【技术实现步骤摘要】
基于嵌入式平台的实时智能目标检测方法及系统
[0001]本专利技术涉及目标检测
,具体地,涉及基于嵌入式平台的实时智能目标 检测方法及系统。
技术介绍
[0002]近年来,人工智能技术飞速发展,与此同时,机器视觉技术作为人工智能重要 的一支也在高速发展中。借助于视觉,人类能够获取认知世界的重要信息,相比于 人眼视觉的局限性,通过机器的方式,可以帮助人类获取丰富的信息,大大扩宽了 人类的视野。借助于先进的机器工具,人类可以上探明月,下窥九洋,大到无垠的 宇宙,小到一个渺小的例子。作为计算机视觉领域的重要组成部分,目标检测与跟 踪技术是难度较大且具有挑战的任务。目标检测的主要任务是在某个图像中框定出 感兴趣的目标并对目标进行识别。目标跟踪的主要任务是给定关键帧中目标的位置 以及大小,在后续帧中对目标的位置以及大小进行预测,从而实现对目标的稳定跟 踪。在现代复杂环境中,能否准确快速检测目标物体以及进行实时追踪至关重要。 同时,相较于高性能的人工智能服务器,小型嵌入式设备更符合智能终端的需求。
[0003]国内外学者对目标检测与跟踪技术均有深入的研究,专利技术了大量先进的目标检 测与跟踪算法。在目标检测领域,传统的目标检测方式分为静态目标检测以及动态 目标检测,静态目标检测,常用的目标检测算法主要分为三个步骤:区域选择、特 征提取、分类回归。具体操作为,通过多尺度的窗口在原图上进行滑窗操作提取子 图,然后利用设定好的特征提取器对这些子图进行特征提取,最后通过分类器对这 些选定的特征进行分类,从而检测出目标区域。 ...
【技术保护点】
【技术特征摘要】
1.一种基于嵌入式平台的实时智能目标检测方法,其特征在于,包括:步骤S1:获取实时视频数据,利用改进的三帧帧差法进行动态目标检测提取关键区域;步骤S2:利用抽帧的方式选取关键帧和非关键帧;步骤S3:基于提取的关键区域,通过关键帧利用训练后改进的目标识别模型识别目标位置及类别,非关键帧利用训练后的目标跟踪模型使用多模型目标跟踪策略进行目标定位与检测,重复触发步骤S1至步骤S2,直至未能获取视频数据;所述改进的三帧帧差法是对相邻帧差分结果再处理,筛选出可能的待检测移动目标集合,缩小数据量;所述改进的目标识别模型是针对目标尺寸不一以及目标检测精度与速度难以权衡,进行目标位置及类别的识别。2.根据权利要求1所述的基于嵌入式平台的实时智能目标检测方法,其特征在于,所述步骤S1采用:步骤S1.1:利用t时刻和t
‑
1时刻两帧图片相减,获得两帧的帧差结果,并将结果直接进行二值化处理;其中,p1(x,y)表示t时刻和t
‑
1时刻两帧图片帧差结果;(x,y)表示图像上位于横坐标x,纵坐标y的点;I(x,y)表示在图像点(x,y)上的像素值;T表示阈值;步骤S1.2:将t+1时刻和t时刻两帧图片相减,获得两帧的侦差结果,并将结果直接进行二值化处理;步骤S1.3:计算相邻三帧帧差结果;其中,p1(x,y)&&p2(x,y)表示判断帧差在图像点(x,y)上的像素值是否相同;步骤S1.4:获取目标上边界精确轮廓;其中,p1(x,y)!=p3(x,y)表示判断帧差在图像点(x,y)上的像素值是否不同;步骤S1.5:获取目标下边界精确轮廓;步骤S1.6:获取目标的整体轮廓;
其中,p4(x,y)=255&&p5(x,y)=255表示判断上下边界轮廓在图像点(x,y)上的像素值是否均为255。3.根据权利要求1所述的基于嵌入式平台的实时智能目标检测方法,其特征在于,所述改进的目标识别模型采用:将YOLOv4的backbone由CSPDarknet53替换为Mobilenet,并将YOLO head网络中的预设部分标准卷积替换为深度可分离卷积,深度可分离卷积包括深度卷积和逐点卷积;采用ASFF目标检测自适应特征融合方式,将来自通过主干网络后的不同层的特征信息融合,实现对不同尺寸目标的检测。4.根据权利要求1所述的基于嵌入式平台的实时智能目标检测方法,其特征在于,所述训练改进的目标识别模型采用:首先通过图像预处理技术对数据集进行增强处理适应多尺度多变的目标特征,同时利用k均值聚类算法重新生成用于改进的目标识别模型预测的最优先验框,优化调整网络预测结构。5.根据权利要求1所述的基于嵌入式平台的实时智能目标检测方法,其特征在于,对训练后改进的目标识别模型中卷积层滤波器个数进行剪枝处理;所述对训练后改进的目标识别模型中卷积层滤波器个数进行剪枝处理采用:对卷积层的所有滤波器进行重要性排序,将符合预设要求的不重要的滤波器减掉;所述对卷积层的所有滤波器进行重要性排序采用:以当前卷积层的每个滤波器矩阵元素绝对值之和为排序依据,绝对值之和越大,则当前滤波器越重要。6.根据权利要求1所述的基于嵌入式平台的实时智能目标检测方法,其特征在于,所述多模型目标跟踪策略采用:滤波器H
i
和μ
l
都以升序初始化,以确定多个目标跟踪模型的更新率;在每一帧,滤波器的响应和相应的质量,按更新速率μ
l
升序计算;如果一个跟踪质量超过于阈值,则假定目标成功地定位,当前滤波器更新策略开始在定位的位置使用当前学习速率计算滤波器H
current
;超过质量阈值的滤波器H
i
的μ
l
,被用于更新不会超过质量阈值的较低更新率的滤波器;具有较高更新率的滤波器,使用相应的更新率来更新。7.根据权利要求6所述的基于嵌入式平台的实时智能目标检测方法,其特征在于,所述多模型目标跟踪策略采用:其中,表示第l个目标跟踪模型;μ
l
表示对应的目标跟踪模型的更新率;其中μ
i
<μ
i+1
,下标i表示第i帧;H
current
表示当前的更新滤波器模板;使用MOSSE算法的评价准测作为目标跟踪模型评价指标;其中,Q表示跟踪质量,F表示输入的目标图像,H表示目标跟踪模型;
跟踪质量定义为跟踪器的一个置信度量;当任何跟踪质量超过了预设阈值,跟踪算法就会报告当前目标的位置;找到目标位置后,通过引入学习速率μ在频域更新滤波器模板;H
i
=(1
‑
μ)H
i
‑1+(μ)H
current
ꢀꢀꢀꢀ
(9)其中:H
current
是当前滤波器模板;H
i
和H
i
‑1分别表示相邻滤波器模板;使用傅里叶逆运算的线性变换,得到如下等式:其中,Q(μ)表示在学习率为μ的前提下计算的目标跟踪质量;由于H
current
【专利技术属性】
技术研发人员:林敏,郭威,张浩博,
申请(专利权)人:华东计算技术研究所中国电子科技集团公司第三十二研究所,
类型:发明
国别省市:
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。