运动目标检测方法、装置、电子设备及存储介质制造方法及图纸

本申请实施例中提供了一种运动目标检测方法、装置、电子设备及存储介质，该方法包括：获取待输入图像，所述待输入图像包括连续的多帧图像，所述多帧图像中的最后一帧图像为当前帧图像；将所述待输入图像输入目标检测模型中，得到与所述当前帧图像对应的热力图；结合在所述当前帧图像之前的连续帧图像中目标物体的检测框，从所述热力图中确定当前帧图像中目标物体的目标检测框；确定所述目标检测框中物体为所述目标物体。在当前帧图像被遮挡时，可以结合连续的多帧图像对目标物体的位置进行预测，避免漏检。避免漏检。避免漏检。

【技术实现步骤摘要】
运动目标检测方法、装置、电子设备及存储介质


[0001]本申请涉及计算机视觉
，具体地，涉及一种运动目标检测方法、装置、电子设备及存储介质。

技术介绍

[0002]目标检测是指找出图像中感兴趣的目标，并确定出目标的位置。目前目标检测可以通过传统检测方法和深度学习方法来实现。
[0003]传统检测方法多是基于滑动窗口的框架，首先对整幅图像进行遍历选择候选区域，再利用常用的方向梯度直方图(Histogram of Oriented Gradient，HOG)和尺度不变特征变换(Scale
‑
invariant feature transform，SIFT)特征等对这些区域提取特征，最后使用分类器进行分类。深度学习的方法通常是利用二阶段或一阶段目标检测器，检测出图像中存在的目标的位置。
[0004]然而在使用上述方法检测运动目标时，例如运动的球体，由于运动的球体在某一帧可能会被球员完全遮挡，则无法检测到球体，从而导致漏检。

技术实现思路

[0005]本申请实施例中提供了一种运动目标检测方法、装置本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种运动目标检测方法，其特征在于，所述方法包括：获取待输入图像，所述待输入图像包括连续的多帧图像，所述多帧图像中的最后一帧图像为当前帧图像；将所述待输入图像输入目标检测模型中，得到与所述当前帧图像对应的热力图；结合在所述当前帧图像之前的连续帧图像中目标物体的检测框，从所述热力图中确定当前帧图像中目标物体的目标检测框；确定所述目标检测框中物体为所述目标物体。2.根据权利要求1所述的方法，其特征在于，所述目标检测模型包括U
‑
Net网络，所述U
‑
Net网络中的每个卷积层之前设置有1*1卷积。3.根据权利要求1所述的方法，其特征在于，所述结合在所述当前帧图像之前的连续帧图像中目标物体的检测框，从所述热力图中确定当前帧图像中目标物体的目标检测框，包括：从所述热力图中确定所述目标物体的目标矩形框；获取在所述当前帧图像之前的连续帧图像中目标物体的检测框；确定所述检测框和所述目标矩形框的宽度的均值，以及所述检测框和所述目标矩形框的高度的均值为目标尺寸；将所述目标矩形框设置为所述目标尺寸，得到所述目标检测框。4.根据权利要求3所述的方法，其特征在于，所述从所述热力图中确定所述目标物体的目标矩形框，包括：确定所述热力图中的所有轮廓；基于每个轮廓得到包含所述轮廓的最小矩形框；获取所述最小矩形框中面积最大的矩形框为所述目标矩形框。5.根据权利要求1所述的方法，其特征在于，所述目标检测模型通过以下步骤得到：获取样本集，所述样本集包括多个图像组，每个所述图像组包括连续的多帧样本图像以及与所述样本图像对应的标签，所述标签包括所述样本图像中目标物体的标注框的中心位置以及所述样本图像中目标物体的标注框的宽度和高度；使用所述样本集对神经网络模型进行训练，得到所述目标检测模型。6.根据权利要求5所述的方法，其特征在于，所述使用所述样本集对神经网络模型进行训练，得到所述目标检测模型包括：将所述图像组输入所述神经网络模型，得到与当前样本图像对应的热力图，所...

【专利技术属性】
技术研发人员：付源梓，赵洋洋，赵勇，
申请(专利权)人：北京格灵深瞳信息技术股份有限公司，
类型：发明
国别省市：