[发明专利]目标检测方法、系统、设备及存储介质

说明书

本发明提供了一种目标检测方法、系统、设备及存储介质，该方法包括：从视频数据中抽取当前检测帧的图像；从所述视频数据中抽取当前检测帧之前的一参照帧的图像；计算所述当前检测帧的图像和所述参照帧的图像的差值图；根据所述差值图从当前检测帧选取候选框；基于所述候选框的位置在当前检测帧的图像中截取候选区域图像；将所述候选区域图像输入训练好的目标检测网络，获取所述目标检测网络的输出结果，所述输出结果包括检测到的目标位置。本发明实现了基于高清视频的小尺度目标高精度检测识别，相比现有的计算机视觉算法具有极低的资源消耗和更快的检测速度，更适用于实时目标检测，并且大大降低了误报率。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种目标检测方法、系统、设备及存储介质。

背景技术

现有的港口等场景由于重型机械较多，人员流动复杂，存在着安全隐患。对于港口客户来说，设置行人禁止进入区域是常见的安全管理手段。传统的无人化安全管理依赖着较多的工作人员对监控摄像头的实时跟踪，对客户来说有着较大的人力需求，且长时间工作负荷下或业务繁忙时，人力肉眼观察存在着较大漏报的可能性。因此，采用自动报警系统已经成为节约人力成本提高管理效率的必要措施。

由于港口面积范围广，如采用传统的视觉检测或常用深度学习检测方法，对小尺度目标较为薄弱的检测能力和高精度实时性的要求，会导致摄像头部署时覆盖范围需尽量小的局面，因此需要的监控摄像头较多。另一方面，如摄像头覆盖的范围尽量大，行人在摄像头画面中就变成了小目标。对检测算法的小尺度检测能力则有了较大的要求。

小尺度目标检测长久以来一直是计算机视觉方向的难点和热点。采用传统计算机视觉算法，在1080p摄像头画面中，精准检测小尺度目标会存在着较多噪声的干扰。如采用深度学习卷积神经网络检测小尺度目标，也会由于目标可利用特征较少而对网络有着较大的参数需求，导致模型预测时间慢效率低，另一方面也会带来较多的误触发。如何确保在极高的准确率和实时性要求这一条件约束下，实现对小尺度目标的检测功能，已经成为算法设计的首要目标。

发明内容

针对现有技术中的问题，本发明的目的在于提供一种目标检测方法、系统、设备及存储介质，实现基于高清视频的小尺度目标高精度检测识别。

本发明实施例提供一种目标检测方法，包括如下步骤：

S100：从视频数据中抽取当前检测帧的图像；

S200：从所述视频数据中抽取当前检测帧之前的一参照帧的图像；

S300：计算所述当前检测帧的图像和所述参照帧的图像的差值图；

S400：根据所述差值图从当前检测帧选取候选框；

S500：基于所述候选框的位置在当前检测帧的图像中截取候选区域图像；

S600：将所述候选区域图像输入训练好的目标检测网络，获取所述目标检测网络的输出结果，所述输出结果包括检测到的目标位置。

在一些实施例中，所述步骤S300：根据所述差值图从当前检测帧选取候选框，包括如下步骤：

判断所述差值图是否有像素值超过预设像素阈值的区域；

如果是，则对差值图进行形态学处理，处理后的差值图；

对所述处理后的差值图采用轮廓检测算法检测动态变化区域的轮廓，并输出所述动态变化区域的外接矩形；

根据所述动态变化区域的外接矩形的中心点确定预设候选框尺寸的候选框。

在一些实施例中，获取所述目标检测网络的输出结果，还包括如下步骤：

将所述目标检测网络中的目标位置所对应的候选框加入到下一个检测帧的候选框中。