目标检测方法、目标检测设备及计算机可读存储介质与流程

1.本技术涉及图像处理技术领域，特别是涉及一种目标检测方法、目标检测设备及计算机可读存储介质。


背景技术：

2.目标检测在许多领域都有着广泛的应用，对目标进行搜索及定位越来越重要。对比与雷达系统对目标的搜索，光电系统能够更准确地指向目标方向，且能够看到目标的具体形态，以便区分目标。因此，通过光电平台的图像处理技术，对目标进行检测，有助于发现及定位目标。
3.以海面上的船只为例，对于海面船只的目标检测，不仅可以实现海面舰船目标普查，而且是舰船目标分类识别与海面态势变化分析等舰船目标详查任务的前提和基础，其检测性能的好坏直接影响了后续处理的成败，因此，海面船只检测具有十分重要的研究意义和应用价值。


技术实现要素：

4.本技术主要解决的技术问题是提供一种目标检测方法、目标检测设备及计算机可读存储介质，能够准确进行目标检测。
5.为了解决上述问题，本技术第一方面提供了一种目标检测方法，所述目标检测方法包括：对包含有待检测对象的红外图像进行区域划分，选取感兴趣区域作为待检测区；利用目标识别算法模型对所述待检测区进行检测，从待检测对象中筛选出符合预设几何特征的目标对象；获取所述目标对象的参数信息。
6.为解决上述问题，本技术第二方面提供了一种目标检测设备，所述目标检测设备包括相互连接的图像采集装置、处理器和存储器；所述图像采集装置用于采集红外图像；所述存储器用于存储程序指令，所述处理器用于执行所述程序指令以实现上述第一方面的目标检测方法。
7.为解决上述问题，本技术第三方面提供了一种计算机可读存储介质，其上存储有程序指令，所述程序指令被处理器执行时实现上述第一方面的目标检测方法。
8.本发明的有益效果是：区别于现有技术的情况，本技术在获取到包含有待检测对象的红外图像后，对包含有待检测对象的红外图像进行区域划分，可以选取感兴趣区域作为待检测区，然后利用目标识别算法模型对待检测区进行检测，从待检测对象中筛选出符合预设几何特征的目标对象，于是可以获取目标对象的参数信息。通过上述方式，在红外图像中选取感兴趣区域作为待检测区，基于目标识别算法模型，可以从待检测区内的待检测对象中筛选出符合预设几何特征的目标对象，并计算出目标对象的参数信息，使目标对象的检测的精确性更高，以便于在识别出目标对象后作出快速响应处理。
附图说明
9.图1是本技术目标检测方法一实施例的流程示意图；
10.图2是图1中步骤s11一实施例的流程示意图；
11.图3是图1中步骤s12一实施例的流程示意图；
12.图4是本技术目标检测方法一应用场景的处理流程示意图；
13.图5是本技术目标检测方法另一实施例的流程示意图；
14.图6是本技术目标检测方法另一应用场景的处理流程示意图；
15.图7是本技术目标检测方法又一实施例的流程示意图；
16.图8是本技术目标检测方法又一应用场景的处理流程示意图；
17.图9是本技术目标检测设备一实施例的结构示意图；
18.图10是本技术计算机可读存储介质一实施例的结构示意图。
具体实施方式
19.下面结合说明书附图，对本技术实施例的方案进行详细说明。
20.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本技术。
21.本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。
22.请参阅图1，图1是本技术目标检测方法一实施例的流程示意图。本实施例中的目标检测方法，包括以下步骤：
23.s11：对包含有待检测对象的红外图像进行区域划分，选取感兴趣区域作为待检测区。
24.本实施例中，对红外图像进行区域划分，并不限定所得到的区域块的形状，例如该形状可以是矩形，也可以是其他形状。另外，也不限定区域块的尺寸，例如，可以将红外图像进行均分，或者按照不同的类型进行区域划分。可以理解的是，若区域块的尺寸小于待检测对象的尺寸，则区域划分可能会对待检测对象造成切割，影响检测的成功率，因此，所划分的区域块还应当大于待检测对象的尺寸。在对红外图像进行区域划分后，可以选取感兴趣区域作为待检测区，后续对待检测区进行检测即可，可以提高检测效率。
25.s12：利用目标识别算法模型对所述待检测区进行检测，从待检测对象中筛选出符合预设几何特征的目标对象。
26.具体地，利用目标识别算法模型对待检测区进行检测，得到每个待检测对象的几何特征，对照针对预定的目标对象所训练的分类规则，对各待检测对象进行决策树分类，以判断各待检测对象的几何特征是否符合预设几何特征，从而可以从待检测对象中筛选出符合预设几何特征的目标对象。
27.s13：获取所述目标对象的参数信息。
28.在筛选出符合预设几何特征的目标对象后，可以获取目标对象的参数信息，以便于在识别出目标对象后作出快速响应处理。
29.本技术中，目标对象可以为运输车辆、人物等，本技术的目标检测方法可以应用于交通道路、军事、公安、智能小区等系统和领域的安全监控、自动监控和远程监控中，通过利用计算机实现智能的目标检测和目标识别跟踪。例如，在智能小区中，关于小区安全的维护，可以利用上述的目标检测方法，通过对包含有待检测对象的红外图像进行区域划分，选取感兴趣区域作为待检测区，此时待检测对象为人物或者动物，可以选择小区特定区域为感兴趣区域，例如人流密集区域、水池等潜在危险区域等，作为待检测区，然后利用目标识别算法模型对待检测区进行检测，例如将特定人员或者宠物的体型特征进行设定，以期从待检测对象中筛选出符合预设体型特征的特定人员或者宠物，便于在识别出特定人员或者宠物后作出快速响应处理，避免人员或者宠物的丢失，实现智能小区的安全维护。
30.在一实施例中，目标对象包括船只，参数信息包括目标对象的长度、高度、距离和速度，通过获取目标对象的参数信息，可以实现海面的船只普查与船只分类，可以作为海面态势变化分析等船只详查任务的前提和基础。
31.上述方案，在红外图像中选取感兴趣区域作为待检测区，基于目标识别算法模型，可以从待检测区内的待检测对象中筛选出符合预设几何特征的目标对象，并计算出目标对象的参数信息，使目标对象的检测的精确性更高，以便于在识别出目标对象后作出快速响应处理。
32.请结合图2，图2是图1中步骤s11一实施例的流程示意图。在一实施例中，目标对象包括船只，上述步骤s11具体包括：
33.s111：将所述红外图像划分为若干个区域，所述若干个区域包括海面、天空以及陆地中的至少一种。
34.s112：获取天空区域中与海面区域相邻的第一部分区域、陆地区域中与海面区域相邻的第二部分区域，将海面区域以及第一部分区域、第二部分区域确定为感兴趣区域，作为待检测区。
35.可以理解的是，对于船只的检测，由于船只主要出现在海面上，因此，通过对红外图像进行区域划分，划分出包括海面、天空、陆地等区域，所以海面区域为感兴趣区域，为最有可能出现船只的区域，即可以将海面区域作为待检测区。另外，考虑到位于海面区域的分割线上的待检测对象可能被分割，影响检测的成功率，因此，在本实施例中，可以获取天空区域中与海面区域相邻的第一部分区域、陆地区域中与海面区域相邻的第二部分区域，将海面区域以及第一部分区域、第二部分区域合并确定为感兴趣区域，作为待检测区。通过将大部分天空区域和陆地区域不作为待检测区，可以降低天空区域的云层和飞鸟、陆地区域的固定建筑物等物体的干扰，可以提高船只检测精度。
36.请结合图3，图3是图1中步骤s12一实施例的流程示意图。在一实施例中，预设几何特征包括预设尺寸特征和预设形状特征，上述步骤s12具体包括：
37.s121：利用目标识别算法模型对所述待检测区进行检测，根据预设尺寸特征对所述待检测区的待检测对象进行匹配过滤，筛选出满足预设尺寸特征的待检测对象。
38.s122：根据预设形状特征对所述满足预设尺寸特征的待检测对象进行匹配过滤，筛选出满足预设形状特征的待检测对象，以作为所述目标对象。
39.对于海面上的待检测对象，例如船只，可以利用船只的几何特征将其检测出来。其中，几何特征主要分为两类，第一类为与尺寸相关的几何特征，尺寸特征可描述船只的几何
尺寸，用于在待检测区内找到满足预设尺寸特征的待检测对象；第二类为与形状相关的几何特征，形状特征可描述船只的几何形状，用于在满足预设尺寸特征的待检测对象中将形状差异较大的对象剔除出去，筛选出满足预设形状特征的待检测对象，来作为目标对象。
40.具体地，预设尺寸特征包括对象的面积、周长以及长轴长度和短轴长度中任意特征，面积、周长、长轴长度和短轴长度均为船只的重要特征，可以用于对船只进行识别和区分；预设形状特征包括圆度、形状因子、长宽比、以及矩形度中任意特征，通过对圆度、形状因子、长宽比和矩形度等形状特征进行匹配，可以区别出船只与其他目标对象，避免误检测。
41.请结合图4，图4是本技术目标检测方法一应用场景的处理流程示意图。在获取到红外图像后，首先对红外图像进行区域划分，选取感兴趣区域作为待检测区，然后在待检测区内利用目标识别算法模型，根据尺寸特征去匹配过滤图像中的目标尺寸，若尺寸不满足预设尺寸特征，则将对应的目标滤除，若尺寸满足预设尺寸特征，则进一步根据形状特征去匹配过滤图像中的目标形状，若形状不满足预设形状特征，则将对应的目标滤除，若形状满足预设形状特征，则将对应的目标标识为检测到的船只。
42.请参阅图5，图5是本技术目标检测方法另一实施例的流程示意图。本实施例中的目标检测方法，包括以下步骤：
43.s51：对包含有待检测对象的红外图像进行区域划分，选取感兴趣区域作为待检测区。
44.s52：利用目标识别算法模型对所述待检测区进行检测，从待检测对象中筛选出符合预设几何特征的目标对象。
45.s53：对符合预设几何特征的目标对象进行动态特征检测，筛选出在预设时间阈值内发生动态位移的目标对象。
46.可以理解的是，在目标对象为船只时，若船只在岸边静止停靠，且静止的船只与岸上的建筑物等目标在尺寸、形状上较为接近时，则可能会将相似物误检测为船只。因此，为了避免误检测，对符合预设几何特征的目标对象进行动态特征检测，筛选出在预设时间阈值内发生动态位移的目标对象。具体地，可以获取在预设时间阈值内的至少两帧红外图像，对这至少两帧红外图像中的符合预设几何特征的目标对象进行动态特征检测，判断这些目标对象在这至少两帧红外图像中的位置是否发生变化，以判断目标对象是否发生了动态位移。
47.s54：获取所述目标对象的参数信息。
48.在本实施场景中，本实施例提供的步骤s51、s52和s54与本技术提供的目标检测方法的上述实施例中的步骤s11、s12和s13基本类似，此处不再赘述。
49.请结合图6，对于筛选出的符合预设尺寸特征和预设形状特征的目标对象后，得到对应的船只目标检测结果，然后基于该船只目标检测结果，在预设时间阈值内对这些目标对象进行动态特征检测，若目标对象发生了动态位移，那么该目标对象为船只，若目标对象没有发生动态位移，则该目标对象为为相似物，需要进一步滤除，于是可以在船只检测的基础上，甄别船只与其相似物，从而大大地降低误检测的可能性。该实施例中，红外图像可以由单通道的图像采集装置获取，具体可以为单通道的热成像设备，该设备只有一个热成像镜头。
50.请参阅图7，图7是本技术目标检测方法又一实施例的流程示意图。本实施例中的目标检测方法，包括以下步骤：
51.s71：对包含有待检测对象的红外图像进行区域划分，选取感兴趣区域作为待检测区。
52.s72：利用目标识别算法模型对所述待检测区进行检测，从待检测对象中筛选出符合预设几何特征的目标对象。
53.s73：对符合预设几何特征的目标对象进行动态特征检测，筛选出在预设时间阈值内发生动态位移的目标对象。
54.s74：获取与所述红外图像相对应的可见光图像，利用所述可见光图像对所述在预设时间阈值内发生动态位移的目标对象进行误检测过滤，筛选出符合对象细节的目标对象。
55.可以理解的是，也可以利用双通道的图像采集装置来获取红外图像，具体可以为双通道的摄像机，此时双通道的摄像机既可以采集红外图像，也可以采集可见光图像，于是可以获取与红外图像相对应的可见光图像，由于可见光通道的图像可以清晰的展示出图像的细节，因此利用可见光图像对上述筛选之后的目标对象进行进一步的误检测过滤，可以筛选出符合对象细节的目标对象。
56.s75：获取所述目标对象的参数信息。
57.在本实施场景中，本实施例提供的步骤s71至s73和s75与本技术提供的目标检测方法的上述实施例中的步骤s51至s54基本类似，此处不再赘述。
58.请结合图8，对于红外图像，可以利用目标识别算法模型对几何特征进行匹配检测，将不满足预设几何特征的对象进行滤除，筛选出满足预设几何特征的对象，然后利用红外图像和可见光图像进行双目融合后的特征，对可见光图像所展示出图像的细节进行进一步的检测，将不满足目标细节的对象进行滤除，筛选出满足目标细节的对象，即表示检测到船只。于是，在利用红外图像进行目标检测的情况下，采用可见光图像辅助检测的机制，可以进一步减少误检测。
59.请参阅图9，图9是本技术目标检测设备一实施例的结构示意图。本实施例中的目标检测设备90包括相互连接的图像采集装置900、处理器902和存储器904；存储器904用于存储程序指令，处理器902用于执行所述程序指令。
60.具体地，图像采集装置900用于采集红外图像，处理器902用于对包含有待检测对象的红外图像进行区域划分，选取感兴趣区域作为待检测区，利用目标识别算法模型对所述待检测区进行检测，从待检测对象中筛选出符合预设几何特征的目标对象，获取所述目标对象的参数信息。
61.在一实施例中，所述目标对象包括船只；处理器902执行所述对包含有待检测对象的红外图像进行区域划分，选取感兴趣区域作为待检测区的步骤，包括：将所述红外图像划分为若干个区域，所述若干个区域包括海面、天空、陆地；设置海面及天空和陆地分别与海面相邻的区域为感兴趣区域，作为待检测区。
62.在一实施例中，所述预设几何特征包括预设尺寸特征和预设形状特征；处理器902执行所述利用目标识别算法模型对所述待检测区进行检测，从待检测对象中筛选出符合预设几何特征的目标对象的步骤，包括：利用目标识别算法模型对所述待检测区进行检测，根
据预设尺寸特征对所述待检测区的待检测对象进行匹配过滤，筛选出满足预设尺寸特征的待检测对象；根据预设形状特征对所述满足预设尺寸特征的待检测对象进行匹配过滤，筛选出满足预设形状特征的待检测对象，以作为所述目标对象。
63.在一实施例中，处理器902在执行所述获取所述目标对象的参数信息的步骤之前，还用于：对符合预设几何特征的目标对象进行动态特征检测，筛选出在预设时间阈值内发生动态位移的目标对象。
64.在一实施例中，图像采集装置900为双通道摄像机，图像采集装置900还用于采集可见光图像；处理器902在执行所述获取所述目标对象的参数信息的步骤之前，还用于：获取与所述红外图像相对应的可见光图像，利用所述可见光图像对所述在预设时间阈值内发生动态位移的目标对象进行误检测过滤，筛选出符合对象细节的目标对象。
65.关于本技术目标检测设备实现目标检测方法的具体内容请参阅上述目标检测方法实施例中的内容，此处不再赘述。
66.请参阅图10，图10是本技术计算机可读存储介质一实施例的结构示意图。本技术计算机可读存储介质100，其上存储有程序指令1000，程序指令1000被处理器执行时实现上述任一目标检测方法的实施例中的步骤。
67.该计算机可读存储介质100具体可以为u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等可以存储程序指令1000的介质，或者也可以为存储有该程序指令1000的服务器，该服务器可将存储的程序指令1000发送给其他设备运行，或者也可以自运行该存储的程序指令1000。
68.在本技术所提供的几个实施例中，应该理解到，所揭露的方法、设备和装置，可以通过其它的方式实现。例如，以上所描述的设备和装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
69.作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
70.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
71.集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本技术各个实施方式方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种
可以存储程序代码的介质。