[发明专利]基于运动的对象检测方法及其对象检测装置和电子设备

说明书

本申请涉及基于运动的对象检测方法及其对象检测装置和电子设备。该对象检测方法包括：对获取的第一图像和第二图像进行处理，以获得至少一感兴趣区域；将所述至少一感兴趣区域转化为灰度图像；以及，以深度神经网络模型处理所述灰度图像以对所述感兴趣区域所包含的对象进行分类，以获得所述感兴趣区域所包含的对象是否属于给定类别的对象的分类结果，其中，所述深度神经网络模型包括多层深度可分离卷积层，用于获得所述灰度图像的特征图。这样，通过对待识别的图像进行灰度处理，并且，利用特定模型架构使得所述对象检测方法能够在延迟度和准确度之间取得有效的平衡。

技术领域

本发明总体地涉及机器视觉，特别是涉及基于运动的对象检测方法机器对象检测装置和电子设备，其能够应用于嵌入式平台上的视觉应用以进行实时的对象检测，并且，具有较低的功耗以及在延迟度和准确度之间取得有效的平衡。

背景技术

人类可以通过领域知识快速而准确地识别对象所属的类别。在信息技术时代，利用机器视觉进行对象自动识别已成为普遍需求。例如，监控摄像装置，其可通过集成对象识别计算机程序以用于通过区分特定对象(例如，人)和无生命对象(例如，场景背景)来识别潜在的入侵者。

近年来，由于能够得到更高的精度，深度神经网络(例如，卷积神经网络)已在对象检测应用中越来越普及。例如，已有许多用于静态图像的离线对象检测的深度神经网络算法被开发出来。然而，就像用于静态图像的离线对象检测的深度神经网络模型，目前深度神经网络的重点在于通过更深和更复杂的网络来获得更高的识别精度。而，识别精度的突破大多数都是在计算代价巨大的条件下产生的，例如，具有千层网络结构的ResNet神经网络。

这样的发展趋势并不利于深度学习网络在嵌入式终端的推广，其原因在于：第一，嵌入式终端产品(例如，监控设备)的嵌入式芯片的计算性能并不是很强，即使考虑到云计算仍需要消耗大量的带宽资源和计算资源；第二，对于嵌入式终端产品而言，其需求在于低延时，低功耗，同时只需满足精度在可接受的范围即可。

因此，对于一种能够满足应用于嵌入式平台的对象检测方法及其计算机程度产品的需求是迫切的。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了基于运动的对象检测方法及其对象检测装置和电子设备，其通过对待识别的图像进行灰度处理，并且，利用特定模型架构以使得所述对象检测方法具有较低的功耗以及在延迟度和准确度之间取得有效的平衡。

根据本申请的一方面，提供了一种基于运动的对象检测方法，包括：对获取的第一图像和第二图像进行处理，以获得至少一感兴趣区域；将所述至少一感兴趣区域转化为灰度图像；以及，以深度神经网络模型处理所述灰度图像以对所述感兴趣区域所包含的对象进行分类，以获得所述感兴趣区域所包含的对象是否属于给定类别的对象的分类结果，其中，所述深度神经网络模型包括N层深度可分离卷积层，用于获得所述灰度图像的特征图，其中，N为正整数且属于4～12，其中，每一深度可分离卷积层包括深度卷积层和逐点卷积层，所述深度卷积层用于对每个输入通道应用单个滤波器，所述逐点卷积层用于对所述深度卷积的输出进行线性组合以获得更新的特征图。

在上述基于运动的对象检测方法中，以深度神经网络模型处理所述灰度图像以对所述感兴趣区域所包含的对象进行分类，以获得所述感兴趣区域所包含的对象是否属于给定类别的对象的分类结果，包括：确定所述感兴趣区域所包含的对象属于给定类别的对象；以及，响应于所述感兴趣区域所包含的对象属于给定类别的对象，生成表示检测到所述感兴趣区域所包含的对象属于给定类别对象的指示信息。

在上述基于运动的对象检测方法中，对获取的第一图像和第二图像进行处理以获得至少一感兴趣区域，包括：识别出所述第一图像和所述第二图像之间的不同的图像区域；以及，聚集所述第一图像和第二图像之间的不同的图像区域，以获得所述至少一感兴趣区域。