目标识别方法、电子设备及存储介质技术

本发明专利技术提供一种目标识别方法、电子设备及存储介质。第一方面，本发明专利技术提供一种目标识别方法，应用于终端，包括：采集第一图像信息；将第一图像信息发送至云端服务器，以使云端服务器通过目标检测模型对第一图像信息中进行识别而生成图像识别结果；根据云端服务器响应于第一图像信息，获取图像识别结果。第二方面，目标识别方法应用于云端服务器，包括：接收来自于终端的第一图像信息；通过目标检测模型对第一图像信息进行识别，得出图像识别结果；将图像识别结果发送至终端。本发明专利技术以端云协同的方式执行目标识别方法，将图像识别处理过程中的算力负担从终端侧转移到云端服务器侧，以解放终端侧的存储空间和计算能力，提升识别目标物体的速度。体的速度。体的速度。

【技术实现步骤摘要】
目标识别方法、电子设备及存储介质


[0001]本专利技术涉及计算机视觉
，特别涉及一种目标识别方法、电子设备及存储介质。

技术介绍

[0002]随着科技的迅速发展，目标识别在人工智能、增强现实等相关领域具有重要意义，深度学习在目标识别任务中表现出优越的性能。然而，由于神经网络模型三维属性比较庞大，对存储空间和计算能力要求很高，因此神经网络模型难以在终端上正常运行。
[0003]相关技术中，为了能够将目标识别功能带入终端，将目标识别算法进行了轻量化操作，例如，将原始的单射多目标检测器(Single Shot MultiBox Detector，SSD)网络结构的前置网络，即视觉几何群网络(Visual Geometry Group Network，VGG
‑
16)替换成压缩网(SqueezeNet)架构的轻量化模型，并结合一系列附加特征层，将模型三维属性减小到约几十兆左右，使其能够在运动设备或嵌入式设备上直接运行。然而从测试结果来看，尽管终端计算平台的发展非常迅速，但终端的计算能力仍然十分有限，难以达到正常应用的要求。

技术实现思路

[0004]以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
[0005]为了解决以上问题，本专利技术实施例提供了一种目标识别方法、电子设备及存储介质，能够使得终端在执行目标识别功能时免于承受繁重的算力负担。
[0006]第一方面，本专利技术实施例提供了一种目标识别方法，应用于终端，包括：采集第一图像信息；将所述第一图像信息发送至云端服务器，以使所述云端服务器通过目标检测模型对所述第一图像信息中的目标物体进行识别而生成图像识别结果；根据所述云端服务器响应于所述第一图像信息，获取所述图像识别结果。
[0007]第二方面，本专利技术实施例提供了一种目标识别方法，应用于云端服务器，包括：接收来自于终端的第一图像信息；通过目标检测模型对所述第一图像信息中的目标物体进行识别，得出图像识别结果；将所述图像识别结果发送至所述终端。
[0008]第三方面，本专利技术实施例提供了一种电子设备，包括：存储器、处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如本专利技术第一方面实施例中任意一项所述的目标识别方法或本专利技术第二方面实施例中任意一项所述的目标识别方法。
[0009]第四方面，本专利技术实施例提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如本专利技术第一方面实施例中任意一项所述的目标识别方法或本专利技术第二方面实施例中任意一项所述的目标识别方法。
[0010]本专利技术实施例至少包括以下有益效果：本专利技术实施例中的目标识别方法可应用在终端或者云端服务器上。其中，终端所承担的任务是采集第一图像信息并将第一图像信息传输至云端服务器，以及接收云端服务器反馈回来的识别结果。而云端服务器所承担的任
务是先接收终端所发出的第一图像信息，通过目标检测模型对第一图像信息进行识别并得出图像识别结果，之后再将图像识别结果作为对第一图像信息的响应，发送给终端，目标识别方法执行完毕。整个目标识别方法的执行步骤中，采集第一图像信息的工作由终端完成，对第一图像信息进行图像识别处理的过程由云端服务器完成。本专利技术以端云协同的方式执行目标识别方法，将图像识别处理过程中的算力负担从终端侧转移到云端服务器侧，以解放终端侧的存储空间和计算能力，从而提升终端侧获取目标识别结果的速度。
[0011]本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
[0012]附图用来提供对本专利技术技术方案的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术的技术方案，并不构成对本专利技术技术方案的限制。
[0013]图1是本专利技术一个实施例提供的目标识别方法的流程示意图；
[0014]图2是本专利技术另一个实施例提供的目标识别方法的流程示意图；
[0015]图3是本专利技术另一个实施例提供的目标识别方法的流程示意图；
[0016]图4是本专利技术另一个实施例提供的目标识别方法的流程示意图；
[0017]图5是本专利技术另一个实施例提供的目标识别方法的流程示意图；
[0018]图6是本专利技术另一个实施例提供的目标识别方法的流程示意图；
[0019]图7是本专利技术另一个实施例提供的目标识别方法的流程示意图；
[0020]图8是本专利技术另一个实施例提供的目标识别方法的流程示意图；
[0021]图9是本专利技术一个实施例提供的电子设备的示意图。
具体实施方式
[0022]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0023]在本专利技术的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术实施例的限制。
[0024]在本专利技术的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
[0025]在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本专利技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特
点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0026]本专利技术的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属
技术人员可以结合技术方案的具体内容合理确定上述词语在本专利技术中的具体含义。
[0027]随着科技的迅速发展，目标识别在人工智能、增强现实等相关领域具有重要意义，深度学习在目标识别任务中表现出优越的性能。然而，由于神经网络模型三维属性比较庞大，对存储空间和计算能力要求很高，因此神经网络模型难以在终端上正常运行。
[0028]相关技术中，为了能够将目标识别功能带入终端，将目标识别算法进行了轻量化操作，例如，将原始的单射多目标检测器(Single Shot MultiBox Detector，SSD)网络结构的前置网络，即视觉几何群网络(Visual Geometr本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标识别方法，应用于终端，包括：采集第一图像信息；将所述第一图像信息发送至云端服务器，以使所述云端服务器对所述第一图像信息中的目标物体进行识别而生成图像识别结果；接收所述图像识别结果。2.根据权利要求1所述的方法，其特征在于，还包括：根据所述图像识别结果追踪所述目标物体，并采集所述目标物体所在目标区域的第二图像信息；将所述第二图像信息发送至所述云端服务器，以获取更新状态的所述图像识别结果。3.根据权利要求2所述的方法，其特征在于，所述根据所述图像识别结果追踪所述目标物体，并采集第二图像信息，包括：根据所述图像识别结果锁定所述第一图像信息中的所述目标物体，并采集第三图像信息；根据所述第三图像信息获取所述目标物体在所述第三图像信息中的运动数据，并根据所述运动数据对所述目标物体进行位置预测得出所述目标区域，所述目标区域为所述终端采集的下一组图像信息中所述目标物体所在的区域；对所述目标区域采集所述第二图像信息。4.根据权利要求3所述的方法，其特征在于，所述根据所述第三图像信息获取所述目标物体在所述第三图像信息中的运动数据，包括：选取所述目标物体的采样点(x,y)；记录所述第三图像信息中所述采样点的运动数据。5.根据权利要求4所述的方法，其特征在于，所述运动数据包括所述目标物体的位移梯度与时间梯度，所述根据所述运动数据对所述目标物体进行位置预测得出目标区域，包括：将所述位移梯度与所述时间梯度带入方程：求出所述采样点的动作向量其中，f
x
和f
y
为所述采样点的位移梯度，f
t
为所述采样点的时间梯度；根据所述动作向量对所述目标物体进行位置预测得出所述目标区域。6.根据权利要求3至5任意一项所述的方法，其特征在于，所述运动数据包括所述目标物体的运动方向与运动速度，所述根据所述第三图像信息获取所述目标物体在所述第三图像信息中的运动数据，还包括：从所述第三图像信息中获取序号分别为N
‑
1、N的两帧连续画面；从所述两帧连续画面中分别获取位姿矩阵Twc
(N
‑
1)
、Twc
(N)
以及所述目标物体的中心点位置；根据所述中心点位置与所述位姿矩阵Twc
(N
‑
1)
、Twc
(N)
，求出所述目标物体的所述运动方向以及所述运动速度T
velocity
，所述运动速度T
velocity
＝Twc
(N)
*(Twc
(N
‑
1)
)

【专利技术属性】
技术研发人员：孙洪玲，刘彦宾，高文婷，
申请(专利权)人：中兴通讯南京有限责任公司，
类型：发明
国别省市：