低画质视频中的小目标实时识别方法技术

本发明专利技术提供了低画质视频中的小目标实时识别方法，小目标和大目标具有必然的相对位置关系，小目标具有标准状态和非标准状态；抽取视频中一定数量的图片作为数据集进行标注；数据集标注为小目标标准状态和小目标非标准状态两个类别，每个类别对应两个矩形框，标准状态下第一个框是大目标，第二个框是小目标的标准状态；非标准状态下第一个框是大目标，第二个框是小目标的非标准状态；利用数据集作为目标检测算法训练参考；利用目标检测算法对视频进行目标状态识别。本发明专利技术具有较高的检测准确率。

【技术实现步骤摘要】
低画质视频中的小目标实时识别方法
本专利技术涉及计算机视觉领域，尤其是一种在低画质视频中的小目标实时识别方法。
技术介绍
利用计算机视觉进行目标检测的任务是从图像中解析出可供计算机理解的信息，在实际检测过程中，除了需要得到图片中目标的类别信息以外，还需要得到目标的位置信息。目前基于深度学习的目标检测算法主要分为基于分类的目标检测算法和基于回归的目标检测算法两个大类。基于分类的目标检测算法主要是将目标检测过程分为两个阶段。第一个阶段主要是选取候选区域，第二个阶段则针对候选区域进行分类并进行位置调整，经过这两个阶段之后得到目标检测结果。目前此方案的典型模型是2015年RenS等人提出的更快的基于区域的卷积神经网络算法(FasterR-CNN)，用候选区域生成网络(RegionalProposalNetworks，RPN)将目标检测系统分为两个模块，第一个模块是提取候选区域的深度全卷积网络，第二个模块使用基于区域提取的FasterR-CNN检测器进行检测。整个系统是一个单个的、统一的目标检测网络。FasterR-CNN算法框架如图所示。首先将本文档来自技高网...

【技术保护点】
1.低画质视频中的小目标实时识别方法，其特征在于，小目标和大目标具有必然的相对位置关系，小目标具有标准状态和非标准状态；抽取视频中一定数量的图片作为数据集进行标注；数据集标注为小目标标准状态和小目标非标准状态两个类别，每个类别对应两个矩形框，标准状态下第一个框是大目标，第二个框是小目标的标准状态；非标准状态下第一个框是大目标，第二个框是小目标的非标准状态；利用数据集作为目标检测算法训练参考；利用目标检测算法对视频进行目标状态识别。/n

【技术特征摘要】
1.低画质视频中的小目标实时识别方法，其特征在于，小目标和大目标具有必然的相对位置关系，小目标具有标准状态和非标准状态；抽取视频中一定数量的图片作为数据集进行标注；数据集标注为小目标标准状态和小目标非标准状态两个类别，每个类别对应两个矩形框，标准状态下第一个框是大目标，第二个框是小目标的标准状态；非标准状态下第一个框是大目标，第二个框是小目标的非标准状态；利用数据集作为目标检测算法训练参考；利用目标检测算法对视频进行目标状态识别。


2.如权利要求1所述的低画质视频中的小目标实时识别方法，其特征在于，小目标在大目标的内部。


3.如权利要求1所述的低画质视频中的小目标实时识别方法，其特征在于，小目标是人头，大目标是人体，小目标的标准状态是人头佩戴安全帽的状态。


4.如权利要求1所述的低画质视频中的小目标实时识别方法，其特征在于，所述的目标检测算法是单发多框目标检测器(ShotMulti-boxDetector,SSD)算法。


5.如权利要求1所述的低画质视频中的小目标实时识别方法，其特征在于，所述的目标检测算法的定位边界框定义为一组在空间上离散的默认框，且对应于不同的长宽比与映射位置。

【专利技术属性】
技术研发人员：张昭智，
申请(专利权)人：上海湃道智能科技有限公司，
类型：发明
国别省市：上海;31