CN110866473B - 目标对象的跟踪检测方法及装置、存储介质、电子装置 - Google Patents
目标对象的跟踪检测方法及装置、存储介质、电子装置 Download PDFInfo
- Publication number
- CN110866473B CN110866473B CN201911067409.4A CN201911067409A CN110866473B CN 110866473 B CN110866473 B CN 110866473B CN 201911067409 A CN201911067409 A CN 201911067409A CN 110866473 B CN110866473 B CN 110866473B
- Authority
- CN
- China
- Prior art keywords
- target object
- target
- image
- area
- detection
- 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.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种目标对象的跟踪检测方法及装置、存储介质、电子装置,上述方法包括:对目标区域进行检测;在检测到所述目标区域的屏蔽区域内存在目标对象的情况下,检测所述屏蔽区域内的目标对象是否为活体,得到检测结果;根据检测结果确定是否对屏蔽区域内的目标对象进行跟踪检测,采用上述技术方案,解决了相关技术中,在目标检测过程中,由于无法完全识别出虚假目标对象,进而导致目标检测方法不准确等问题。
Description
技术领域
本发明涉及计算机领域,具体而言,涉及一种目标对象的跟踪检测方法及装置、存储介质、电子装置。
背景技术
随着信息化教育的发展,以多媒体、大数据、人工智能等为基础的现代化工具及技术越来越多的应用于现代教学过程中。教育资源共享是信息化、智慧化教育的主要特征之一,教学活动录播作为资源共享的一种常见方式更是日益普及,而如何让录播更具智慧化仍是一件待解决的问题。
基于深度学习的目标检测方法都为数据驱动型方法,检测效果的好坏很大程度上依赖于训练数据的质量。同时,受到某些特定因素如镜面反光、海报画册、电子影像等的影响,模型会将这些介质上的虚假目标当作真实目标检测出来,现有的目标检测方法都不能实现100%准确检测,都会出现一定程度的误检和漏检。针对相关技术中,在目标检测过程中,由于无法完全识别出虚假目标对象,进而导致目标检测方法不准确等问题,尚未提出有效的技术方案。
发明内容
本发明实施例提供了一种目标对象的跟踪检测方法及装置、存储介质、电子装置,以至少解决相关技术中在目标检测过程中,由于无法完全识别出虚假目标对象,进而导致目标检测方法不准确等问题。
根据本发明的一个实施例,提供了一种目标对象的跟踪检测方法,包括:对目标区域进行检测;在检测到所述目标区域的屏蔽区域内存在目标对象的情况下,检测所述屏蔽区域内的目标对象是否为活体,得到检测结果;根据检测结果确定是否对屏蔽区域内的目标对象进行跟踪检测。
在本发明实施例中,对目标区域进行检测,包括:获取对目标区域进行录像所得到的图像;识别所述图像中的目标对象。
在本发明实施例中,识别所述图像中的目标对象,包括:通过深度学习的网络模型对所述图像进行识别,其中,所述深度学习的网络模型的结构依次包括:残差级联模块、Inception-Resnet模块及YOLO检测层;根据识别结果确定所述图像中的目标对象。
在本发明实施例中,获取对目标区域进行录像所得到的图像之后,所述方法还包括:为所述图像中的屏蔽区域设置标记,其中,所述图像中存在所述标记的情况下,确定所述图像中存在屏蔽区域,在所述图像中未存在所述标记的情况下,确定所述图像中未存在所述屏蔽区域。
在本发明实施例中,对目标区域进行检测之后,所述方法还包括:在检测到所述目标区域的非屏蔽区域内存在目标对象的情况下,输出所述非屏蔽区域识别到所述目标对象的结果。
根据本发明的另一个实施例,还提供了一种目标对象的跟踪检测装置,包括:检测模块,用于对目标区域进行检测;处理模块,用于在检测到所述目标区域的屏蔽区域内存在目标对象的情况下,检测所述屏蔽区域内的目标对象是否为活体,得到检测结果;确定模块,用于根据检测结果确定是否对屏蔽区域内的目标对象进行跟踪检测。
在本发明实施例中,所述检测模块,包括:获取单元,用于获取对目标区域进行录像所得到的图像;识别单元,用于识别所述图像中的目标对象。
在本发明实施例中,所述识别单元,还用于通过深度学习的网络模型对所述图像进行识别,其中,所述深度学习的网络模型的结构依次包括:残差级联模块、Inception-Resnet模块及YOLO检测层;根据识别结果确定所述图像中的目标对象。
根据本发明的又一个实施例,还提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,在检测到目标区域的屏蔽区域内存在目标对象的情况下,检测所述屏蔽区域内的目标对象是否为活体,得到检测结果;根据检测结果确定是否对屏蔽区域内的目标对象进行跟踪检测,即在识别到屏蔽区域的目标对象是否为活体的情况下,再确定是否对目标对象进行跟踪检测。采用上述技术方案,解决了相关技术中,在目标检测过程中,由于无法完全识别出虚假目标对象,进而导致目标检测方法不准确等问题,在识别到可能的虚假目标对象的情况下,再确定识别到的虚假目标对象是否为活体,进而确定是否对目标对象进行跟踪识别,提高了目标对象的跟踪检测的准确率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例的一种目标对象的跟踪检测方法的计算机终端的硬件结构框图;
图2是根据本发明实施例的目标对象的跟踪检测方法的流程图;
图3是根据本发明实施例的一种可选的网络结构示意图;
图4是根据本发明实施例的一种可选的屏蔽区域的示意图;
图5是根据本发明实施例的另一种可选的屏蔽区域的示意图;
图6是根据本发明可选实施例的整体流程示意图;
图7是根据本发明实施例的目标对象的跟踪检测装置的结构框图;
图8是根据本发明实施例的目标对象的跟踪检测装置的另一结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本申请实施例所提供的方法实施例可以在计算机终端或者类似的运算装置中执行。以运行在计算机终端上为例,图1是本发明实施例的一种目标对象的跟踪检测方法的计算机终端的硬件结构框图。如图1所示,计算机终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述计算机终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述计算机终端的结构造成限定。例如,计算机终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示等同功能或比图1所示功能更多的不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的目标对象的跟踪检测方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运行于上述计算机终端的目标对象的跟踪检测方法,图2是根据本发明实施例的目标对象的跟踪检测方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,对目标区域进行检测;
步骤S204,在检测到所述目标区域的屏蔽区域内存在目标对象的情况下,检测所述屏蔽区域内的目标对象是否为活体,得到检测结果;
步骤S206,根据检测结果确定是否对屏蔽区域内的目标对象进行跟踪检测。
通过上述技术方案,在检测到目标区域的屏蔽区域内存在目标对象的情况下,检测所述屏蔽区域内的目标对象是否为活体,得到检测结果;根据检测结果确定是否对屏蔽区域内的目标对象进行跟踪检测,即在识别到屏蔽区域的目标对象是否为活体的情况下,再确定是否对目标对象进行跟踪检测。采用上述技术方案,解决了相关技术中,在目标检测过程中,由于无法完全识别出虚假目标对象,进而导致目标检测方法不准确等问题,在识别到可能的虚假目标对象的情况下,再确定识别到的虚假目标对象是否为活体,进而确定是否对目标对象进行跟踪识别,提高了目标对象的跟踪检测的准确率。
上述步骤S202可以有多种实现方式,在一个可选实施例,可以通过以下技术方案实现:获取对目标区域进行录像所得到的图像;识别所述图像中的目标对象,即可以先对目标区域进行录像,从得到的图像中识别出图像中是否存在目标对象,以及存在目标对象的位置。
具体地,本发明实施例中识别目标对象可以通过深度学习的网络模型对所述图像进行识别,其中,所述深度学习的网络模型的结构依次包括:残差级联模块、Inception-Resnet模块及YOLO检测层,即本发明实施例的网络模型的结构主要由残差级联模块、Inception-resnet模块及YOLO检测层组成,去掉了Inception-Resnet网络中原有的Stem模块及Reduction模块,且残差级联模块1、2、3分别由10层、6层和2层残差结构级联而得,主要作用是加深网络的同时降低计算量;而Inception-Resnet模块可在同一层上获得稀疏或非稀疏特征,并能加速训练,提升网络性能。Inception-resnet模块后接YOLO层做分类与定位,最终构建出一个基于回归的深度学习目标检测网络结构;根据识别结果确定所述图像中的目标对象。
图像中哪些是屏蔽区域,哪些是非屏蔽区域,可以在获取对目标区域进行录像所得到的图像之后,为所述图像中的屏蔽区域设置标记,其中,所述图像中存在所述标记的情况下,确定所述图像中存在屏蔽区域,在所述图像中未存在所述标记的情况下,确定所述图像中未存在所述屏蔽区域。
需要说明的是,在检测到所述目标区域的非屏蔽区域内存在目标对象的情况下,输出所述非屏蔽区域识别到所述目标对象的结果。
可选地,如果识别到目标区域中的活体的目标对象为1个时,可以默认识别出的活体的目标对象为待跟踪检测的目标对象,则对此人进行跟踪检测并输出跟踪检测结果,如果识别到目标区域中的活体的目标对象大于1个时,可以理解为目标区域中包括了除待跟踪检测的目标对象之外的其他目标对象,可以对目标区域的所有目标对象进行跟踪检测,但此时不输出跟踪结果。
在本发明实施例中,如果对目标区域进行录像采集的图像的前后两帧图像的目标对象的检测数量发生突变时,跟踪算法则跳过检测结果,直接根据目标轨迹预测后一帧图像中的目标位置和数量。
以下通过一个可选实施例对上述目标对象的跟踪检测方法的技术方案进行说明,但不用于限定本发明实施例的技术方案,包括以下步骤:
本发明可选实施例,以待跟踪检测的目标对象为老师的人体为例,具体方案如下:
本发明可选实施例通过人体检测模块检测讲台(相当于上述实施例的目标区域)上是否出现人体,并判断人体是否出现在屏蔽区域内。当人体出现在屏蔽区域时,采用活体检测模块判断该区域中出现的人脸是否为活体。而后采用多目标跟踪模块对人体检测结果进行平滑,防止因人体误检或漏检产生的人体数量突变,导致录播过程中出现特写功能与非特写功能的误切换。
相关技术中,当讲台上只出现教师一个人时,录播的同时会对教师做特写;当讲台上没有人或者多于一个人时退出特写功能仅做录播。这种方式能够更加清晰的展现教学内容,从而提高教学录播的质量。然而在实际教学场景中,教师会借助多媒体设备进行教学活动,丰富的多媒体内容往往也会包含一些人物图片或视频。当只是单一使用现有的目标检测方法对教师做人体检测时,会将多媒体中呈现的虚假人物同时检测出来,这种情况下就不利于对教师做特写。同时,现有的目标检测方法都不能实现100%准确检测,都会出现一定程度的误检和漏检,这将导致录播画面在特写与非特写之间频繁的误切换,影响录播质量,为了解决上述技术方案,本发明可选实施例提供了以下技术方案:
基于上述本发明实施例的主要流程,本发明可选实施例提供的详细技术方案如下,如图6所示,包括以下步骤:
步骤S602,将上一级任务的结果输入到人体检测模块中,其中,上一级任务具体可以指通过图像采集装置对讲台进行采集得到的图像,即将图像输入到人体检测模块中。
人体检测模块主要由基于深度学习的目标检测方法构成。本提案对Inception-resnet的网络结构进行了剪枝和修改,后接YOLO检测层对人体做分类与定位,修改后的网络模型可实现实时的检测效果,网络结构如图3所示。
如图3所示的网络结构主要由残差级联模块、Inception-resnet模块及YOLO检测层组成,去掉了Inception-resnet网络中原有的Stem模块及Reduction模块。残差级联模块1、2、3分别由10层、6层和2层残差结构级联而得,主要作用是加深网络的同时降低计算量。Inception-resnet模块可在同一层上获得稀疏或非稀疏特征,并能加速训练,提升网络性能。Inception-resnet模块后接YOLO层做分类与定位,最终构建出一个基于回归的深度学习目标检测网络结构,,使用神经网络模型检测讲台上是否出现人体,并判断人体是否出现在屏蔽区域。当有人体出现在屏蔽区域时,对屏蔽中出现的人脸做活体与非活体分类,实现对真实人体的准确检测。
步骤S604,对人体检测模块输出的目标位置及类别进行判断。若输出目标位置位于非屏蔽区域,则直接将检测结果输出至下一级任务;否则,需将检测结果输入至步骤三的活体检测模块中。
需要说明的是,上述实施例的屏蔽区域主要为图像中出现的多媒体教学显示屏及投影仪投影区域,如图4和图5所示。屏蔽区域由教师检测模块外部提供,并同时提供屏蔽区域有效性标识,其中,当标识为无效时,讲台上无屏蔽区域;否则,判断为有屏蔽区域。
步骤S606,将人体检测模块的检测结果输入到活体检测模块中。
本发明实施例的活体检测模块的功能由传统检测方法实现,例如,可以将人脸图像在HSV(Hue Saturation Value)空间的多级LBP(Line Spectrum Pair)特征和YCbCr空间的LPQ(Local Phase Quantizetion)特征通过直方图连接操作进行特征融合,将融合特征输入到SVM分类器进行活体与非活体的二分类。
步骤S608,将最终的人体检测结果输入到多目标跟踪模块中。
多目标跟踪模块采用基于轨迹预测的多目标跟踪算法。本提案使用卡尔曼滤波方法,根据人体检测结果对出现在讲台上的所有人体目标做跟踪并预测其轨迹。当没有人体出现时,跟踪模块不做任何输出;当只出现一个人时,对此人做跟踪并输出跟踪结果;当出现人数大于1,即有学生出现在讲台上时,会对讲台上的多人分别做标记并同时进行跟踪,只输出讲台上出现的人数但不输出跟踪结果。若前后两帧图像的人体检测数量发生突变时,跟踪算法则跳过人体检测结果,直接根据目标轨迹预测后一帧图像中的目标位置和数量,起到平滑检测结果的作用。具体实现中,某些场景可以根据身高比对,例如在低龄教育场景中,将身高最高(可以根据垂直方向检测结果的高度)的检测结果作为教师检测结果,使用基于轨迹预测的多目标跟踪算法,结合人体检测的检测结果,对出现在讲台上的人体做跟踪和轨迹预测,避免特写功能误切换。
步骤S610,将教师检测模块的检测结果输入到下一级任务中,具体的,下一级任务可以是后续对教师进行录制或转播的操作。
通过本发明可选实施例的技术方案,利用多媒体设备投影、放映出的人物图片或视频不可避免的会出现图像质量失真,且颜色、纹理等特征也会出现明显差异的特点,通过对出现在屏蔽区域里的人脸图像做不同颜色空间的纹理特征分析,进行活体与非活体分类,从而降低人体误检率,防止真实人体被过滤。
此外,本发明可选实施例通过采用多目标跟踪算法,对讲台上出现的所有人体目标进行跟踪并预测轨迹,还能够在人体检测结果发生突变时,对人体检测结果做平滑,防止因突变导致录播过程中出现特写功能与非特写功能的误切换。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例的方法。
在本实施例中还提供了一种目标对象的跟踪检测装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图7是根据本发明实施例的目标对象的跟踪检测装置的结构框图,如图7所示,
检测模块70,用于对目标区域进行检测;
处理模块72,用于在检测到所述目标区域的屏蔽区域内存在目标对象的情况下,检测所述屏蔽区域内的目标对象是否为活体,得到检测结果;
确定模块74,用于根据检测结果确定是否对屏蔽区域内的目标对象进行跟踪检测。
通过上述技术方案,在检测到目标区域的屏蔽区域内存在目标对象的情况下,检测所述屏蔽区域内的目标对象是否为活体,得到检测结果;根据检测结果确定是否对屏蔽区域内的目标对象进行跟踪检测,即在识别到屏蔽区域的目标对象是否为活体的情况下,在确定是否对目标对象进行跟踪检测,采用上述技术方案,解决了相关技术中,在目标检测过程中,由于无法完全识别出虚假目标对象,进而导致目标检测方法不准确等问题,进而识别到可能的虚假目标对象的情况下,在确定识别到的虚假目标对象是否为活体,进而确定是否对目标对象进行跟踪识别,提高了目标对象的跟踪检测的准确率。
在本发明实施例中,如图8所示,所述检测模块70,包括:获取单元700,用于获取对目标区域进行录像所得到的图像;识别单元702,用于识别所述图像中的目标对象。
在本发明实施例中,所述识别单元702,还用于通过深度学习的网络模型对所述图像进行识别,其中,所述深度学习的网络模型的结构依次包括:残差级联模块、Inception-Resnet模块及YOLO检测层;根据识别结果确定所述图像中的目标对象。
在本发明实施例中,所述装置还包括:设置模块76,还用于为所述图像中的屏蔽区域设置标记,其中,所述图像中存在所述标记的情况下,确定所述图像中存在屏蔽区域,在所述图像中未存在所述标记的情况下,确定所述图像中未存在所述屏蔽区域。
在本发明实施例中,所述装置还包括:设置模块76,还用于在检测到所述目标区域的非屏蔽区域内存在目标对象的情况下,输出所述非屏蔽区域识别到所述目标对象的结果。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种存储介质,该存储介质包括存储的程序,其中,上述程序运行时执行上述任一项的方法。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的程序代码:
S1,对目标区域进行检测;
S2,在检测到所述目标区域的屏蔽区域内存在目标对象的情况下,检测所述屏蔽区域内的目标对象是否为活体,得到检测结果;
S3,根据检测结果确定是否对屏蔽区域内的目标对象进行跟踪检测。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,对目标区域进行检测;
S2,在检测到所述目标区域的屏蔽区域内存在目标对象的情况下,检测所述屏蔽区域内的目标对象是否为活体,得到检测结果;
S3,根据检测结果确定是否对屏蔽区域内的目标对象进行跟踪检测。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种目标对象的跟踪检测方法,其特征在于,包括:
对目标区域进行检测;
在检测到所述目标区域的屏蔽区域内存在目标对象的情况下,检测所述屏蔽区域内的目标对象是否为活体,得到检测结果,其中,所述屏蔽区域包括:显示屏或投影区域中的至少一个区域;
根据检测结果确定是否对屏蔽区域内的目标对象进行跟踪检测;
其中,对目标区域进行检测,包括:
获取对目标区域进行录像所得到的图像;
识别所述图像中的目标对象;
其中,获取对目标区域进行录像所得到的图像之后,所述方法还包括:
为所述图像中的屏蔽区域设置标记,其中,所述图像中存在所述标记的情况下,确定所述图像中存在屏蔽区域,在所述图像中未存在所述标记的情况下,确定所述图像中未存在所述屏蔽区域;
其中,识别所述图像中的目标对象之后,所述方法还包括:
在识别到所述目标区域中的为活体的目标对象的数量为多个的情况下,不输出所述多个目标对象的跟踪结果。
2.根据权利要求1所述的方法,其特征在于,识别所述图像中的目标对象,包括:
通过深度学习的网络模型对所述图像进行识别,其中,所述深度学习的网络模型的结构依次包括:残差级联模块、Inception-Resnet模块及YOLO检测层;
根据识别结果确定所述图像中的目标对象。
3.根据权利要求1所述的方法,其特征在于,对目标区域进行检测之后,所述方法还包括:
在检测到所述目标区域的非屏蔽区域内存在目标对象的情况下,输出所述非屏蔽区域识别到所述目标对象的结果。
4.一种目标对象的跟踪检测装置,其特征在于,包括:
检测模块,用于对目标区域进行检测;
处理模块,用于在检测到所述目标区域的屏蔽区域内存在目标对象的情况下,检测所述屏蔽区域内的目标对象是否为活体,得到检测结果,其中,所述屏蔽区域包括:显示屏或投影区域中的至少一个区域;
确定模块,用于根据检测结果确定是否对屏蔽区域内的目标对象进行跟踪检测;
其中,所述检测模块,包括:
获取单元,用于获取对目标区域进行录像所得到的图像;
识别单元,用于识别所述图像中的目标对象;
其中,所述获取单元,还用于为所述图像中的屏蔽区域设置标记,其中,所述图像中存在所述标记的情况下,确定所述图像中存在屏蔽区域,在所述图像中未存在所述标记的情况下,确定所述图像中未存在所述屏蔽区域;
其中,所述识别单元,还用于在识别到所述目标区域中的为活体的目标对象的数量为多个的情况下,不输出所述多个目标对象的跟踪结果。
5.根据权利要求4所述的装置,其特征在于,所述识别单元,还用于通过深度学习的网络模型对所述图像进行识别,其中,所述深度学习的网络模型的结构依次包括:残差级联模块、Inception-Resnet模块及YOLO检测层;根据识别结果确定所述图像中的目标对象。
6.一种计算机可读的存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至3任一项中所述的方法。
7.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至3任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911067409.4A CN110866473B (zh) | 2019-11-04 | 2019-11-04 | 目标对象的跟踪检测方法及装置、存储介质、电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911067409.4A CN110866473B (zh) | 2019-11-04 | 2019-11-04 | 目标对象的跟踪检测方法及装置、存储介质、电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110866473A CN110866473A (zh) | 2020-03-06 |
CN110866473B true CN110866473B (zh) | 2022-11-18 |
Family
ID=69653441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911067409.4A Active CN110866473B (zh) | 2019-11-04 | 2019-11-04 | 目标对象的跟踪检测方法及装置、存储介质、电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110866473B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860415A (zh) * | 2020-07-29 | 2020-10-30 | 浙江大华技术股份有限公司 | 咳嗽检测方法、装置、存储介质及电子装置 |
CN112069969B (zh) * | 2020-08-31 | 2023-07-25 | 河北省交通规划设计研究院有限公司 | 一种高速公路监控视频跨镜车辆跟踪方法及*** |
CN112766397B (zh) * | 2021-01-27 | 2023-12-05 | 歌尔股份有限公司 | 一种分类网络及其实现方法和装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699469A (zh) * | 2009-11-09 | 2010-04-28 | 南京邮电大学 | 课堂录像中教师黑板书写动作的自动识别方法 |
CN105306861A (zh) * | 2015-10-15 | 2016-02-03 | 深圳市时尚德源文化传播有限公司 | 一种网络教学录播方法及*** |
CN106231223A (zh) * | 2016-09-22 | 2016-12-14 | 广州东文信息科技有限公司 | 一种自动人体跟踪录播设备、***及方法 |
CN107452018A (zh) * | 2017-08-02 | 2017-12-08 | 北京翰博尔信息技术股份有限公司 | 主讲人跟踪方法及*** |
CN108171204A (zh) * | 2018-01-17 | 2018-06-15 | 百度在线网络技术(北京)有限公司 | 检测方法和装置 |
CN108764126A (zh) * | 2018-05-25 | 2018-11-06 | 郑州目盼智能科技有限公司 | 一种嵌入式活体人脸跟踪*** |
CN109117794A (zh) * | 2018-08-16 | 2019-01-01 | 广东工业大学 | 一种运动目标行为跟踪方法、装置、设备及可读存储介质 |
CN109492551A (zh) * | 2018-10-25 | 2019-03-19 | 腾讯科技(深圳)有限公司 | 活体检测方法、装置及应用活体检测方法的相关*** |
CN109920076A (zh) * | 2019-01-29 | 2019-06-21 | 上海阅面网络科技有限公司 | 一种校园人脸识别考勤*** |
-
2019
- 2019-11-04 CN CN201911067409.4A patent/CN110866473B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699469A (zh) * | 2009-11-09 | 2010-04-28 | 南京邮电大学 | 课堂录像中教师黑板书写动作的自动识别方法 |
CN105306861A (zh) * | 2015-10-15 | 2016-02-03 | 深圳市时尚德源文化传播有限公司 | 一种网络教学录播方法及*** |
CN106231223A (zh) * | 2016-09-22 | 2016-12-14 | 广州东文信息科技有限公司 | 一种自动人体跟踪录播设备、***及方法 |
CN107452018A (zh) * | 2017-08-02 | 2017-12-08 | 北京翰博尔信息技术股份有限公司 | 主讲人跟踪方法及*** |
CN108171204A (zh) * | 2018-01-17 | 2018-06-15 | 百度在线网络技术(北京)有限公司 | 检测方法和装置 |
CN108764126A (zh) * | 2018-05-25 | 2018-11-06 | 郑州目盼智能科技有限公司 | 一种嵌入式活体人脸跟踪*** |
CN109117794A (zh) * | 2018-08-16 | 2019-01-01 | 广东工业大学 | 一种运动目标行为跟踪方法、装置、设备及可读存储介质 |
CN109492551A (zh) * | 2018-10-25 | 2019-03-19 | 腾讯科技(深圳)有限公司 | 活体检测方法、装置及应用活体检测方法的相关*** |
CN109920076A (zh) * | 2019-01-29 | 2019-06-21 | 上海阅面网络科技有限公司 | 一种校园人脸识别考勤*** |
Also Published As
Publication number | Publication date |
---|---|
CN110866473A (zh) | 2020-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11830230B2 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
Sajid et al. | Universal multimode background subtraction | |
Jung | Efficient background subtraction and shadow removal for monochromatic video sequences | |
CN110866473B (zh) | 目标对象的跟踪检测方法及装置、存储介质、电子装置 | |
Kalantar et al. | Multiple moving object detection from UAV videos using trajectories of matched regional adjacency graphs | |
CN109690624A (zh) | 用于视频分析的自动场景校准方法 | |
CN109472193A (zh) | 人脸检测方法及装置 | |
CN111311475A (zh) | 检测模型训练方法、装置、存储介质和计算机设备 | |
CN110659391A (zh) | 一种视频侦查方法及装置 | |
CN111061898A (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
CN106651797B (zh) | 一种信号灯有效区域的确定方法和装置 | |
CN104145477B (zh) | 调整颜色的方法及*** | |
Delussu et al. | Scene-specific crowd counting using synthetic training images | |
CN112818805A (zh) | 一种基于特征融合的细粒度车辆属性分析***及方法 | |
Lecca et al. | Comprehensive evaluation of image enhancement for unsupervised image description and matching | |
CN109740527B (zh) | 一种视频帧中图像处理方法 | |
CN112686122B (zh) | 人体及影子的检测方法、装置、电子设备、存储介质 | |
CN114040094A (zh) | 一种基于云台相机的预置位调节方法和设备 | |
CN111160340B (zh) | 一种运动目标检测方法、装置、存储介质及终端设备 | |
CN109919164B (zh) | 用户界面对象的识别方法及装置 | |
CN116824641A (zh) | 姿态分类方法、装置、设备和计算机存储介质 | |
CN116612355A (zh) | 人脸伪造识别模型训练方法和装置、人脸识别方法和装置 | |
CN111988520B (zh) | 一种画面切换方法、装置、电子设备及存储介质 | |
CN104809438A (zh) | 一种检测电子眼的方法和设备 | |
CN114170271A (zh) | 一种具有自跟踪意识的多目标跟踪方法、设备及存储介质 |
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 |