目标检测方法、装置、电子设备及可读存储介质制造方法及图纸

本申请提供一种目标检测方法、装置、电子设备及可读存储介质。方法包括：从监控视频中获取第一图像；通过滤波算法对第一图像进行预处理得到第二图像，使得第二图像的图像特征强度大于第一图像的图像特征强度；从监控视频对应的参考图像序列确定目标参考图像，根据目标参考图像及第二图像，判断第二图像中是否包括存在运动目标的图区；将从第二图像中检测到的运动目标图区输入经过预训练的深度学习模型，得到深度学习模型检测的第二图像的检测结果。在本方案中，通过对获取的图像进行预处理，增强图像细节特征，再确定存在运动目标的图区，使得在深度学习模型对预处理后的图像进行检测时，可以提高对运动目标检测的准确度。

Target detection method, device, electronic equipment and readable storage medium

【技术实现步骤摘要】
目标检测方法、装置、电子设备及可读存储介质
本专利技术涉及图像处理
，具体而言，涉及一种目标检测方法、装置、电子设备及可读存储介质。
技术介绍
在工作或生活中，存在很多的利用肉眼检测目标的场景，这类目标可以是人或物体。例如，通过人眼检测电网作业环境下的工作人员是否佩戴安全帽。随着计算机视觉技术的发展，肉眼检测目标的方式可以通过电子设备来替代，由电子设备通过图像处理技术进行目标检测。然而，电子设备受限于所使用的图像处理技术的能力与方式，存在对目标检测不准确的情况。
技术实现思路
本申请提供一种目标检测方法、装置、电子设备及可读存储介质，能够改善对目标检测不准确的问题。为了实现上述目的，本申请实施例所提供的技术方案如下所示：第一方面，本申请实施例提供一种目标检测方法，应用于电子设备，所述方法包括：从监控视频中获取第一图像；通过滤波算法对所述第一图像进行预处理得到第二图像，所述第二图像的图像特征强度大于所述第一图像的图像特征强度；从所述监控视频对应的参考图像序列确定目标参考图像；根据所述目标参考图像及所述第二图像，判断所述第二图像中是否包括存在运动目标的图区；当所述第二图像中包括存在所述运动目标的图区时，将所述第二图像中存在所述运动目标的图区输入经过预训练的深度学习模型，得到所述深度学习模型检测所述第二图像的检测结果。在上述的实施方式中，通过对获取的图像进行预处理，目的是增强图像的图像特征强度，在深度学习模型对预处理后的图像进行检测时，可以提高对运动目标进行检测的准确度。另外，通过将存在运动目标的图区输入深度学习模型，有利于减少深度学习模型所检测的图区面积，降低运算量，同时降低第一图像中其他图区对检测结果的干扰。结合第一方面，在一些可选的实施方式中，通过滤波算法对所述第一图像进行预处理得到第二图像，包括：通过光滑滤波算法及锐化滤波算法对经过灰度处理后的所述第一图像处理得到所述第二图像，其中，所述光滑滤波算法包括：所述锐化滤波算法包括：式中，x1为所述第一图像中的像素点的特征值，y1为所述像素点光滑处理后的特征值，x2为光滑处理后的像素点的特征值，y2为所述光滑处理后的像素点经过锐化处理后的特征值，k为光滑化参数，N为大于或等于1的整数；l为锐化参数。在上述的实施方式中，通过光滑滤波算法及锐化滤波算法对第一图像进行预处理，有利于提高预处理后图像的图像特征强度。结合第一方面，在一些可选的实施方式中，在将所述第二图像中存在所述运动目标的图区输入经过预训练的深度学习模型之前，所述方法还包括：获取训练图像集，所述训练图像集包括多个存在指定目标的图像及多个未存在所述指定目标的图像；通过所述训练图像集训练深度学习模型，得到用于识别图像中是否存在指定目标的深度学习模型。在上述的实施方式中，通过对深度学习模型进行训练，使得深度学习模型具有相应的图像检测的功能，从而有利于实现图像的自动识别检测。结合第一方面，在一些可选的实施方式中，所述方法还包括：将所述第一图像或第二图像作为所述训练图像集中的图像，并训练所述深度学习模型。在上述的实施方式中，通过将所识别的图像作为新的训练图像，有利于提高深度学习模型对图像进行检测的准确度。结合第一方面，在一些可选的实施方式中，根据所述目标参考图像及所述第二图像，判断所述第二图像中是否存在运动目标的图区，包括：计算所述目标参考图像与所述第二图像中位置相对应的像素点的特征值的差值；确定所述第二图像中所述差值大于或等于预设阈值的像素点为目标像素点；基于所述目标像素点的位置计算相连通的多个所述目标像素点形成的像素面积；当所述像素面积大于或等于预设面积时，确定多个所述目标像素点所在的区域为所述第二图像中存在所述运动目标的图区。在上述的实施方式中，通过目标参考图像与第二图像之间的像素差异，有利于快速确定第二图像中的运动目标的图区。结合第一方面，在一些可选的实施方式中，所述方法还包括：当所述检测结果表征所述第一图像或所述第二图像中存在未佩戴安全帽的人员图像时，发出报警提示。在上述的实施方式中，在检测到存在未佩戴安全帽的人员图像时，可以自动发出报警提示，便于管理人员及时进行处理。结合第一方面，在一些可选的实施方式中，从所述监控视频对应的参考图像序列确定目标参考图像，包括：基于获取的当前环境光照强度、环境光照强度与所述参考图像序列中的参考图像的关联关系，从所述参考图像序列中选择与所述当前环境光照强度对应的参考图像为所述目标参考图像。第二方面，本申请实施例还提供一种目标检测装置，应用于电子设备，所述装置包括：图像获取单元，用于从监控视频中获取第一图像；预处理单元，用于通过滤波算法对所述第一图像进行预处理得到第二图像，所述第二图像的图像特征强度大于所述第一图像的图像特征强度；确定单元，用于从所述监控视频对应的参考图像序列确定目标参考图像；判断单元，用于根据所述目标参考图像及所述第二图像，判断所述第二图像中是否包括存在运动目标的图区；检测单元，用于当所述第二图像中包括存在所述运动目标的图区时，将所述第二图像中存在所述运动目标的图区输入经过预训练的深度学习模型，得到所述深度学习模型检测所述第二图像的检测结果。第三方面，本申请实施例还提供一种电子设备，所述电子设备包括相互耦合的存储器、处理器，所述存储器内存储计算机程序，当所述计算机程序被所述处理器执行时，使得所述电子设备执行上述的方法。第四方面，本申请实施例还提供一种计算机可读存储介质，所述可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行上述的方法。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对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电子设备的功能框图图2为本申请实施例提供的目标检测方法的流程示意图。图3a为本申请实施例提供的第二图像的示意图。图3b为图3a所示的运动目标的图区的示意图。图4为本申请实施例提供的目标检测装置的示意图。图标：10-电子设备；11-处理模块；12-存储模块；13-摄像头；100-目标检测装置；110-图像获取单元；120-预处理单元；130-确定单元；140-判断单元；150-检测单元。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。此外，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。按照电网作业规程，电网工作人员需定期开展电力设施的带电巡检，工作人员本文档来自技高网...

【技术保护点】
1.一种目标检测方法，其特征在于，应用于电子设备，所述方法包括：/n从监控视频中获取第一图像；/n通过滤波算法对所述第一图像进行预处理得到第二图像，所述第二图像的图像特征强度大于所述第一图像的图像特征强度；/n从所述监控视频对应的参考图像序列确定目标参考图像；/n根据所述目标参考图像及所述第二图像，判断所述第二图像中是否包括存在运动目标的图区；/n当所述第二图像中包括存在所述运动目标的图区时，将所述第二图像中存在所述运动目标的图区输入经过预训练的深度学习模型，得到所述深度学习模型检测所述第二图像的检测结果。/n

【技术特征摘要】
1.一种目标检测方法，其特征在于，应用于电子设备，所述方法包括：
从监控视频中获取第一图像；
通过滤波算法对所述第一图像进行预处理得到第二图像，所述第二图像的图像特征强度大于所述第一图像的图像特征强度；
从所述监控视频对应的参考图像序列确定目标参考图像；
根据所述目标参考图像及所述第二图像，判断所述第二图像中是否包括存在运动目标的图区；
当所述第二图像中包括存在所述运动目标的图区时，将所述第二图像中存在所述运动目标的图区输入经过预训练的深度学习模型，得到所述深度学习模型检测所述第二图像的检测结果。


2.根据权利要求1所述的方法，其特征在于，通过滤波算法对所述第一图像进行预处理得到第二图像，包括：
通过光滑滤波算法及锐化滤波算法对经过灰度处理后的所述第一图像处理得到所述第二图像，其中，所述光滑滤波算法包括：



所述锐化滤波算法包括：



式中，x1为所述第一图像中的像素点的特征值，y1为所述像素点光滑处理后的特征值，x2为光滑处理后的像素点的特征值，y2为所述光滑处理后的像素点经过锐化处理后的特征值，k为光滑化参数，N为大于或等于1的整数；l为锐化参数。


3.根据权利要求1所述的方法，其特征在于，在将所述第二图像中存在所述运动目标的图区输入经过预训练的深度学习模型之前，所述方法还包括：
获取训练图像集，所述训练图像集包括多个存在指定目标的图像及多个未存在所述指定目标的图像；
通过所述训练图像集训练深度学习模型，得到用于识别图像中是否存在指定目标的深度学习模型。


4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
将所述第一图像或第二图像作为所述训练图像集中的图像，并训练所述深度学习模型。


5.根据权利要求1所述的方法，其特征在于，根据所述目标参考图像及所述第二图像，判断所述第二图像中是否存在运动目标的图区，包括：
计算所述目标参考图像与所述第二图像中位置相对应的像...

【专利技术属性】
技术研发人员：贺苏宁，刘德凯，周庆，
申请(专利权)人：华雁智能科技集团股份有限公司，
类型：发明
国别省市：四川;51