视频目标物检测方法、系统及存储介质和服务器技术方案

本发明专利技术实施例公开了视频目标物检测方法、系统及存储介质和服务器，应用于人工智能的信息处理技术领域。视频目标物检测系统会将待检测视频中多个连续帧图像的特征都融合到其中某一帧图像的特征中，形成首次融合特征，然后将首次融合特征中的多层采样特征再融合形成二次融合特征，最后根据二次融合特征对某一帧图像中的目标物进行检测。由于在两次融合特征获取过程中，不仅考虑了待检测视频中各帧图像本身的信息，还考虑了与相邻帧图像之间的序列信息，进一步地考虑了某些重点的特征(即多层采样特征)，使得最终获取的二次融合特征能准确地描述待检测图像中某一帧图像的特征，进而使得根据二次融合特征进行目标物检测的结果也比较准确。

【技术实现步骤摘要】
视频目标物检测方法、系统及存储介质和服务器
本专利技术涉及人工智能的信息处理
，特别涉及视频目标物检测方法、系统及存储介质和服务器。
技术介绍
视频人脸检测技术广泛应用在日常生活中，例如智能监控、金融管控和军事安全等领域。基于深度学习的人脸检测方法主要包括：直接采用训练好的人脸检测模型对视频中的任一帧图像进行特征提取，然后再根据任一帧图像的特征信息对任一帧图像中的人脸进行检测。这种基于深度学习的人脸检测方法可以很大程度上提高了传统人工人脸检测方法的性能，然而由于真实场景中的视频具有遮挡、模糊以及姿态变化等复杂挑战因素，现有的人脸检测模型不能很好地适应新环境。
技术实现思路
本专利技术实施例提供视频目标物检测方法、系统及存储介质和服务器，实现了在经过两次特征融合后再进行目标物检测。本专利技术实施例一方面提供一种视频目标物检测方法，包括：获取待检测视频中多个连续帧图像分别对应的特征；将所述多个连续帧图像中某些帧图像的特征，融合到所述多个连续帧图像中某一帧图像的特征中，得到首次融合特征，所述某本文档来自技高网...

【技术保护点】
1.一种视频目标物检测方法，其特征在于，包括：/n获取待检测视频中多个连续帧图像分别对应的特征；/n将所述多个连续帧图像中某些帧图像的特征，融合到所述多个连续帧图像中某一帧图像的特征中，得到首次融合特征，所述某些帧图像是所述多个连续帧图像中除所述某一帧图像之外的其它帧图像；/n对所述首次融合特征进行多层的采样分别得到多层采样特征，将所述多层采样特征进行融合，得到二次融合特征；/n根据所述二次融合特征对所述某一帧图像中的目标物进行检测。/n

【技术特征摘要】
1.一种视频目标物检测方法，其特征在于，包括：
获取待检测视频中多个连续帧图像分别对应的特征；
将所述多个连续帧图像中某些帧图像的特征，融合到所述多个连续帧图像中某一帧图像的特征中，得到首次融合特征，所述某些帧图像是所述多个连续帧图像中除所述某一帧图像之外的其它帧图像；
对所述首次融合特征进行多层的采样分别得到多层采样特征，将所述多层采样特征进行融合，得到二次融合特征；
根据所述二次融合特征对所述某一帧图像中的目标物进行检测。


2.如权利要求1所述的方法，其特征在于，所述将所述多个连续帧图像中某些帧图像的特征，融合到所述多个连续帧图像中某一帧图像的特征中，具体包括：
获取所述待检测视频中某一帧图像之前的第k帧图像到所述某一帧图像的第一光流；
根据所述第一光流及所述某一帧图像之前的第k帧图像的特征得到所述某一帧图像的第一变换特征；
将所述某一帧图像的特征和第一变换特征进行融合得到所述首次融合特征。


3.如权利要求1所述的方法，其特征在于，所述将所述多个连续帧图像中某些帧图像的特征，融合到所述多个连续帧图像中某一帧图像的特征中，具体包括：
获取所述待检测视频中某一帧图像到所述某一帧图像之后的第k帧图像的第二光流；
根据所述第二光流及所述某一帧图像之后的第k帧图像的特征得到所述某一帧图像的第二变换特征；
将所述某一帧图像的特征和第二变换特征进行融合得到所述首次融合特征。


4.如权利要求1所述的方法，其特征在于，所述将所述多个连续帧图像中某些帧图像的特征，融合到所述多个连续帧图像中某一帧图像的特征中，具体包括：
获取所述待检测视频中某一帧图像之前的第k帧图像到所述某一帧图像的第一光流，及获取所述待检测视频中某一帧图像到所述某一帧图像之后的第k帧图像的第二光流；
根据所述第一光流及所述某一帧图像之前的第k帧图像的特征得到所述某一帧图像的第一变换特征，及根据所述第二光流及所述某一帧图像之后的第k帧图像的特征得到所述某一帧图像的第二变换特征；
将所述某一帧图像的特征、所述第一变换特征和第二变换特征进行融合得到所述首次融合特征。


5.如权权利要求1所述的方法，其特征在于，所述多层采样特征包括浅层采样特征和高层采样特征，所述将所述多层采样特征进行融合，得到二次融合特征，具体包括：
将所述浅层采样特征与所述高层采样特征进行融合，得到二次融合特征。


6.如权利要求5所述的方法，其特征在于，
所述多层采样特征还包括对所述浅层采样特征进行下采样分别得到的多层下采样特征，及对所述高层采样特征进行上采样分别得到的多层上采样特征，其中，任一层下采样特征与另一层上采样特征相对应或与高层采样特征相对应；
则所述将所述底层采样特征与所述高层采样特征进行融合，具体包括：
将所述任一层下采样特征融合到相对应的另一层上采样特征或高层采样特征中。


7.如权利要求6所述的方法，其特征在于，所述将所述任一层下采样特征融合到相对应的另一层上采样特征或高层采样特征中，具体包括：
为所述任一层下采样特征设定权重值；
根据所述设定的权重值...

【专利技术属性】
技术研发人员：崔振，徐静杉，申丽，刘威，许春燕，
申请(专利权)人：南京理工大学，腾讯科技深圳有限公司，
类型：发明
国别省市：江苏;32