物体,其中,所述预先训练的物体识别模型是通过采用样本图像对深度神经网络模型进行训练得到的;
采用三维建模算法对所述目标物体进行扫描,得到与所述目标物体对应的扫描结果,其中,所述扫描结果至少包括目标物体的属性信息和特征信息;
根据所述扫描结果和预设安全规则,判断所述目标物体的安全信息,并根据所述安全信息,确定与所述安全信息对应的安全防护信息,其中,所述预设安全规则用于判断物体的尺寸、形状或运动轨迹是否符合安全要求。
2.根据权利要求1所述的空间物体的识别方法,其特征在于,所述对所述第一图像数据进行预处理,得到处理后的第二图像数据,包括:
对所述第一图像数据进行去噪处理、增强处理和边缘检测处理,得到所述第二图像数据。
3.根据权利要求1所述的空间物体的识别方法,其特征在于,所述物体识别模型通过如下方式获得:
获取所述样本图像;
采用所述样本图像对所述深度神经网络模型进行训练,其中,所述深度神经网络模型至少包括目标检测YOLO模型或Faster R-CNN模型;
在损失函数值小于预设值的情况下,将所述深度神经网络模型确定为所述物体识别模型,所述物体识别模型用于对所述样本图像中的物体进行识别和定位。
4.根据权利要求1所述的空间物体的识别方法,其特征在于,所述采用三维建模算法对所述目标物体进行扫描,得到与所述目标物体对应的扫描结果,包括:
采用多视角图像或激光对所述目标物体进行扫描,根据所述目标物体的位置信息和形状信息,生成所述目标物体的三维模型;
根据预设扫描识别算法,对所述目标物体的三维模型进行扫描,得到所述目标物体的扫描结果。
5.根据权利要求1所述的空间物体的识别方法,其特征在于,所述方法还包括:
将所述第一图像数据、所述第二图像数据、所述扫描结果和所述预设安全规则存在数据库中,用于数据查询和分析。
6.一种空间物体的识别装置,其特征在于,所述装置包括:
获取模块,用于获取目标区域的第一图像数据;
处理模块,用于对所述第一图像数据进行预处理,得到处理后的第二图像数据;
识别模块,用于采用预先训练的物体识别模型,识别所述第二图像数据中的目标物体,其中,所述预先训练的物体识别模型是通过采用样本图像对深度神经网络模型进行训练得到的;
扫描模块,用于采用三维建模算法对所述目标物体进行扫描,得到与所述目标物体对应的扫描结果,其中,所述扫描结果至少包括目标物体的属性信息和特征信息;
判断模块,用于根据所述扫描结果和预设安全规则,判断所述目标物体的安全信息,并根据所述安全信息,确定与所述安全信息对应的安全防护信息,其中,所述预设安全规则用于判断物体的尺寸、形状或运动轨迹是否符合安全要求。
7.根据权利要求6所述的空间物体的识别装置,其特征在于,所述处理模块用于:
对所述第一图像数据进行去噪处理、增强处理和边缘检测处理,得到所述第二图像数据。
8.根据权利要求6所述的空间物体的识别装置,其特征在于,所述装置还包括模型建立模块,所述模型建立模块用于:
获取所述样本图像;
采用所述样本图像对所述深度神经网络模型进行训练,其中,所述深度神经网络模型至少包括目标检测YOLO模型或Faster R-CNN模型;
在损失函数值小于预设值的情况下,将所述深度神经网络模型确定为所述物体识别模型,所述物体识别模型用于对所述样本图像中的物体进行识别和定位。
9.一种电子设备,其特征在于,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述程序时可实现权利要求1-5中任意一项权利要求所述的空间物体的识别方法。
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可实现权利要求1-5中任意一项权利要求所述的空间物体的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311202641.0A CN117237935A (zh) | 2023-09-18 | 2023-09-18 | 一种空间物体的识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311202641.0A CN117237935A (zh) | 2023-09-18 | 2023-09-18 | 一种空间物体的识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117237935A true CN117237935A (zh) | 2023-12-15 |
Family
ID=89087470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311202641.0A Pending CN117237935A (zh) | 2023-09-18 | 2023-09-18 | 一种空间物体的识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117237935A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117765186A (zh) * | 2024-02-18 | 2024-03-26 | 广东电网有限责任公司广州供电局 | 一种环境空间的重构方法、装置、设备和存储介质 |
-
2023
- 2023-09-18 CN CN202311202641.0A patent/CN117237935A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117765186A (zh) * | 2024-02-18 | 2024-03-26 | 广东电网有限责任公司广州供电局 | 一种环境空间的重构方法、装置、设备和存储介质 |
CN117765186B (zh) * | 2024-02-18 | 2024-05-28 | 广东电网有限责任公司广州供电局 | 一种环境空间的重构方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Intelligent intersection: Two-stream convolutional networks for real-time near-accident detection in traffic video | |
EP3505962B1 (en) | Method and apparatus for processing point cloud data | |
Zuraimi et al. | Vehicle detection and tracking using YOLO and DeepSORT | |
Lim et al. | iSurveillance: Intelligent framework for multiple events detection in surveillance videos | |
Ryan et al. | Scene invariant multi camera crowd counting | |
US20130170696A1 (en) | Clustering-based object classification | |
US20230072731A1 (en) | System and method for panoptic segmentation of point clouds | |
CN111079621B (zh) | 检测对象的方法、装置、电子设备和存储介质 | |
CN117237935A (zh) | 一种空间物体的识别方法、装置、电子设备及存储介质 | |
CN104933542B (zh) | 一种基于计算机视觉的物流仓储监控方法 | |
CN111523362A (zh) | 一种基于电子围网的数据分析方法、装置及电子设备 | |
US20230206652A1 (en) | Systems and methods for utilizing models to detect dangerous tracks for vehicles | |
CN111476685B (zh) | 行为分析方法、装置及设备 | |
CN114218992A (zh) | 异常对象的检测方法及相关装置 | |
CN113673399A (zh) | 区域监测的方法、装置、电子设备及可读存储介质 | |
Frejlichowski et al. | SmartMonitor: An approach to simple, intelligent and affordable visual surveillance system | |
Frejlichowski et al. | Application of foreground object patterns analysis for event detection in an innovative video surveillance system | |
Sharma et al. | Automatic vehicle detection using spatial time frame and object based classification | |
Alvar et al. | Mixture of merged gaussian algorithm using RTDENN | |
CN114241400A (zh) | 电网系统的监控方法及其装置、计算机可读存储介质 | |
CN115082832A (zh) | 信息识别方法、装置及存储介质 | |
CN113593256A (zh) | 基于城市管理的无人机智能驱离控制方法、系统及云平台 | |
CN115719469A (zh) | 目标识别方法及装置、设备、存储介质 | |
Mostfa et al. | Design and implementation of vehicles identification and tracking system | |
US20230360402A1 (en) | Video-based public safety incident prediction system and method therefor |
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 |