目标对象的检测方法及装置、存储介质、终端制造方法及图纸

本发明专利技术公开了一种目标对象的检测方法及装置、存储介质、终端。其中，该方法包括：获取待识别图像；将待识别图像输入至第一粒度机器学习模型，输出第一背景图，以及将待识别图像输入至第二粒度机器学习模型，输出第二背景图，其中，第一粒度机器学习模型的第一更新周期大于第二粒度机器学习模型的第二更新周期；基于第一背景图和第二背景图的对比结果，确定目标对象。本发明专利技术解决了相关技术中对道路上的异物检测准确率较低，导致异物检测效果不理想的技术问题。术问题。术问题。

【技术实现步骤摘要】
目标对象的检测方法及装置、存储介质、终端


[0001]本专利技术涉及图像处理
，具体而言，涉及一种目标对象的检测方法及装置、存储介质、终端。

技术介绍

[0002]相关技术中，在检测道路、公园等区域中的异物或障碍物(如道路砂石、树枝等)时，一般是通过运动目标检测方法检测得到的，这种检测方式往往是针对较大的物体，如道路上行驶的车辆、道路上的行人等进行检测，实现大型异物或障碍物的检测；但是由于道路异物种类繁多、尺寸形状不一、颜色各异，无法对异物进行标定，因此对尺寸较小、形状变化较大、颜色和背景接近的异物检测准确率较低，导致异物检测效果不理想，且道路光影会对检测效果造成较大影响。
[0003]针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

[0004]本专利技术实施例提供了一种目标对象的检测方法及装置、存储介质、终端，以至少解决相关技术中对道路上的异物检测准确率较低，导致异物检测效果不理想的技术问题。
[0005]根据本专利技术实施例的一个方面，提供了一种目标对象的检测方法，包括：获取待识别图像；将所述待识别图像输入至第一粒度机器学习模型，输出第一背景图，以及将所述待识别图像输入至第二粒度机器学习模型，输出第二背景图，其中，所述第一粒度机器学习模型的第一更新周期大于所述第二粒度机器学习模型的第二更新周期；基于所述第一背景图和所述第二背景图的对比结果，确定目标对象。
[0006]根据本专利技术实施例的另一方面，还提供了一种目标对象的检测装置，包括：获取单元，用于获取待识别图像；输入单元，用于将所述待识别图像输入至第一粒度机器学习模型，输出第一背景图，以及将所述待识别图像输入至第二粒度机器学习模型，输出第二背景图，其中，所述第一粒度机器学习模型的第一更新周期大于所述第二粒度机器学习模型的第二更新周期；确定单元，用于基于所述第一背景图和所述第二背景图的对比结果，确定目标对象。
[0007]根据本专利技术实施例的另一方面，还提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述任意一项所述的目标对象的检测方法。
[0008]根据本专利技术实施例的另一方面，还提供了一种终端，包括：第一装置；第二装置；第三装置；处理器，所述处理器运行程序，其中，所述程序运行时对于从所述第一装置、第二装置和第三装置输出的数据执行如下处理步骤：第一步骤，获取待识别图像；第二步骤，将所述待识别图像输入至第一粒度机器学习模型，输出第一背景图，以及将所述待识别图像输入至第二粒度机器学习模型，输出第二背景图，其中，所述第一粒度机器学习模型的第一更新周期大于所述第二粒度机器学习模型的第二更新周期；以及，第三步骤，基于所述第一背
景图和所述第二背景图的对比结果，确定目标对象。
[0009]本申请可应用于道路异物检测/交通指示路标检测，通过图像采集设备采集道路监控视频，然后对视频进行解码，得到道路监控图像，同时可基于深度学习进行背景建模，分别对应于稳定性物体的第一粒度机器学习模型和对应于非稳定存在物体的第二粒度机器学习模型，通过该第一粒度机器学习模型可以分析对应稳定存在物体的第一背景图，并通过第二粒度机器学习模型分析非稳定存在物体的第二背景图，最后通过对比第一背景图和第二背景图，能查询出道路上是否存在目标对象。
[0010]在本专利技术实施例中，采用先获取待识别图像，将待识别图像输入至第一粒度机器学习模型，输出第一背景图，以及将待识别图像输入至第二粒度机器学习模型，输出第二背景图，基于第一背景图和第二背景图的对比结果，确定目标对象。在该实施例中，可以通过基于深度学习方法建立场景的第一粒度机器学习模型和第二粒度机器学习模型，通过这两种模型对输入图像中的异物进行精准检测，通过模型对比输出图像中的异物对象，提高对象检测效果，从而解决相关技术中对道路上的异物检测准确率较低，导致异物检测效果不理想的技术问题。
附图说明
[0011]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：
[0012]图1是根据本专利技术实施例的一种实现目标对象的检测方法的计算机终端的示意图；
[0013]图2是根据本专利技术实施例一的一种可选的目标对象的检测方法的流程图；
[0014]图3是根据本申请实施例的通过第一粒度机器学习模型分析得到的可选的第一背景图的示意图；
[0015]图4是根据本申请实施例的另一种可选的通过第二粒度机器学习模型分析得到的第二背景图的示意图；
[0016]图5是根据本专利技术实施例的一种可选的分析道路异物的示意图；
[0017]图6是根据本专利技术实施例的一种可选的检测道路交通指示路标的示意图；
[0018]图7是根据本专利技术实施例的一种可选的目标对象的检测装置的示意图；
[0019]图8是根据本专利技术实施例的另一种可选的计算机终端的结构框图。
具体实施方式
[0020]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0021]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或
描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0022]首先，在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释：
[0023]深度学习，Deep Learning，是机器学习的分支，使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。深度学习是机器学习中表征学习方法。观测值(例如一幅图像)可以使用多种方式来表示，如每个像素强度值的矢量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如，人脸识别或面部表情识别)。深度学习的好处是将用非监督式或半监督式的特征学习和分层特征提取的高效算法来替代手工获取特征。
[0024]机器学习，Machine Learning，一种涉及多领域的交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。
[0025]计算机视觉，Comp本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标对象的检测方法，其特征在于，包括：获取待识别图像；将所述待识别图像输入至第一粒度机器学习模型，输出第一背景图，以及将所述待识别图像输入至第二粒度机器学习模型，输出第二背景图，其中，所述第一粒度机器学习模型的第一更新周期大于所述第二粒度机器学习模型的第二更新周期；基于所述第一背景图和所述第二背景图的对比结果，确定目标对象。2.根据权利要求1所述的方法，其特征在于，获取所述待识别图像包括：获取通过图像采集设备采集到的视频文件；对所述视频文件进行解码处理，得到所述待识别图像。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：基于混合高斯模型建立所述第一粒度机器学习模型和所述第二粒度机器学习模型。4.根据权利要求1或3所述的方法，其特征在于，将所述待识别图像输入至所述第一粒度机器学习模型，输出所述第一背景图包括：基于所述第一粒度机器学习模型中包含的高斯分量以及所述高斯分量的权值，计算所述待识别图像中像素的灰度值，输出所述第一背景图。5.根据权利要求4所述的方法，其特征在于，所述方法还包括：当所述第一更新周期结束时，基于所述第一背景图对所述高斯分量的权值进行更新，得到更新后的第一粒度机器学习模型。6.根据权利要求3所述的方法，其特征在于，将所述待识别图像输入至所述第二粒度机器学习模型，输出所述第二背景图包括：基于所述第二粒度机器学习模型中包含的高斯分量以及所述高斯分量的权值，计算所述待识别图像中像素的灰度值，输出所述第二背景图。7.根据权利要求6所述的方法，其特征在于，所述方法还包括：当所述第二更新周期结束时，基于所述第二背景图对所述高斯分量的权值进行更新，得到更新后的第二粒度机器学习模型。8.根据权利要求1所述的方法，其特征在于，基于所述第一背景图和所述第二背景图的对比结果，确定所述目标对象包括：对所述第一背景图与所述第二背景图进行对比...

【专利技术属性】
技术研发人员：吴婷，邓兵，危春波，杨吉锐，刘云夫，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：