[发明专利]一种目标检测方法、装置、网络摄像机及存储介质

说明书

本发明实施例公开了一种基于网络摄像机的目标检测方法、装置、网络摄像机及存储介质。该方法包括：根据网络摄像机获取的每一帧待检测图像生成特定结构的图像特征数据；将特定结构的图像特征数据输入预先训练好的YOLOv5目标检测模型，输出人脸和/或行人在当前帧待检测图像中的多个预测框；根据预设规则从多个预测框筛选出人脸和/或行人在当前帧待检测图像中的最佳预测框；根据最佳预测框得到人脸和/或行人在当前帧待检测图像中的位置。本发明实施例的技术方案，使用YOLOv5目标检测算法检测网络摄像机获取图像中的人脸和行人，在不牺牲太多识别精度的基础上，降低部署成本，有利于模型的快速部署。

技术领域

本发明实施例涉及网络摄像机技术领域，尤其涉及一种基于网络摄像机的目标检测方法、装置、网络摄像机及存储介质。

背景技术

在边缘计算机领域，大部分还是使用传统算法HOG特征+SVM分类器为代表的算法检测行人，受外界干扰严重，系统不稳定。有些较好的网络摄像机使用深度学习算法进行行人检测和人脸检测与识别，但是需要比较好的硬件支持，而且之前目标检测算法例如，YOLOv3，OLOv3_tiny，SSD在速度上和细小物体检测方面受到限制；YOLOv4虽然对细小物体检测方面有所优化和改进，但模型较大，大小为245MB。如果使用传统目标检测算法进行行人和人脸检测与识别，受环光照、天气影响，算法的泛化性比较差，基于以前的深度学习算法，要求硬件较高端，部署比较困难，不够灵活。

发明内容

本发明实施例提供一种基于网络摄像机的目标检测方法、装置、网络摄像机及存储介质，以实现在不牺牲太多识别精度的基础上，降低部署成本，有利于模型的快速部署。

第一方面，本发明实施例提供了一种基于网络摄像机的目标检测方法，包括：

根据网络摄像机获取的每一帧待检测图像生成特定结构的图像特征数据；

将所述特定结构的图像特征数据输入预先训练好的YOLOv5目标检测模型，输出人脸和/或行人在当前帧待检测图像中的多个预测框；其中，所述YOLOv5目标检测模型根据网络摄像机的硬件配置选择不同的模型部署在网络摄像机；

根据预设规则从所述多个预测框筛选出人脸和/或行人在当前帧待检测图像中的最佳预测框；

根据所述最佳预测框得到人脸和/或行人在当前帧待检测图像中的位置。

可选的，所述根据网络摄像机获取的每一帧待检测图像生成特定结构的图像特征数据，包括：

对当前帧待检测图像进行图像分辨率设置操作和归一化图像像素值操作，得到特定结构的图像特征数据。

可选的，在根据网络摄像机获取的每一帧待检测图像生成特定结构的图像特征数据之前，还包括对YOLOv5目标检测模型进行训练，所述对YOLOv5目标检测模型进行训练，包括：

采集多个第一图像样本数据，以及对应的人脸和/或行人在第一图像样本数据中的位置；

根据所述第一图像样本数据生成训练图像特征数据；

使用所述对应的人脸和/或行人在第一图像样本数据中的位置对所述训练图像特征数据进行标记，以生成训练样本集；

将所述训练样本集的每个训练图像特征数据输入至待训练的YOLOv5目标检测模型进行训练。

可选的，在对YOLOv5目标检测模型进行训练之后，还包括对YOLOv5目标检测模型进行检测，所述对YOLOv5目标检测模型进行检测，包括：

采集多个第二图像样本数据，以及对应的人脸和/或行人在第二图像样本数据中的位置；

根据所述第二图像样本数据生成检测图像特征数据；