【技术实现步骤摘要】
条幅检测方法、装置及设备
本专利技术涉及图像处理
，特别是涉及一种条幅检测方法、装置及设备。
技术介绍
随着图像处理技术的发展，图像处理技术被广泛用于检测拍摄得到的图像中，是否存在目标对象。例如，利用图像处理技术，检测获取的图像中的条幅。通常情况下，可以基于颜色识别与角点检测，检测图像中的目标对象。例如，检测拍摄得到的图像中的条幅时，可以获取图像的颜色直方图，判断颜色直方图是否为双峰图。若是，表明图像中存在颜色与所拍摄场景的背景颜色对比度高的对象，图像中可能存在条幅。则在图像中选取与颜色直方图的高峰对应的区域，并对该区域进行角点检测，判断该区域是否为矩形。若是，则该对象为矩形。由此，可以确定该对象为具有与背景高对比度颜色的矩形，为条幅，检测结果为图像中存在条幅。但是，如果图像中的目标对象不具有与背景高对比度的颜色，将无法利用颜色识别区分目标对象与背景，导致颜色识别结果不准确。例如，背景是白色墙体，条幅也为白色时，颜色区分度不高，导致检测结果可能为图像中无条幅，识别结果不准确。或者目标对象被遮挡时，遮挡改变了目标对象的形状，将导致角点检测结果不准确。例如，遮挡目标对象条幅的一个顶角，则被遮住的条幅不再是矩形，进行角点检测时，会判断目标对象条幅为非矩形，图像中无条幅，识别结果不准确。因此，上述基于颜色识别与角点检测，检测图像中的条幅时，检测准确度不高。
技术实现思路
本专利技术实施例的目的在于提供一种条幅检测方法、装置及设备，以实现提高图像中条幅的检测准确度。具体技术方案...
【技术保护点】
1.一种条幅检测方法，其特征在于，所述方法包括：/n获得待测图像；/n将所述待测图像输入预设深度学习模型，得到待测对象及每个待测对象的类别置信度；其中，所述预设深度学习模型为利用预先收集的多个包含条幅对象的样本图像训练得到的，所述待测对象是所述预设深度学习模型从所述待测图像中提取的；/n针对所述待测对象，判断该待测对象的类别置信度是否满足预设条幅类别置信度条件；/n如果是，则确定该待测对象为条幅。/n
【技术特征摘要】
1.一种条幅检测方法，其特征在于，所述方法包括：
获得待测图像；
将所述待测图像输入预设深度学习模型，得到待测对象及每个待测对象的类别置信度；其中，所述预设深度学习模型为利用预先收集的多个包含条幅对象的样本图像训练得到的，所述待测对象是所述预设深度学习模型从所述待测图像中提取的；
针对所述待测对象，判断该待测对象的类别置信度是否满足预设条幅类别置信度条件；
如果是，则确定该待测对象为条幅。
2.根据权利要求1所述的方法，其特征在于，所述预设的深度学习模型，采用如下步骤训练获得：
将收集的多个包含条幅对象的样本图像输入当前深度学习模型，得到每个样本图像对应的预测待测对象及每个预测待测对象的预测类别置信度；所述当前神经网络模型初次使用时为预设初始深度学习模型；
根据得到的多个预测待测对象、每个预测待测对象的预测类别置信度以及预设代价函数，判断所述当前深度学习模型是否收敛；其中，所述预设代价函数为基于每个样本图像中预先标注的待测对象及每个待测对象的类别置信度确定的；
如果收敛，则将所述当前深度学习模型确定为预设的深度学习模型；
如果不收敛，则调整所述当前深度学习模型的模型参数，得到新的深度学习模型；
将所述当前深度学习模型更新为所得到的新的深度学习模型；
返回将收集的多个包含条幅对象的样本图像分别输入当前深度学习模型的步骤。
3.根据权利要求1所述的方法，其特征在于，所述预设的深度学习模型为预设的YOLO模型；
所述将所述待测图像输入预设深度学习模型，得到待测对象及每个待测对象的类别置信度，包括：
将所述待测图像输入预设的YOLO模型，得到包含的对象为待测对象的目标框，以及每个目标框所包含的待测对象的类别置信度。
4.根据权利要求3所述的方法，其特征在于，
所述针对所述待测对象，判断该待测对象的类别置信度是否满足预设条幅类别置信度条件的步骤，包括：
分别判断每个目标框中的待测对象的类别置信度，是否大于属于条幅类别的第一置信度阈值；
如果是，则所述确定该待测对象为条幅的步骤，包括：确定目标框中的待测对象为条幅。
5.根据权利要求4所述的方法，其特征在于，
所述获得待测图像，包括：
按照预设周期，从监控视频中获取当前图像帧，作为待测图像；
在所述确定目标框中的该待测对象为条幅之前，还包括：
利用预设匹配算法，将各个类别置信度大于属于条幅类别的第一置信度阈值的目标框作为候选跟踪目标框与历史已保存的被跟踪目标框进行匹配；
如果匹配失败，则将所述候选跟踪目标框保存为被跟踪目标框，返回所述按照预设周期，从监控视频中获取当前图像帧，作为待测图像的步骤；
如果匹配成功，则执行所述确定该待测对象为条幅的步骤。
6.根据权利要求5所述的方法，其特征在于，
所述利用预设匹配算法，将各个类别置信度大于属于条幅类别的第一置信度阈值的目标框作为候选跟踪目标框与历史已保存的被跟踪目标框进行匹配的步骤，包括：
将各个类别置信度大于属于条幅类别的第一置信度阈值的目标框作为候选跟踪目标框；
利用预设匹配算法，计算所述候选跟踪目标框与历史已保存的被跟踪目标框之间的位置信息重合度；
如果所述候选跟踪目标框与历史已保存的被跟踪目标框之间的位置信息重合度符合预设重合条件，则匹配成功；
如果所述候选跟踪目标框与历史已保存的被跟踪目标框之间的位置信息重合度不符合预设重合条件，则匹配失败。
7.根据权利要求5所述的方法，其特征在于，
所述如果匹配成功，则执行所述确定该待测对象为条幅的步骤，包括：
如果匹配成功，则根据所述候选跟踪目标框和匹配成功的被跟踪目标框，进行目标框跟踪；
如果跟踪成功，则将所述候选跟踪目标框保存为被跟踪目标框，执行所述确定该待测对象为条幅的步骤；
所述方法还包括：
如果跟踪不成功，返回所述按照预设周期，从监控视频中获取当前图像帧，作为待测图像的步骤。
8.根据权利要求7所述的方法，其特征在于，
所述根据所述候选跟踪目标框和匹配成功的被跟踪目标框，进行目标框跟踪的步骤，包括：
获得上一次跟踪成功后，保存的所述候选跟踪目标框对应的预测跟踪目标框和预测位置邻阈；
判断所述候选跟踪目标框是否在所述预测目标邻阈内；
如果在所述预测目标邻阈内，则判断与所述预测目标框距离最近的候选跟踪目标框，与所述预测目标框的重合度是否满足第二预设重合条件；
如果满足，则跟踪成功；
如果不满足，则跟踪失败；
在所述跟踪成功后，所述方法还包括：
根据所述候选跟踪目标框和匹配成功的被跟踪目标框，对下一次要进行目标框跟踪的候选跟踪目标框进行预测，获得预测跟踪目标框；
基于所述预测跟踪目标框的位置信息，将所述预测目标框在下一次获取的待测图像中的位置邻阈，确定为预测目标邻阈。
9.根据权利要求5所述的方法，其特征在于，在所述判断出匹配失败之后，所述方法还包括：
记录该被跟踪目标框的检测次数为初始值；
在所述判断出匹配成功之后，所述方法还包括：
保存所述候选跟踪目标框为被跟踪目标框；
记录所述被跟踪目标框的检测次数为所述被跟踪目标框和与该被跟踪目标匹配成功的历史已保存的被跟踪目标框的总个数；
在所述利用预设匹配算法，将各个类别置信度大于属于条幅类别的第一置信度阈值的目标框作为候选跟踪目标框与历史已保存的被跟踪目标框进行匹配的步骤之前，还包括：
判断各个已保存的历史被跟踪目标框的检测次数是否小于第一预设数量阈值；
如果是，则删除检测次数小于第一预设数量阈值的已保存的历史被跟踪目标框。
10.根据权利要求7所述的方法，其特征在于，在所述保存所述候选跟踪目标框为被跟踪目标框之后，执行所述确定该待测对象为条幅之前，所述方法还包括：
将已保存的历史被跟踪目标框的个数，作为所述被跟踪目标框中的待测对象的跟踪成功次数；
判断所述跟踪成功次数是否大于第三预设数量阈值；
若大于，则执行所述确定该待测对象为条幅的步骤。
11.根据权利要求5-9任一项所述的方法，其特征在于，在将所述待测图像输入预设的YOLO模型之后，所述方法还包括：
获得所述YOLO模型对所述待测图像进行处理后输出的每个待测对象在所述待测图像中的位置信息：
在所述确定该待测对象为条幅之后，所述方法还包括：
基于该待测对象的位置信息，确定该待测对象是否属于预设违规位置区间；其中，所述预设违规位置区间为：所述监控视频所监控场景中，禁止放置条幅的位置区间在该待测图像中对应的位置区间；
若是，则确定所述监控视频所监控场景中，存在条幅事件。
12.一种条幅检测装置，其特征在于，所述装置包括：
获取模块，用于获得待测图像；
目标检测模块，用于将所述待测图像输入预设的...
【专利技术属性】
技术研发人员：谢冬梅，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。