[go: up one dir, main page]

CN114067367A - 一种红外场景下小动物检测方法、计算机设备及存储介质 - Google Patents

一种红外场景下小动物检测方法、计算机设备及存储介质 Download PDF

Info

Publication number
CN114067367A
CN114067367A CN202210042059.1A CN202210042059A CN114067367A CN 114067367 A CN114067367 A CN 114067367A CN 202210042059 A CN202210042059 A CN 202210042059A CN 114067367 A CN114067367 A CN 114067367A
Authority
CN
China
Prior art keywords
target
shape
value
probability
speed
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210042059.1A
Other languages
English (en)
Other versions
CN114067367B (zh
Inventor
杨帆
陈凯琪
白立群
王瀚洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiaoshi Technology (Jiangsu) Co.,Ltd.
Original Assignee
Nanjing Zhenshi Intelligent Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Zhenshi Intelligent Technology Co Ltd filed Critical Nanjing Zhenshi Intelligent Technology Co Ltd
Priority to CN202210042059.1A priority Critical patent/CN114067367B/zh
Publication of CN114067367A publication Critical patent/CN114067367A/zh
Application granted granted Critical
Publication of CN114067367B publication Critical patent/CN114067367B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种红外场景下小动物检测方法、计算机设备及存储介质，一种红外场景下小动物检测方法，包括：对获取的当前帧图片进行目标检测，对当前帧检测到的目标进行跟踪；设置跟踪时长t，对于跟踪时长超过t的目标，根据高斯概率分布计算检测目标的速度和形状在此场景中出现的可能性；根据可能性的大小，输出检测结果。本发明充分考虑到小动物的移动都是在一个平面内，且小动物本身高度对形状的影响较低，所以在图像中小动物的形状变化是有规律可循的，同时小动物速度上的变化也是不同分布状态的，因此本发明获取了跟踪目标的速度集合和形状集合，并计算度集合和形状集合的概率分布，将这两者结合，从而在保证召回率的情况下有效的降低误检。

Description

一种红外场景下小动物检测方法、计算机设备及存储介质
技术领域
本发明属于检测技术领域，具体是一种红外场景下小动物的检测方法。
背景技术
在红外场景下的小动物，如老鼠，目标比较小，轮廓特征不明显，传统的目标检测的方法如图1所示。这种方法很容易在新的场景中产生误检，又因为红外场景下，老鼠的目标过于复杂，也存在人工标注时出现漏标和错标的现象，综上会导致基于深度学习的目标检测在红外场景下检测老鼠时会有各种各样的误检。
发明内容
本发明所要解决的技术问题是提供一种降低误检的红外场景下小动物检测方法、计算机设备及存储介质。
为解决上述技术问题，本发明采用的技术方案是：
一种红外场景下小动物检测方法，包括：
对获取的当前帧图片进行目标检测，对当前帧检测到的目标进行跟踪；
设置跟踪时长t，对于跟踪时长超过t的目标，根据高斯概率分布计算检测目标的速度和形状在此场景中出现的可能性；
根据可能性的大小，输出检测结果。
对于跟踪时长超过t的目标，根据高斯概率分布计算检测目标的速度和形状在此场景中出现的可能性，包括：
在获取跟踪目标每一帧的信息之后，根据目标坐标中心的位移变化，记录目标速度的集合V，以及目标形状的集合S；
当跟踪时长大于t时，根据目标速度的集合V以及目标形状的集合S，计算目标速度的概率值和目标形状的概率值。
根据目标速度的集合V以及目标形状的集合S，计算目标速度的概率值和目标形状的概率值，包括：
从目标速度的集合V中去除一个最高值和一个最低值，得到速度集合V`，在得到V`速度的最大值vmax和最小值vmin；从目标形状的集合S中去除一个最高值和一个最低值，得到速度集合S`，在得到S`速度的最大值smax和最小值smin；
根据速度的高斯密度函数得到目标速度的概率值P(v), 根据形状的高斯密度函数得到目标形状的概率值P(s)：
Figure 254380DEST_PATH_IMAGE002
式中，fs(s)为速度的高斯密度函数，fv(v)为形状的高斯密度函数。
速度的高斯密度函数fs(s)和形状的高斯密度函数fv(v)分别为：
Figure 699137DEST_PATH_IMAGE004
式中，s为形状，μs为形状概率密度函数的均值，δs为形状概率密度函数的方差；v为速度，μv为速度概率密度函数的均值，δv为速度概率密度函数的方差；
与现有技术相比，本发明的有益效果是：
本发明充分考虑到小动物移动都是在一个平面内，且小动物本身高度对形状的影响较低，所以在图像中小动物的形状变化是有规律可循的，同时小动物速度上的变化也是不同分布状态的，因此本发明获取了跟踪目标的速度集合和形状集合，并计算度集合和形状集合的概率分布，将这两者结合，从而在保证召回率的情况下有效的降低误检。
附图说明
图1是现有检测方法流程图；
图2是本发明检测方法流程图；
图3为本发明获得高斯概率分布的方法流程图。
具体实施方式
下面结合实施例，对本发明作详细说明：
本发明实施例提供一种红外场景下小动物检测方法，可用于老鼠等目标的检测，包括：
步骤1、对获取的当前帧图片进行目标检测，对当前帧检测到的目标进行跟踪；
在一个实施例中，步骤1中对当前帧图片进行目标检测，采用目标检测器实现，并通过目标检测器得到检测目标在图片中的坐标(cxi, cyi, wi, hi),其中i代表第i个检测结果。
目标检测器，采用基于深度学习的目标检测算法,如RetinaFace或者YOLOv5等，通过数据采集和标注，准备老鼠检测的训练，基于训练集训练目标检测模型，目标检测模型最终会输出在图片中出现的老鼠的坐标(x,y,w,h)。
步骤2、设置跟踪时长t，对于跟踪时长超过t的目标，根据高斯概率分布计算检测目标的速度和形状在此场景中出现的可能性；
在一个实施例中，跟踪采用卡尔曼滤波的跟踪方法，对于在监控视角中出现的老鼠，其跟踪id是唯一的。
在一个实施例中，步骤2中，对于跟踪时长超过t的目标，根据高斯概率分布计算检测目标的速度和形状在此场景中出现的可能性。其中，获得高斯概率分布的方法如图3所示，包括：
当跟踪目标超过时长t时，根据跟踪轨迹和跟踪目标坐标框的变化计算在t时间内的速度和目标box的形状，并构成集合Vj = {vj0, vj1… vjt-1}和Sj = {sj0, sj1…sjt-1}，其中j代表的第j个跟踪目标， Vj代表在时长t内跟踪目标J的速度，vj t-1代表在t-1时刻跟踪目标J的速度,集合Sj为跟踪目标j在t时长内宽、高以及宽高比的集合；
根据当前所有跟踪目标速度的集合Vall = {V0，V1……Vn} 以及Sall={S0,S1,S2,…Sn},计算跟踪目标速度和形状的高斯概率分布函数。
高斯概率分布函数为：
Figure 332243DEST_PATH_IMAGE006
式中，μ为概率密度函数的均值，δ为概率密度函数的方差，μ和δ可以通过极大似然估计计算。
步骤21、在获取跟踪目标每一帧的信息之后，根据目标坐标中心的位移变化，记录目标速度的集合V，以及目标形状的集合S；
步骤22、当跟踪时长大于t时，根据目标速度的集合V以及目标形状的集合S，计算目标速度的概率值和目标形状的概率值。
步骤3、根据可能性的大小，输出检测结果。
在一个实施例中，步骤3根据可能性的大小输出检测结果，包括：
步骤31、设定第一阈值T1和第二阈值T2；第一阈值T1取值0.5~0.9，第二阈值T2取值0.5~0.9。
步骤32、判断目标速度的概率值P(v)与第一阈值T1的大小, 判断目标形状的概率值P(s)与第二阈值T2的大小；
步骤33、当P(v) > T1且P(s) >T2，则跟踪目标认定为真实目标；当P(v) < T1且P(s) <T2，则跟踪目标定义为误检；当目标速度的概率值P(v)和目标形状的概率值P(s)中只有一个大于对应的阈值时，则在下一帧图片中进行判断。
在一个实施例中，根据目标速度的集合V以及目标形状的集合S，计算目标速度的概率值和目标形状的概率值，包括：
从目标速度的集合V中去除一个最高值和一个最低值，得到速度集合V`，在得到V`速度的最大值vmax和最小值vmin；从目标形状的集合S中去除一个最高值和一个最低值，得到速度集合S`，在得到S`速度的最大值smax和最小值smin；
根据速度的高斯密度函数得到目标速度的概率值P(v), 根据形状的高斯密度函数得到目标形状的概率值P(s)：
Figure 757890DEST_PATH_IMAGE008
式中，fs(s)为速度的高斯密度函数，fv(v)为形状的高斯密度函数。
速度的高斯密度函数fs(s)和形状的高斯密度函数fv(v)分别为：
Figure 298593DEST_PATH_IMAGE010
式中，s为形状，μs为形状概率密度函数的均值，δs为形状概率密度函数的方差；v为速度，μv为速度概率密度函数的均值，δv为速度概率密度函数的方差；
在一个实施例中，第一阈值T1取值0.5；第二阈值T2取值0.5，在计算得到P(s) 和P(v)之后，若两者都<0.5，则跟踪目标定义为误检，不进行报警，且对于此目标后续跟踪结果不在进行计算。若P(s)和P(v)都>0.5，则进行报警，并把集合V和S添加到Vall和Sall中，更新速度和形状的高斯密度函数，即重新计算两个高斯密度函数的均值和方差。若P(s)和P(v)只有一个>0.5，则不进行报警，且不把集合V和S添加到Vall和Sall中。在下一帧中继续把新的速度和形状添加至集合V和S，再重复步骤2。
本发明检测方法，在跟踪的基础上，通过高斯建模的方式构建跟踪目标的规律信息，构建概率分布函数，通过对新跟踪目标的概率计算，进行过滤，过滤在场景中与检测器检测目标差异较大的结果。通过这种方式，可以自适应的过滤在新场景中出现的误检。
本发明实施例还提供一种计算机设备，包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现上述实施例的红外场景下小动物检测方法。
本发明实施例还提供一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述实施例的红外场景下小动物检测方法。

Claims (9)

1.一种红外场景下小动物检测方法，其特征在于，包括：
对获取的当前帧图片进行目标检测，对当前帧检测到的目标进行跟踪；
设置跟踪时长t，对于跟踪时长超过t的目标，根据高斯概率分布计算检测目标的速度和形状在此场景中出现的可能性；
根据可能性的大小，输出检测结果。
2.根据权利要求1所述的红外场景下小动物检测方法，其特征在于，
对于跟踪时长超过t的目标，根据高斯概率分布计算检测目标的速度和形状在此场景中出现的可能性，包括：
在获取跟踪目标每一帧的信息之后，根据目标坐标中心的位移变化，记录目标速度的集合V，以及目标形状的集合S；
当跟踪时长大于t时，根据目标速度的集合V以及目标形状的集合S，计算目标速度的概率值和目标形状的概率值作为在此场景中出现的可能性。
3.根据权利要求2所述的红外场景下小动物检测方法，其特征在于，当跟踪时长大于t时，根据目标速度的集合V以及目标形状的集合S，计算目标速度的概率值和目标形状的概率值作为在此场景中出现的可能性步骤中，计算目标速度的概率值和目标形状的概率值的方法是：
根据速度的高斯密度函数得到目标速度的概率值P(v), 根据形状的高斯密度函数得到目标形状的概率值P(s)：
Figure DEST_PATH_IMAGE001
式中，vmax为目标速度的集合V中速度的最大值，vmin为目标速度的集合V中的最小值，smax为目标形状的集合S中速度的最大值，smin为目标形状的集合S中的最小值，fs(s)为速度的高斯密度函数，fv(v)为形状的高斯密度函数；
速度的高斯密度函数fs(s)和形状的高斯密度函数fv(v)分别为：
Figure 712314DEST_PATH_IMAGE002
式中，s为形状，μs为形状概率密度函数的均值，δs为形状概率密度函数的方差；v为速度，μv为速度概率密度函数的均值，δv为速度概率密度函数的方差。
4.根据权利要求3所述的红外场景下小动物检测方法，其特征在于，确实所述目标速度的集合V中速度的最大值vmax、目标速度的集合V中的最小值vmin、目标形状的集合S中速度的最大值smax及目标形状的集合S中的最小值smin的方法是：
从目标速度的集合V中去除一个最高值和一个最低值，得到速度集合V`；从目标形状的集合S中去除一个最高值和一个最低值，得到形状集合S`；
将得到的速度集合V`中的速度的最大值作为vmax，将得到的速度集合V`中的速度的最小值作为vmin；将得到的形状集合S`中形状最大值作为smax，将得到的形状集合S`中形状最小值作为smin。
5.根据权利要求4所述的红外场景下小动物检测方法，其特征在于，根据可能性的大小输出检测结果，包括：
设定第一阈值和第二阈值；
判断目标速度的概率值P(v)与第一阈值T1的大小, 判断目标形状的概率值P(s)与第二阈值T2的大小；
当P(v) > T1且P(s) >T2，则跟踪目标认定为真实目标；当P(v) < T1且P(s) <T2，则跟踪目标定义为误检；当目标速度的概率值P(v)和目标形状的概率值P(s)中只有一个大于对应的阈值时，则在下一帧图片中进行判断。
6.根据权利要求5所述的红外场景下小动物检测方法，其特征在于，
跟踪目标定义为误检，不进行报警， 且对于此目标后续跟踪结果不在进行计算；
跟踪目标认定为真实目标，则进行报警，并把集合V和S添加到所有跟踪目标速度的集合Vall和所有跟踪目标形状的集合Sall中，更新速度和形状的高斯密度函数中的均值和方差；
当目标速度的概率值P(v)和目标形状的概率值P(s)中只有一个大于对应的阈值时，则不进行报警，且不把集合V和S添加到Vall和Sall中。
7.根据权利要求6所述的红外场景下老鼠检测方法，其特征在于，第一阈值取值0.5~0.9；第二阈值取值0.5~0.9。
8.一种计算机设备，包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如权利要求1至7任一项所述的红外场景下小动物检测方法。
9.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至7任一项所述的红外场景下小动物检测方法。
CN202210042059.1A 2022-01-14 2022-01-14 一种红外场景下小动物检测方法、计算机设备及存储介质 Active CN114067367B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210042059.1A CN114067367B (zh) 2022-01-14 2022-01-14 一种红外场景下小动物检测方法、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210042059.1A CN114067367B (zh) 2022-01-14 2022-01-14 一种红外场景下小动物检测方法、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN114067367A true CN114067367A (zh) 2022-02-18
CN114067367B CN114067367B (zh) 2022-04-12

Family

ID=80231076

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210042059.1A Active CN114067367B (zh) 2022-01-14 2022-01-14 一种红外场景下小动物检测方法、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN114067367B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1114357A (ja) * 1997-06-20 1999-01-22 Technical Syst:Kk 測量機の自動追尾装置
CN1801930A (zh) * 2005-12-06 2006-07-12 南望信息产业集团有限公司 基于视频内容分析的可疑静止物检测方法
CN102982555A (zh) * 2012-11-01 2013-03-20 江苏科技大学 基于自适应流形粒子滤波的制导红外小目标跟踪方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1114357A (ja) * 1997-06-20 1999-01-22 Technical Syst:Kk 測量機の自動追尾装置
CN1801930A (zh) * 2005-12-06 2006-07-12 南望信息产业集团有限公司 基于视频内容分析的可疑静止物检测方法
CN102982555A (zh) * 2012-11-01 2013-03-20 江苏科技大学 基于自适应流形粒子滤波的制导红外小目标跟踪方法

Also Published As

Publication number Publication date
CN114067367B (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
CN109961019A (zh) 一种时空行为检测方法
CN110472554A (zh) 基于姿态分割和关键点特征的乒乓球动作识别方法及系统
CN112598713A (zh) 一种基于深度学习的近岸海底鱼类检测、跟踪统计方法
CN104992451A (zh) 一种改进的目标跟踪方法
CN110728697A (zh) 基于卷积神经网络的红外弱小目标检测跟踪方法
CN101739551A (zh) 运动目标识别方法及系统
CN114049382A (zh) 一种智能网联环境下目标融合跟踪方法、系统和介质
Bedruz et al. Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach
CN106296742A (zh) 一种结合特征点匹配的在线目标跟踪方法
CN103530893A (zh) 相机抖动场景下基于背景差和运动信息的前景检测方法
CN113168520A (zh) 跟踪场景中的对象的方法
CN110349188B (zh) 基于tsk模糊模型的多目标跟踪方法、装置及存储介质
CN111091583B (zh) 长期目标跟踪方法
CN107622507A (zh) 一种基于深度学习的空中目标跟踪方法
CN113537077A (zh) 基于特征池优化的标签多伯努利视频多目标跟踪方法
CN113763427B (zh) 一种基于从粗到精遮挡处理的多目标跟踪方法
CN111784744A (zh) 一种基于视频监控的目标自动检测与跟踪方法
Li et al. Time-spatial multiscale net for vehicle counting and traffic volume estimation
CN112613565A (zh) 基于多特征融合与自适应学习率更新的抗遮挡跟踪方法
CN114067367B (zh) 一种红外场景下小动物检测方法、计算机设备及存储介质
CN109949344B (zh) 一种基于颜色概率目标建议窗口的核相关滤波跟踪方法
CN112967320A (zh) 一种基于桥梁防撞的船舶目标检测跟踪方法
CN112164097A (zh) 一种船舶视频检测样本采集方法
CN112307897A (zh) 一种社区监控场景下基于局部特征识别和邻帧匹配的宠物跟踪方法
CN118115538A (zh) 基于Deepsort算法的目标跟踪方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: 210000 Longmian Avenue 568, High-tech Park, Jiangning District, Nanjing City, Jiangsu Province

Patentee after: Xiaoshi Technology (Jiangsu) Co.,Ltd.

Address before: 210000 Longmian Avenue 568, High-tech Park, Jiangning District, Nanjing City, Jiangsu Province

Patentee before: NANJING ZHENSHI INTELLIGENT TECHNOLOGY Co.,Ltd.

CP01 Change in the name or title of a patent holder