CN111103629A - 一种目标检测方法、装置、nvr设备及安检*** - Google Patents
一种目标检测方法、装置、nvr设备及安检*** Download PDFInfo
- Publication number
- CN111103629A CN111103629A CN201811249294.6A CN201811249294A CN111103629A CN 111103629 A CN111103629 A CN 111103629A CN 201811249294 A CN201811249294 A CN 201811249294A CN 111103629 A CN111103629 A CN 111103629A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- detected
- category
- security check
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 65
- 238000007689 inspection Methods 0.000 claims abstract description 38
- 238000003384 imaging method Methods 0.000 claims description 14
- 230000005855 radiation Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 5
- 239000003086 colorant Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 208000033748 Device issues Diseases 0.000 description 2
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- MCSXGCZMEPXKIW-UHFFFAOYSA-N 3-hydroxy-4-[(4-methyl-2-nitrophenyl)diazenyl]-N-(3-nitrophenyl)naphthalene-2-carboxamide Chemical compound Cc1ccc(N=Nc2c(O)c(cc3ccccc23)C(=O)Nc2cccc(c2)[N+]([O-])=O)c(c1)[N+]([O-])=O MCSXGCZMEPXKIW-UHFFFAOYSA-N 0.000 description 1
- 241000282693 Cercopithecidae Species 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 229910052787 antimony Inorganic materials 0.000 description 1
- WATWJIUSRGPENY-UHFFFAOYSA-N antimony atom Chemical compound [Sb] WATWJIUSRGPENY-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 229910052797 bismuth Inorganic materials 0.000 description 1
- JCXGWMGPZLAOME-UHFFFAOYSA-N bismuth atom Chemical compound [Bi] JCXGWMGPZLAOME-UHFFFAOYSA-N 0.000 description 1
- 229910052793 cadmium Inorganic materials 0.000 description 1
- BDOSMKKIYDKNTQ-UHFFFAOYSA-N cadmium atom Chemical compound [Cd] BDOSMKKIYDKNTQ-UHFFFAOYSA-N 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 229910017052 cobalt Inorganic materials 0.000 description 1
- 239000010941 cobalt Substances 0.000 description 1
- GUTLYIVDDKVIGB-UHFFFAOYSA-N cobalt atom Chemical compound [Co] GUTLYIVDDKVIGB-UHFFFAOYSA-N 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011133 lead Substances 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 229910052718 tin Inorganic materials 0.000 description 1
- 239000011135 tin Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V5/00—Prospecting or detecting by the use of ionising radiation, e.g. of natural or induced radioactivity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V5/00—Prospecting or detecting by the use of ionising radiation, e.g. of natural or induced radioactivity
- G01V5/20—Detecting prohibited goods, e.g. weapons, explosives, hazardous substances, contraband or smuggled objects
- G01V5/22—Active interrogation, i.e. by irradiating objects or goods using external radiation sources, e.g. using gamma rays or cosmic rays
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- High Energy & Nuclear Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种目标检测方法、装置、NVR设备及安检***,所述方法包括:获取安检仪采集的待检测图像;对所述待检测图像中的目标进行识别,确定出所述目标的类别。应用本技术方案,不需要依赖人工对待检测图像进行指定类别的目标的检测,可以避免因疲劳而出现漏识别的情况,从而可以提高识别精度。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种目标检测方法、装置、NVR设备(Network Video Recorder,硬盘录像机)及安检***。
背景技术
安检仪,又名安检机,广泛应用于机场、火车站和汽车站等场所。安检仪主要包括图像采集模块和显示屏,图像采集模块应用X射线采集行李的透射图像,并将采集到的透射图像发送至显示屏显示。为了检测行李中有没有指定类别的物品,如刀具、烟花炮竹等违禁品,安检员需要快速查看X射线扫描的透视图像,凭借经验识别出投射图像中各物品的类别。这种采用人工辅助识别的方式,可能会因为疲劳而出现漏识别的情况,导致识别精度较低。
发明内容
本发明实施例的目的在于提供一种目标检测方法、装置、NVR设备及安检***,以提高识别精度。具体技术方案如下:
第一方面,本发明实施例提供了一种目标识别方法,所述方法包括:
获取安检仪采集的待检测图像;
对所述待检测图像中的目标进行识别,确定出所述目标的类别。
可选的,所述方法还包括:
判断所述目标的类别是否为指定类别;
在判断结果为是的情况下,根据预先存储的类别与标识的对应关系,在所述待检测图像中用所述目标的类别对应的标识标记所述目标。
可选的,所述对所述待检测图像中的目标进行识别,确定出所述目标的类别的步骤,包括:
通过预先训练得到的神经网络分类检测模型,对所述待检测图像中的目标进行识别,确定出所述目标的类别。
可选的,所述通过预先训练得到的神经网络分类检测模型,对所述待检测图像中的目标进行识别,确定出所述目标的类别的步骤,包括:
所述神经网络分类检测模型,包括:区域检测子模型和分类子模型;
通过所述区域检测子模型,对所述待检测图像进行检测,得到目标区域;
通过所述分类子模型,对所述目标区域中的目标进行识别,确定所述目标的类别。
可选的,所述对所述待检测图像中的目标进行识别,确定出所述目标的类别的步骤,包括:
通过预先训练得到的检测模型,对所述待检测图像进行检测,得到目标区域;
通过预先训练得到的分类模型,对所述目标区域中的目标进行识别,确定所述目标的类别。
可选的,所述方法还包括:
如果所述目标的类别为指定类别,则发出声音警报。
可选的,所述方法还包括:
如果所述目标的类别为指定类别,向所述安检仪发送提示指令,以使所述安检仪根据所述提示指令,发出声音警报。
可选的,所述获取安检仪采集的待检测图像的步骤,包括:
获取安检仪基于辐射成像方式采集的视频;
对获取的视频进行解码,得到所述待检测图像。
可选的,所述获取安检仪采集的待检测图像的步骤,包括:
获取安检仪基于辐射成像方式采集的待检测图像。
可选的,所述标识为颜色;
所述在所述判断模块的判断结果为是的情况下,根据预先存储的类别与标识的对应关系,在所述待检测图像中用所述目标的类别对应的标识标记所述目标的步骤,包括:
在所述判断模块的判断结果为是的情况下,在所述目标在所述待检测图像中对应的位置,确定包围所述目标的最小方框;
根据预先存储的类别与颜色的对应关系,在所确定的最小方框中填充所述目标的类别对应的颜色。
可选的,所述方法还包括:
将标记后的所述待检测图像发送至安检仪,并使在所述安检仪的显示屏上显示。
第二方面,本发明实施例提供了一种目标识别装置,所述装置包括:
获取模块,用于获取安检仪采集的待检测图像;
确定模块,用于对所述待检测图像中的目标进行识别,确定出所述目标的类别。
可选的,所述装置还包括:
判断模块,用于判断所述目标的类别是否为指定类别;
标记模块,用于在所述判断模块的判断结果为是的情况下,根据预先存储的类别与标识的对应关系,在所述待检测图像中用所述目标的类别对应的标识标记所述目标。
可选的,所述确定模块,具体用于通过预先训练得到的神经网络分类检测模型,对所述待检测图像中的目标进行识别,确定出所述目标的类别。
可选的,所述神经网络分类检测模型,包括:区域检测子模型和分类子模型;
所述确定模块具体用于:
通过所述区域检测子模型,对所述待检测图像进行检测,得到目标区域;
通过所述分类子模型,对所述目标区域中的目标进行识别,确定所述目标的类别。
可选的,所述装置还包括:
报警模块,用于在所述判断模块的判断结果为是的情况下,则发出声音警报。
可选的,所述装置还包括:
第一发送模块,用于在所述判断模块的判断结果为是的情况下,向所述安检仪发送提示指令,以使所述安检仪根据所述提示指令,发出声音警报。
可选的,所述获取模块具体用于:
获取安检仪基于辐射成像方式采集的视频;
对获取的视频进行解码,得到所述待检测图像。
可选的,所述获取模块,具体用于获取安检仪基于辐射成像方式采集的待检测图像。
可选的,所述标识为颜色;
所述标记模块,具体用于:
在所述判断模块的判断结果为是的情况下,在所述目标在所述待检测图像中对应的位置,确定包围所述目标的最小方框;
根据预先存储的类别与颜色的对应关系,在所确定的最小方框中填充所述目标的类别对应的颜色。
可选的,所述装置还包括:
第二发送模块,用于将标记后的所述待检测图像发送至安检仪,并使在所述安检仪的显示屏上显示。
第三方面,本发明实施例提供了一种安检仪,包括:
存储器,用于存放计算机程序;
处理器,用于执行所述存储器上所存放的程序时,实现上述任一目标识别方法所述的方法步骤。
第四方面,本发明实施例提供了一种NVR设备,所述设备包括:
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现上述任一目标识别方法所述的方法步骤。
第五方面,本发明实施例提供了一种安检***,所述***包括安检仪和与所述安检仪通讯连接的NVR设备;
所述NVR设备包括:所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现上述任一目标识别方法所述的方法步骤。
第六方面,本发明实施例提供了一种计算机可读存储介质,其特征在于,该计算机可读存储介质内存储有计算机程序,该计算机程序被处理器执行时实现上述任一目标识别方法所述的方法步骤。
第七方面,本发明实施例提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一目标识别方法所述的方法步骤。
第八方面,本发明实施例提供了一种计算机程序,当其在计算机上运行时,使得计算机执行上述任一目标识别方法所述的方法步骤。
本发明实施例提供的一种目标检测方法、装置、NVR设备及安检***,在获取安检仪采集的待检测图像后,通过对待检测图像中的目标进行识别,可以自动确定出目标的类别,也就可以识别出安检仪所采集的图像中的各个物体,相比于人工识别,可以避免因疲劳而出现漏识别的情况,从而可以提高识别精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的目标识别方法的第一种流程示意图;
图2为本发明实施例提供的目标识别方法的第二种流程示意图;
图3为本发明实施例提供的一种目标识别方法的交互示意图;
图4本发明实施例提供的目标识别装置的第一结构示意图;
图5本发明实施例提供的目标识别装置的第二种结构示意图;
图6为一种安检仪的结构示意图;
图7为一种NVR设备的结构示意图;
图8为本发明实施例提供的一种安检***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有技术中,采用人工辅助检测的方式,可能会因为疲劳而出现漏识别的情况,导致识别精度较低。为了解决该技术问题,本发明实施例提供了一种目标识别方法、装置、NVR设备及安检***。
本发明实施例所提供的一种目标识别方法的执行主体可以为执行智能算法的计算机设备,还可以为执行智能算法的NVR设备,以及集成于安检仪的处理器。为了能够实现目标识别的功能,执行主体中应该至少包括搭载有核心处理芯片的处理器。实现本发明实施例所提供的一种目标识别方法的方式可以为设置于执行主体中的软件、硬件电路和逻辑电路中的至少一种方式。
下面首先对本发明实施例提供的一种目标识别方法进行介绍,以本实施例应用于NVR设备为例进行说明。
参照图1,本发明实施例提供的一种目标识别方法,包括如下步骤:
S101、获取安检仪采集的待检测图像。
待检测图像是待检测出指定类别目标的图像。安检仪的图像采集模块与NVR设备通讯连接,安检仪的图像采集模块采集到待检测图像后,将待检测图像发送至NVR设备。
安检仪的图像采集模块采集到待检测图像具体可以是基于辐射成像方式采集的。辐射成像,是一种利用射线观察物体内部的技术,例如,X射线和γ射线。待检测图像为需要进行目标识别的图像,在该图像中找到的目标,并识别出该目标的类别。具体应用时,待检测图片可以是安检仪基于辐射成像方式采集到待检测物体的图像,该图像中可以显示出待检测物体的内部影像,例如,行李箱通过安检仪的输送带时,被X射线扫描得到行李箱的图像,即可作为待检测图像,从而可以从该图像中检测是否存在指定类别的目标,也就是从行李箱中检测是否存在指定类别的目标。
S102、对待检测图像中的目标进行识别,确定出目标的类别。
如果待检测图像中存在目标,通过本步骤可以从待检测图像中找到目标,并识别出该目标的种类。待检测图像中可能不存在目标,也可能只存在一个目标,还可能存在多个目标。如果存在一个目标,通过本步骤可以找到这个目标,并确定这个目标的类别。如果存在多个目标,通过本步骤可以找到多个目标,并可以确定各个目标的类别。例如,目标就是图像中物体的影像,通过安检仪采集到一个行李箱的图片,行李箱中存在有一把雨伞,则待检测图片中存在与雨伞对应的影像,对待检测图像进行目标识别,可以从图像中确定出雨伞对应的影像,并确定出该影像的类别为雨伞。
预先选择基于深度学习算法的,用于对目标图像进行识别的卷积神经网络模型,例如,YOLO、SSD、Fast RCNN、Faster RCNN等。利用预先采集的多个样本,对获得卷积神经网络模型进行训练。所采用的样本可以是通过安检仪在火车站、机场或码头等公共场所,基于辐射成像方式采集的样本图像,样本图像的类别由人工确定。训练完成后,该卷积神经网络可以直接用于对待检测图像进行目标识别,从而确定出目标的类别。
应用图1所示实施例例,在获取安检仪采集的待检测图像后,通过对待检测图像中的目标进行识别,可以自动确定出目标的类别,也就可以识别出安检仪所采集的图像中的各个物体,相比于人工识别,可以避免因疲劳而出现漏识别的情况,从而可以提高识别精度。
参照图2,本发明实施例提供的一种目标识别方法,包括如下步骤:
S201、获取安检仪采集的待检测图像。
S202、对待检测图像中的目标进行识别,确定出目标的类别。
S201和S202分别与上述S101和102相同,针对S201和S202的具体解释可以相应的参照针对S101和102的具体解释,在此不做赘述。
S203、判断目标的类别是否为指定类别;
指定类别可以实际的安检需求来设定,指定类别可以是通过S102识别出的各种类别中的部分类别(如不安全的类别)。例如,通过S102可以识别出雨伞、管制刀具、***、高密度物品、烟花爆竹、电池和瓶装液体等类别,其中,指定类别可以为管制刀具、***和烟花爆竹。
S204、在判断模块的判断结果为是的情况下,根据预先存储的类别与标识的对应关系,在待检测图像中用目标的类别对应的标识标记目标。
在待检测图像中用不同的标识标记出为指定类别的目标,从而可以获得针对待检测图像的直观的检测结果。安检人员通过标记在待检测图像中的标识,可以获知待检测图像中存在哪些指定类别的目标,例如,标识可以为颜色、围框等,当然,还可以以不同颜色区分类别,以不同形状的围框来区分不同类别。
示例性的,将颜色作为标识,通过不同颜色区分不同的类别。预先存储的类别与标识的对应关系如表一所示。如果指定类别为危险品,在待检测图像中检测到管制刀具,管制刀具属于危险品,则在待检测图像中管制刀具对应的位置用红色进行标记,可以圈出目标,并使在圈出的范围内填充红色。
表一
目标的类别 | 标识 |
*** | 绿色 |
管制刀具 | 红色 |
高密度物品 | 紫色 |
烟花爆竹 | 深红 |
电池 | 黄色 |
雨伞 | 蓝色 |
瓶装液体 | 橙色 |
表一中,管制刀具可以包括:匕首、弹簧刀、单刃刀、菜刀、美工刀和剪刀。高密度物品可以包括:重金属:铜、铅、锡、镍、钴、锑、汞、镉和铋。烟花爆竹可以包括:鞭炮、烟花和窜天猴。电池可以包括:圆形和方形电池。雨伞可以包括非折叠伞和折叠伞。
应用图2所示实施例,在获取安检仪采集的待检测图像后,通过对待检测图像中的目标进行识别,确定出目标的类别。然后,再判断目标的类别是否为指定类别。在目标的类别为指定类别的情况下,可以根据预先存储的类别与标识的对应关系,在待检测图像中用目标的类别对应的标识标记目标,从而可以实现在待检测图像中检测出指定类别的目标。应用本技术方案,不需要依赖人工对待检测图像进行指定类别的目标的检测,可以避免因疲劳而出现漏检的情况,从而可以提高指定类别的检测精度。另外,不需要依赖人工进行检测,还可以提高检测效率。
本步骤可以按照以下方式实现:
通过预先训练得到的神经网络分类检测模型,对待检测图像中的目标进行识别,确定出目标的类别。
具体的,神经网络分类检测模型,包括:区域检测子模型和分类子模型。
第一步,通过区域检测子模型,对待检测图像进行检测,得到目标区域。
第二步,通过分类子模型,对目标区域中的目标进行识别,确定目标的类别。
神经网络分类检测模型可以通过Faster rcnn实现,Faster rcnn是基于Fast-rcnn的卷积神经网络,在Fast-rcnn卷积层的顶部构建了RPN网络(RegionProposalNetwork,区域建议网络)。采用ImageNet对训练Faster rcnn进行训练,其中:ImageNet是样本的数据集,具体可以存放通过安检仪采集的,且预先人工获得目标区域和目标的类别的大量图像。具体训练过程包括:
第一步,采用ImageNet中的样本,对RPN网络训练,并采用end to end(端到端)的方式来调整参数。第二步,对Fast-rcnn训练,将通过第一步中RPN网络输出的多个候选区域即目标区域作为Fast-rcnn网络的输入。第三步,将Fasterrcnn作为一个整体,采用ImageNet中的样本,对Faster rcnn进行训练,固定卷积层,只调整属于RPN网络的参数。第四步,将Faster rcnn作为一个整体,采用ImageNet中的样本,对Faster rcnn进行训练,将第三步调整后的RPN网络输出的多个候选区域输入Fast-Rcnn,固定卷积层,微调Fast-Rcnn剩下的参数。
在检测到指定类别的目标时,为了能够提醒安检人员注意,还可以通过发出警报来提醒,具体的,NVR设备可以包括报警器,当检测到指定类别的目标时,NVR设备的报警器发出警报。
在其他实施方式中,在检测到指定类别的目标时,还可以向安检仪发出提示指令,以使安检仪在接收到该指令后,发出警报,从而实现提醒工作人员的目的。具体的,安检仪可以包括报警器,NVR设备可以向安检仪的报警器发出提示指令,安检仪的报警器在接收到提示指令后,可以发出警报。
本发明实施例的一种实施方式,获取安检仪采集的待检测图像的步骤,包括:
(1)、获取安检仪基于辐射成像方式采集的视频。
具体的,NVR设备可以接收安检仪的图像采集模块发送的,且基于辐射成像方式采集的视频。安检仪的图像采集模块可以通过VGA(VIDEO GRAPHICSARRAY,视频图形阵列)发送视频。
(2)、对获取的视频进行解码,得到待检测图像。
安检仪的图像采集模块通过VGA(VIDEO GRAPHICS ARRAY,视频图形阵列)以将待检测图像包含在视频中的形式发送,通过解码就可以获得其中的待检测图像。
具体应用时,还可以将解码后获得的多张图像进行相互对比,获得较清晰、角度较好的一张图像作为待检测图像。当然,也可以取多张图像(如所有图像)作为待检测图像,从而可以提高识别精度,也就可以提高指定类别的检测精度。
将标记后的待检测图像发送至安检仪,并使在安检仪的显示屏上显示。安检人员可以通过安检仪的显示屏查看标记后的待检测图像,从而可以获知检测结果。
具体的,NVR设备可以将标记后的待检测图像先发送至图像采集模块,然后安检仪的图像采集模块再将标记后待检测图像发送至显示屏以显示。当然,NVR设备也可以与安检仪的显示屏电连接,将标记后的待检测图像发送至安检仪的显示屏并显示在显示屏上。
本发明实施例提供的一种目标识别方法应用于安检仪中的处理模块时对应的实施例与上述实施例类,这里不做赘述。
参照图3,本发明实施例的提供的一种目标识别方法,应用于一种安检***,安检***包括NVR设备和安检仪。NVR设备和安检仪按照以下方式进行交互,实现对对待检测图像的检测。
S301、安检仪基于辐射成像方式采集视频或图像,具体的是安检仪的图像采集模块采集的;
S302、安检仪将采集到的视频或图像发送至NVR设备,具体的,可以是安检仪的图像采集模块发送的。
S303、NVR设备接收到视频或图像后,将接收到的图像作为待检测图像,或解码该视频,获得待检测图像;NVR设备通过区域检测子模型,对待检测图像进行检测,得到目标区域;通过分类子模型,对目标区域中的目标进行识别,确定目标的类别。判断目标的类别是否为指定类别;在判断模块的判断结果为是的情况下,根据预先存储的类别与标识的对应关系,在待检测图像中用目标的类别对应的标识标记目标。在目标的类别为指定类别的情况下,NVR设备发出声音警报。
S304、NVR设备将标记后的待检测图像发送至安检仪,具体的,可以直接发送给安检仪的显示屏。
S305、安检仪将标记后的待检测图像显示在自身的显示屏上,具体的,安检仪的显示屏接收到标记后的待检测图像后,显示该图像。
应用该示例对应的技术方案,进行安检时,不仅可以提高指定类别的检测精度,还可以提高检测效率。
基于与上述方法实施例相同的发明构思,本发明实施例提供了一种目标识别装置,参照图4,该装置包括:
获取模块41,用于获取安检仪采集的待检测图像;
确定模块42,用于对待检测图像中的目标进行识别,确定出目标的类别。
应用图4所示实施例,在获取安检仪采集的待检测图像后,通过对待检测图像中的目标进行识别,可以自动确定出目标的类别,也就可以识别出安检仪所采集的图像中的各个物体,相比于人工识别,可以避免因疲劳而出现漏识别的情况,从而可以提高识别精度。
基于与上述方法实施例相同的发明构思,本发明实施例提供了一种目标识别装置,参照图5,该装置包括:
获取模块51,用于获取安检仪采集的待检测图像;
确定模块52,用于对待检测图像中的目标进行识别,确定出目标的类别。
判断模块53,用于判断目标的类别是否为指定类别;
标记模块54,用于在判断模块53的判断结果为是的情况下,根据预先存储的类别与标识的对应关系,在待检测图像中用目标的类别对应的标识标记目标。
应用图5所示实施例,在获取安检仪采集的待检测图像后,通过对待检测图像中的目标进行识别,确定出目标的类别。然后,再判断目标的类别是否为指定类别。在目标的类别为指定类别的情况下,可以根据预先存储的类别与标识的对应关系,在待检测图像中用目标的类别对应的标识标记目标,从而可以实现在待检测图像中检测出指定类别的目标。应用本技术方案,不需要依赖人工对待检测图像进行指定类别的目标的检测,可以避免因疲劳而出现漏检的情况,从而可以提高检测精度。另外,不需要依赖人工进行检测,还可以提高检测效率。
可选的,确定模块42,具体用于通过预先训练得到的神经网络分类检测模型,对待检测图像中的目标进行识别,确定出目标的类别。
可选的,神经网络分类检测模型,包括:区域检测子模型和分类子模型;
确定模块42具体用于:
通过区域检测子模型,对待检测图像进行检测,得到目标区域;
通过分类子模型,对目标区域中的目标进行识别,确定目标的类别。
可选的,该装置还包括:
报警模块,用于在判断模块53的判断结果为是的情况下,则发出声音警报。
可选的,装置还包括:
第一发送模块,用于在判断模块53的判断结果为是的情况下,向安检仪发送提示指令,以使安检仪根据提示指令,发出声音警报。
可选的,获取模块41或获取模块51具体用于:
获取安检仪采集的视频;
对获取的视频进行解码,得到待检测图像。
可选的,获取模块41或获取模块51,具体用于获取安检仪基于辐射成像方式采集的待检测图像。
可选的,标识为颜色;
标记模块54,具体用于:
在判断模块的判断结果为是的情况下,在目标在待检测图像中对应的位置,确定包围目标的最小方框;
根据预先存储的类别与颜色的对应关系,在所确定的最小方框中填充目标的类别对应的颜色。
可选的,该装置还包括:
第二发送模块,用于将标记后的待检测图像发送至安检仪,并使在安检仪的显示屏上显示。
本发明实施例还提供了一种安检仪,参照图6,包括:
存储器610,用于存放计算机程序;
处理器620,用于执行存储器上所存放的程序时,实现如下步骤:
获取安检仪采集的待检测图像。
对待检测图像中的目标进行识别,确定出目标的类别。
或处理器620,用于执行存储器上所存放的程序时,实现如下步骤:
获取安检仪采集的待检测图像。
对待检测图像中的目标进行识别,确定出目标的类别。
判断目标的类别是否为指定类别。
在判断模块的判断结果为是的情况下,根据预先存储的类别与标识的对应关系,在待检测图像中用目标的类别对应的标识标记目标。
另外,处理器620执行存储器610上所存放的程序而实现的应用设置方法的其他实现方式,与前述方法实施例部分所提及的实现方式相同,这里也不再赘述。
本发明实施例提供的安检仪,在获取安检仪采集的待检测图像后,通过对待检测图像中的目标进行识别,可以自动确定出目标的类别,也就可以识别出安检仪所采集的图像中的各个物体,相比于人工识别,可以避免因疲劳而出现漏识别的情况,从而可以提高识别精度。
在获取安检仪采集的待检测图像后,通过对待检测图像中的目标进行识别,确定出目标的类别。然后,再判断目标的类别是否为指定类别。在目标的类别为指定类别的情况下,可以根据预先存储的类别与标识的对应关系,在待检测图像中用目标的类别对应的标识标记目标,从而可以实现在待检测图像中检测出指定类别的目标。应用本技术方案,不需要依赖人工对待检测图像进行指定类别的目标的检测,可以避免因疲劳而出现漏识别的情况,从而可以提高识别精度。另外,不需要依赖人工进行检测,还可以提高检测效率。
本发明实施例还提供了一种NVR设备,如图7所示,包括:
存储器710,用于存放计算机程序。
处理器720,用于执行存储器710上所存放的程序时,实现如下步骤:
获取安检仪采集的待检测图像。
对待检测图像中的目标进行识别,确定出目标的类别。
或处理器720,用于执行存储器710上所存放的程序时,实现如下步骤:
判断目标的类别是否为指定类别。
在判断模块的判断结果为是的情况下,根据预先存储的类别与标识的对应关系,在待检测图像中用目标的类别对应的标识标记目标。
另外,处理器720执行存储器710上所存放的程序而实现的应用设置方法的其他实现方式,与前述方法实施例部分所提及的实现方式相同,这里也不再赘述。
本发明实施例提供的NVR设备在获取安检仪采集的待检测图像后,通过对待检测图像中的目标进行识别,可以自动确定出目标的类别,也就可以识别出安检仪所采集的图像中的各个物体,相比于人工识别,可以避免因疲劳而出现漏识别的情况,从而可以提高识别精度。
在获取安检仪采集的待检测图像后,通过对待检测图像中的目标进行识别,确定出目标的类别。然后,再判断目标的类别是否为指定类别。在目标的类别为指定类别的情况下,可以根据预先存储的类别与标识的对应关系,在待检测图像中用目标的类别对应的标识标记目标,从而可以实现在待检测图像中检测出指定类别的目标。应用本技术方案,不需要依赖人工对待检测图像进行指定类别的目标的检测,可以避免因疲劳而出现漏识别的情况,从而可以提高识别精度。另外,不需要依赖人工进行检测,还可以提高检测效率。
上述安检仪和NVR设备提到的通信总线可以是外设部件互连标准(PeripheralComponent Interconnect,PCI)总线或扩展工业标准结构(ExtendedIndustry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口用于上述NVR设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
参照图8,本发明实施例提供了一种安检***,***包括安检仪81和与安检仪通讯连接的NVR设备82,具体的,安检仪的图像采集模块与NVR设备通信连接。NVR设备包括:
存储器,用于存放计算机程序;其中,NVR设备的结构可以如图7所示。
处理器,用于执行存储器上所存放的程序时,实现上述任一目标识别方法的方法步骤。
本发明实施例提供的安检***,在获取安检仪采集的待检测图像后,通过对待检测图像中的目标进行识别,可以自动确定出目标的类别,也就可以识别出安检仪所采集的图像中的各个物体,相比于人工识别,可以避免因疲劳而出现漏识别的情况,从而可以提高识别精度。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的目标识别方法。
在获取安检仪采集的待检测图像后,在获取安检仪采集的待检测图像后,通过对待检测图像中的目标进行识别,可以自动确定出目标的类别,也就可以识别出安检仪所采集的图像中的各个物体,相比于人工识别,可以避免因疲劳而出现漏识别的情况,从而可以提高识别精度。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、***、电子设备以及计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (15)
1.一种目标识别方法,其特征在于,所述方法包括:
获取安检仪采集的待检测图像;
对所述待检测图像中的目标进行识别,确定出所述目标的类别。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
判断所述目标的类别是否为指定类别;
在判断结果为是的情况下,根据预先存储的类别与标识的对应关系,在所述待检测图像中用所述目标的类别对应的标识标记所述目标。
3.根据权利要求1所述的方法,其特征在于,所述对所述待检测图像中的目标进行识别,确定出所述目标的类别的步骤,包括:
通过预先训练得到的神经网络分类检测模型,对所述待检测图像中的目标进行识别,确定出所述目标的类别。
4.根据权利要求3所述的方法,其特征在于,所述通过预先训练得到的神经网络分类检测模型,对所述待检测图像中的目标进行识别,确定出所述目标的类别的步骤,包括:
所述神经网络分类检测模型,包括:区域检测子模型和分类子模型;
通过所述区域检测子模型,对所述待检测图像进行检测,得到目标区域;
通过所述分类子模型,对所述目标区域中的目标进行识别,确定所述目标的类别。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述方法还包括:
如果所述目标的类别为指定类别,则发出声音警报。
6.根据权利要求1-4任一项所述的方法,其特征在于,所述方法还包括:
如果所述目标的类别为指定类别,向所述安检仪发送提示指令,以使所述安检仪根据所述提示指令,发出声音警报。
7.根据权利要求1-4任一项所述的方法,其特征在于,所述获取安检仪采集的待检测图像的步骤,包括:
获取安检仪基于辐射成像方式采集的视频;
对获取的视频进行解码,得到所述待检测图像。
8.根据权利要求1-4任一项所述的方法,其特征在于,所述获取安检仪采集的待检测图像的步骤,包括:
获取安检仪基于辐射成像方式采集的待检测图像。
9.根据权利要求2或4所述的方法,其特征在于,所述标识为颜色;
所述在所述判断模块的判断结果为是的情况下,根据预先存储的类别与标识的对应关系,在所述待检测图像中用所述目标的类别对应的标识标记所述目标的步骤,包括:
在所述判断模块的判断结果为是的情况下,在所述目标在所述待检测图像中对应的位置,确定包围所述目标的最小方框;
根据预先存储的类别与颜色的对应关系,在所确定的最小方框中填充所述目标的类别对应的颜色。
10.根据权利要求2或4所述的方法,其特征在于,所述方法还包括:
将标记后的所述待检测图像发送至安检仪,并使在所述安检仪的显示屏上显示。
11.一种目标识别装置,其特征在于,所述装置包括:
获取模块,用于获取安检仪采集的待检测图像;
确定模块,用于对所述待检测图像中的目标进行识别,确定出所述目标的类别。
12.根据权利要求11所述的装置,其特征在于,所述装置还包括:
判断模块,用于判断所述目标的类别是否为指定类别;
标记模块,用于在所述判断模块的判断结果为是的情况下,根据预先存储的类别与标识的对应关系,在所述待检测图像中用所述目标的类别对应的标识标记所述目标。
13.一种安检仪,其特征在于,包括:
存储器,用于存放计算机程序;
处理器,用于执行所述存储器上所存放的程序时,实现权利要求1-9任一所述的方法步骤。
14.一种NVR设备,其特征在于,所述设备包括:
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现权利要求1-10任一所述的方法步骤。
15.一种安检***,其特征在于,所述***包括安检仪和与所述安检仪通讯连接的NVR设备;
所述NVR设备包括:所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现权利要求1-10任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811249294.6A CN111103629A (zh) | 2018-10-25 | 2018-10-25 | 一种目标检测方法、装置、nvr设备及安检*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811249294.6A CN111103629A (zh) | 2018-10-25 | 2018-10-25 | 一种目标检测方法、装置、nvr设备及安检*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111103629A true CN111103629A (zh) | 2020-05-05 |
Family
ID=70417533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811249294.6A Pending CN111103629A (zh) | 2018-10-25 | 2018-10-25 | 一种目标检测方法、装置、nvr设备及安检*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111103629A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113920432A (zh) * | 2021-10-12 | 2022-01-11 | 广东电网有限责任公司广州供电局 | 一种基于GuidedAnchor优化的刀具图像智能检测方法 |
KR102630705B1 (ko) * | 2023-07-12 | 2024-01-29 | 주식회사 넥스톤 | 에너지 절약형 네트워크 카메라 저장 장치 및 네트워크카메라 저장 장치의 동작 방법 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091156A (zh) * | 2014-07-10 | 2014-10-08 | 深圳市中控生物识别技术有限公司 | 一种身份识别方法及装置 |
CN106485268A (zh) * | 2016-09-27 | 2017-03-08 | 东软集团股份有限公司 | 一种图像识别方法及装置 |
CN106504233A (zh) * | 2016-10-18 | 2017-03-15 | 国网山东省电力公司电力科学研究院 | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及*** |
CN106845499A (zh) * | 2017-01-19 | 2017-06-13 | 清华大学 | 一种基于自然语言语义的图像目标检测方法 |
CN107358258A (zh) * | 2017-07-07 | 2017-11-17 | 西安电子科技大学 | 基于nsct双cnn通道和选择性注意机制的sar图像目标分类 |
CN107369154A (zh) * | 2017-07-19 | 2017-11-21 | 电子科技大学 | 图像的检测方法及装置 |
CN107403155A (zh) * | 2017-07-26 | 2017-11-28 | 北京声迅电子股份有限公司 | 一种快速分级分类方法及装置 |
WO2018019149A1 (zh) * | 2016-07-29 | 2018-02-01 | 华讯方舟科技有限公司 | 人体性别自动识别方法及装置 |
EP3287939A1 (en) * | 2015-04-21 | 2018-02-28 | Nuctech Company Limited | Security inspection image discrimination system and image discrimination method comprising video analysis |
CN107766829A (zh) * | 2017-10-27 | 2018-03-06 | 浙江大华技术股份有限公司 | 一种物品检测的方法和设备 |
CN107871122A (zh) * | 2017-11-14 | 2018-04-03 | 深圳码隆科技有限公司 | 安检检测方法、装置、***及电子设备 |
CN108229267A (zh) * | 2016-12-29 | 2018-06-29 | 北京市商汤科技开发有限公司 | 对象属性检测、神经网络训练、区域检测方法和装置 |
-
2018
- 2018-10-25 CN CN201811249294.6A patent/CN111103629A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091156A (zh) * | 2014-07-10 | 2014-10-08 | 深圳市中控生物识别技术有限公司 | 一种身份识别方法及装置 |
EP3287939A1 (en) * | 2015-04-21 | 2018-02-28 | Nuctech Company Limited | Security inspection image discrimination system and image discrimination method comprising video analysis |
WO2018019149A1 (zh) * | 2016-07-29 | 2018-02-01 | 华讯方舟科技有限公司 | 人体性别自动识别方法及装置 |
CN106485268A (zh) * | 2016-09-27 | 2017-03-08 | 东软集团股份有限公司 | 一种图像识别方法及装置 |
CN106504233A (zh) * | 2016-10-18 | 2017-03-15 | 国网山东省电力公司电力科学研究院 | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及*** |
CN108229267A (zh) * | 2016-12-29 | 2018-06-29 | 北京市商汤科技开发有限公司 | 对象属性检测、神经网络训练、区域检测方法和装置 |
CN106845499A (zh) * | 2017-01-19 | 2017-06-13 | 清华大学 | 一种基于自然语言语义的图像目标检测方法 |
CN107358258A (zh) * | 2017-07-07 | 2017-11-17 | 西安电子科技大学 | 基于nsct双cnn通道和选择性注意机制的sar图像目标分类 |
CN107369154A (zh) * | 2017-07-19 | 2017-11-21 | 电子科技大学 | 图像的检测方法及装置 |
CN107403155A (zh) * | 2017-07-26 | 2017-11-28 | 北京声迅电子股份有限公司 | 一种快速分级分类方法及装置 |
CN107766829A (zh) * | 2017-10-27 | 2018-03-06 | 浙江大华技术股份有限公司 | 一种物品检测的方法和设备 |
CN107871122A (zh) * | 2017-11-14 | 2018-04-03 | 深圳码隆科技有限公司 | 安检检测方法、装置、***及电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113920432A (zh) * | 2021-10-12 | 2022-01-11 | 广东电网有限责任公司广州供电局 | 一种基于GuidedAnchor优化的刀具图像智能检测方法 |
KR102630705B1 (ko) * | 2023-07-12 | 2024-01-29 | 주식회사 넥스톤 | 에너지 절약형 네트워크 카메라 저장 장치 및 네트워크카메라 저장 장치의 동작 방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570410B (zh) | 一种自动识别检测焊缝缺陷的检测方法 | |
CN106485268B (zh) | 一种图像识别方法及装置 | |
WO2020173021A1 (zh) | 一种基于人工智能的违禁物识别方法、装置、设备和存储介质 | |
WO2017067023A1 (zh) | 一种基于专用试纸对体液的检测方法 | |
CN111766253A (zh) | 锡膏印刷品质检测方法、数据处理装置及计算机存储介质 | |
CN107358344B (zh) | 企业隐患管理方法及其管理***、电子设备及存储介质 | |
EP3696725A1 (en) | Tool detection method and device | |
CN109727229A (zh) | 虚焊检测方法及装置 | |
CN112989989A (zh) | 一种安检方法、装置、设备及存储介质 | |
CN111103629A (zh) | 一种目标检测方法、装置、nvr设备及安检*** | |
CN114049565A (zh) | 基于遥感影像和dem数据的地质灾害判识方法和装置 | |
CN111598827A (zh) | 外观瑕疵检测方法、电子装置及存储介质 | |
CN111523558A (zh) | 一种基于电子围网的船只遮挡检测方法、装置及电子设备 | |
CN115218790A (zh) | 棒材检测方法、装置和*** | |
CN114160447B (zh) | 一种先期机检***及方法 | |
CN111091104A (zh) | 一种目标物体的防护检测方法、装置、设备及存储介质 | |
CN111553184A (zh) | 一种基于电子围网的小目标检测方法、装置及电子设备 | |
US20150169762A1 (en) | Culture medium information registration system, communication terminal device, program, sanitary management system and film-type culture medium | |
CN108182676B (zh) | 一种***碎片化率检测方法、装置、设备及可读存储介质 | |
CN108428247B (zh) | 焊锡点方向的检测方法和*** | |
CN106529784A (zh) | 风险监测信息***中样品合格的判定方法以及装置 | |
WO2018098728A1 (zh) | 一种金属探测安检门灵敏度的调节方法和装置 | |
EP3835737A1 (en) | Method and apparatus for determining a vertical position of a horizontally extending interface between a first component and a second component | |
CN114494765B (zh) | 真假烟鉴别点的识别方法、装置、电子设备及存储介质 | |
CN116563628A (zh) | 安检判图识别方法、装置、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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200505 |
|
RJ01 | Rejection of invention patent application after publication |