一种遮挡目标检测方法、电子设备、存储介质及系统技术方案

本发明专利技术提供一种遮挡目标检测方法，包括：获取待测目标图像及预设数据库中的训练数据集；采用贝叶斯框架评价检测因素的重要性及对所述检测因素进行因素融合并得到多因素贝叶斯模型；将所述训练集数据输入至所述多因素贝叶斯模型中并对所述多因素贝叶斯模型进行权重优化处理，得到已优化贝叶斯模型。本发明专利技术提供的一种遮挡目标检测方法，通过采用贝叶斯框架构建多因素贝叶斯模型，再对贝叶斯模型进行训练优化处理得到已优化的贝叶斯模型，最后使用已优化贝叶斯模型对待测目标图像进行检测并得到精准的检测结果，使用多因素的贝叶斯模型避免了因为待测目标图像中的目标物之间出现遮挡或目标物被遮挡出现的待测目标图像信息损失造成漏检的现象。

Occlusion target detection method, electronic device, storage medium and system

The invention provides an occlusion target detection method, which includes acquiring the target image and training data set in the preset database, evaluating the importance of detection factors by using Bayesian framework, fusing the detection factors and obtaining a multi-factor Bayesian model, and inputting the training set data into the multi-factor. In the prime Bayesian model, the weight of the multi-factor Bayesian model is optimized, and the optimized Bayesian model is obtained. The method of occlusion target detection provided by the invention constructs a multi-factor Bayesian model by using Bayesian framework, and then trains and optimizes the Bayesian model to obtain the optimized Bayesian model. Finally, the optimized Bayesian model is used to detect the target image to be detected and obtain accurate detection results, so that The multi-factor Bayesian model is used to avoid the phenomenon of missing detection due to the occlusion between the objects in the target image or the information loss of the target image when the objects are occluded.

【技术实现步骤摘要】
一种遮挡目标检测方法、电子设备、存储介质及系统
本专利技术涉及图像检测领域，尤其涉及一种遮挡目标检测方法、电子设备、存储介质及系统。
技术介绍
目标检测是通过提取目标的可判别特征，训练获得区分目标和背景的分类器，在图像中确定目标位置的过程。目标检测在视频监控、图像检索等领域有着广泛的应用价值。然而，由于真实世界中多目标之间复杂的空间位置关系，成像过程中存在大量的遮挡现象，致使目标检测丢失；现有方法在处理遮挡时，通常使用位置和遮挡类型，如规则网格的区域外观验证、网格二值可见性标记等；这种对于有遮挡状况下的目标检测是估测目标物的可见性，但是会出现对于目标物的信息检测损失造成对于目标物中信息检测不完全造成漏检的现象。
技术实现思路
为了克服现有技术的不足，本专利技术的目的之一在于提供一种有遮挡的目标物检测方法，其能解决对于目标物的信息检测损失造成对于目标物中信息检测不完全造成漏检的现象的问题。本专利技术的目的之二在于提供一种电子设备，其能解决对于目标物的信息检测损失造成对于目标物中信息检测不完全造成漏检的现象的问题。本专利技术的目的之三在于提供一种存储介质，其能解决对于目标物的信息检测损失造成对于目标物中信息检测不完全造成漏检的现象的问题。本专利技术的目的之四在于提供一种遮挡目标检测方法，其能解决对于目标物的信息检测损失造成对于目标物中信息检测不完全造成漏检的现象的问题。本专利技术的目的之一采用以下技术方案实现：一种遮挡目标检测方法，包括：图像获取，获取待测目标图像及预设数据库中的训练数据集；构建检测模型，采用贝叶斯框架评价检测因素的重要性及对所述检测因素进行因素融合并得到多因素贝叶斯模型；权重优化学习，将所述训练集数据输入至所述多因素贝叶斯模型中并对所述多因素贝叶斯模型进行权重优化处理，得到已优化贝叶斯模型；目标检测，将所述待测目标图像输入至所述已优化贝叶斯模型中进行检测并得到检测结果。进一步地，所述检测因素包括外观因素、形变因素及可见性因素，所述多因素贝叶斯模型包括外观项子模型、形变项子模型以及可见性项子模型。进一步地，所述外观项子模型用于分析所述目标图像的外观相似度，所述形变项子模型用于分析所述目标图像的位置偏离程度，所述可见性项子模型用于描述所述目标图像在遮挡时引起的图像损失。进一步地，所述对所述多因素贝叶斯模型进行优化处理具体为：采用最大化曲线下方面积学习所述多因素贝叶斯模型中的系数，采用贪婪算法对所述多因素贝叶斯模型中的所述检测因素的权重进行优化。进一步地，在所述构建检测模型之前还包括图像预处理，根据加权平均法对所述待测目标图像进行灰度变换处理、滤波处理以及纹理消除处理。本专利技术的目的之二采用以下技术方案实现：一种电子设备，包括：处理器；存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行本专利技术的一种遮挡目标检测方法。本专利技术的目的之三采用以下技术方案实现：一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行本专利技术的一种遮挡目标检测方法。本专利技术的目的之四采用以下技术方案实现：一种遮挡目标检测系统，包括：图像获取模块，所述图像获取模块用于获取待测目标图像及预设数据库中的训练数据集；构建检测模型模块，所述构建检测模型模块用于采用贝叶斯框架评价检测因素的重要性及对所述检测因素进行因素融合并得到多因素贝叶斯模型；权重优化模块，所述权重优化模块用于将所述训练集数据输入至所述多因素贝叶斯模型中并对所述多因素贝叶斯模型进行权重优化处理，得到已优化贝叶斯模型；目标检测模块，所述目标检测模块用于将所述待测目标图像输入至所述已优化贝叶斯模型中进行检测并得到检测结果。进一步地，还包括图像预处理模块，所述图像预处理模块用于根据加权平均法对所述待测目标图像进行灰度变换处理、滤波处理以及纹理消除处理。进一步地，所述图像预处理模块包括灰度变换单元、滤波单元以及纹理消除单元，所述灰度变换单元用于根据加权平均法对所述待测目标图像进行灰度变换处理；所述滤波单元用于根据加权平均法对所述待测目标图像进行滤波处理；所述纹理消除单元用于根据加权平均法对所述待测目标图像进行纹理消除处理。相比现有技术，本专利技术的有益效果在于：本专利技术的一种遮挡目标检测方法，包括获取待测目标图像及预设数据库中的训练数据集；采用贝叶斯框架评价检测因素的重要性及对所述检测因素进行因素融合并得到多因素贝叶斯模型；将所述训练集数据输入至所述多因素贝叶斯模型中并对所述多因素贝叶斯模型进行权重优化处理，得到已优化贝叶斯模型；将所述待测目标图像输入至所述已优化贝叶斯模型中进行检测并得到检测结果；本专利技术通过采用贝叶斯框架构建多因素贝叶斯模型，再对贝叶斯模型进行训练优化处理得到已优化的贝叶斯模型，最后使用已优化贝叶斯模型对待测目标图像进行检测并得到精准的检测结果，使用多因素的贝叶斯模型避免了因为待测目标图像中的目标物之间出现遮挡或目标物被遮挡出现的待测目标图像信息损失造成漏检的现象，在待测目标物图像中的目标物之间存在遮挡时也能最大化的采集到待测目标图像中的目标物特征并进行有效的识别，避免了目标物漏检的现象，提高了检测的精准率。上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，并可依照说明书的内容予以实施，以下以本专利技术的较佳实施例并配合附图详细说明如后。本专利技术的具体实施方式由以下实施例及其附图详细给出。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1为本专利技术的一种遮挡目标检测方法的流程图；图2为本专利技术的一种遮挡目标检测系统的模块框图。具体实施方式下面，结合附图以及具体实施方式，对本专利技术做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。在本专利技术实施例中的一种遮挡目标检测方法应用于对目标检测方面，特别是目标图像中出现多个子目标，且子目标之间出现遮挡现象，例如：在目标图像中包括动物和人，由于动物和人的位置关系，动物遮挡了人体的部分特征；本专利技术的一种遮挡目标检测方法，如图1所示，具体包括以下步骤：图像获取，获取待测目标图像及预设数据库中的训练数据集；获取用于训练检测模型的训练数据集，本实施例中的预设数据库为PASCAL数据库，训练数据集包括若干张真实场景的图像。图像预处理，根据加权平均法对待测目标图像进行灰度变换处理、滤波处理以及纹理消除处理；先对待测目标图像进行灰度变换处理，对经过灰度变换处理后的待测目标图像进行均值滤波处理，经过灰度变换处理和滤波处理后的待测目标图像会存在一些字符带有阴影线，因此采用为了消除阴影线的影响，对待测目标图像进行纹理消除处理，本实施例中采用形态学的膨胀与收缩操作以降低阴影线的影响，膨胀操作为将待测目标图像中的每个像素的灰度值用它的领域内的像素中的灰度最大值替代，收缩即与膨胀相反，将待测驾驶证图像中各个像素的灰度值用它的领域内的像素中的灰度最小值替代。构建检测模型，采用贝叶斯框架评价检测因素的重要性及对检测因素进行因素融合并得到多因素贝叶斯模型，本实施例中的检测因素包括外观因素、形变因素及可见性因素，多因素贝叶斯模型包括外观本文档来自技高网...

【技术保护点】
1.一种遮挡目标检测方法，其特征在于包括：图像获取，获取待测目标图像及预设数据库中的训练数据集；构建检测模型，采用贝叶斯框架评价检测因素的重要性及对所述检测因素进行因素融合并得到多因素贝叶斯模型；权重优化学习，将所述训练集数据输入至所述多因素贝叶斯模型中并对所述多因素贝叶斯模型进行权重优化处理，得到已优化贝叶斯模型；目标检测，将所述待测目标图像输入至所述已优化贝叶斯模型中进行检测并得到检测结果。

【技术特征摘要】
1.一种遮挡目标检测方法，其特征在于包括：图像获取，获取待测目标图像及预设数据库中的训练数据集；构建检测模型，采用贝叶斯框架评价检测因素的重要性及对所述检测因素进行因素融合并得到多因素贝叶斯模型；权重优化学习，将所述训练集数据输入至所述多因素贝叶斯模型中并对所述多因素贝叶斯模型进行权重优化处理，得到已优化贝叶斯模型；目标检测，将所述待测目标图像输入至所述已优化贝叶斯模型中进行检测并得到检测结果。2.如权利要求1所述的一种遮挡目标检测方法，其特征在于：所述检测因素包括外观因素、形变因素及可见性因素，所述多因素贝叶斯模型包括外观项子模型、形变项子模型以及可见性项子模型。3.如权利要求2所述的一种遮挡目标检测方法，其特征在于：所述外观项子模型用于分析所述目标图像的外观相似度，所述形变项子模型用于分析所述目标图像的位置偏离程度，所述可见性项子模型用于描述所述目标图像在遮挡时引起的图像损失。4.如权利要求1所述的一种遮挡目标检测方法，其特征在于：所述对所述多因素贝叶斯模型进行优化处理具体为：采用最大化曲线下方面积学习所述多因素贝叶斯模型中的系数，采用贪婪算法对所述多因素贝叶斯模型中的所述检测因素的权重进行优化。5.如权利要求1所述的一种遮挡目标检测方法，其特征在于：在所述构建检测模型之前还包括图像预处理，根据加权平均法对所述待测目标图像进行灰度变换处理、滤波处理以及纹理消除处理。6.一种电子设备，其特征在于包括：处理器；存储器；...

【专利技术属性】
技术研发人员：陈鑫，叶淑阳，
申请(专利权)人：淘然视界杭州科技有限公司，
类型：发明
国别省市：浙江,33