CN112990121A - 一种目标检测方法、装置、电子设备及存储介质 - Google Patents
一种目标检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112990121A CN112990121A CN202110448636.2A CN202110448636A CN112990121A CN 112990121 A CN112990121 A CN 112990121A CN 202110448636 A CN202110448636 A CN 202110448636A CN 112990121 A CN112990121 A CN 112990121A
- Authority
- CN
- China
- Prior art keywords
- target
- detected
- image
- model
- dimensional digital
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种目标检测方法,包括:对待检测目标进行三维建模,得到待检测目标的三维数字模型;利用三维数字模型生成目标图像,并利用目标图像生成数据集;利用数据集对目标检测网络进行训练,并利用训练后的目标检测网络对待检测目标进行目标检测;在本方法中,待检测目标的目标图像利用待检测目标的三维数字模型进行自动生成,无需人工实拍,可有效提升目标图像采集效率并降低采集成本;同时,该三维数字模型由待检测目标经过三维建模得到,可有效确保利用三维数字模型生成的目标图像能够用于目标检测网络的训练,并可最终提升目标检测网络的精准度;本发明还提供一种目标检测装置、电子设备及存储介质,具有上述有益效果。
Description
技术领域
本发明涉及目标检测领域,特别涉及一种目标检测方法、装置、电子设备及存储介质。
背景技术
随着目标检测技术的不断发展,目标检测方法在侦查、预警等军事领域中的应用逐渐增多。为了实现对待检测目标的良好检测,需要事先为待检测目标准备大量的目标图像,并利用目标图像对目标检测网络进行训练,从而得到该待检测目标的目标检测网络。
相关技术中,待检测目标的目标图像依靠人工实拍进行采集,人工实拍受时间、人力及经济成本等因素的制约,难以快速获取大量目标图像,进而采用人工实拍的方式进行目标图像采集将严重影响目标检测网络的检测效果。
发明内容
本发明的目的是提供一种目标检测方法、装置、电子设备及存储介质,可利用待检测目标的三维数字模型生成待检测目标的目标图像,无需人工实拍,可有效提升目标图像采集效率并降低采集成本。
为解决上述技术问题,本发明提供一种目标检测方法,包括:
对待检测目标进行三维建模,得到所述待检测目标的三维数字模型;
利用所述三维数字模型生成目标图像,并利用所述目标图像生成数据集;
利用所述数据集对目标检测网络进行训练,并利用训练后的目标检测网络对所述待检测目标进行目标检测。
可选地,所述利用所述三维数字模型生成目标图像,并利用所述目标图像生成数据集,包括:
调整所述三维数字模型的模型参数,得到具有不同模型参数的三维数字模型;
利用所述具有不同模型参数的三维数字模型生成所述目标图像;
对所述目标图像进行标注,并依照预设数据格式利用标注后的目标图像生成数据集。
可选地,所述目标检测网络为YOLO目标检测网络。
可选地,所述对待检测目标进行三维建模,得到所述待检测目标的三维数字模型,包括:
对所述待检测目标进行倾斜摄影,得到所述待检测目标的模型图像;
将所述模型图像输入倾斜摄影建模软件进行计算,得到所述待检测目标的三维数字模型。
可选地,所述对所述待检测目标进行倾斜摄影,得到所述待检测目标的模型图像,包括:
对所述待检测目标的实物模型进行倾斜摄影,得到所述待检测目标的模型图像。
可选地,所述对所述待检测目标进行倾斜摄影,得到所述待检测目标的模型图像,包括:
将所述模型图像的图像中心设置为所述待检测目标,并将图像采集设备、所述待检测目标及水平面构成的拍摄角度设置为第一预设值;
将所述模型图像的图像中心设置为所述待检测目标,将图像采集设备的拍摄角度设置为第一预设值,并将相邻所述模型图像的航向重叠度设置为第二预设值,将相邻所述模型图像的旁向重叠度设置为第三预设值;
依照所述图像中心、所述拍摄角度、所述航向重叠度及所述旁向重叠度,对所述待检测目标进行环绕拍摄,得到初始模型图像;
将拍摄角度调整为第四预设值,并执行所述依照所述图像中心、所述拍摄角度、所述航向重叠度及所述旁向重叠度,对所述待检测目标进行环绕拍摄的步骤,直至所有所述初始模型图像完全覆盖所述待检测目标;
将所述初始模型图像设置为所述模型图像。
可选地,在得到所述待检测目标的三维数字模型之后,还包括:
为所述三维数字模型添加涂装纹理数据,并对添加所述纹理信息后的三维数字模型执行所述利用所述三维数字模型生成目标对象图像的步骤。
本发明还提供一种目标检测装置,包括:
建模模块,用于对待检测目标进行三维建模,得到所述待检测目标的三维数字模型;
目标图像生成模块,用于利用所述三维数字模型生成目标图像,并利用所述目标图像生成数据集;
目标检测模块,用于利用所述数据集对目标检测网络进行训练,并利用训练后的目标检测网络对所述待检测目标进行目标检测。
本发明还提供一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述所述的目标检测方法。
本发明还提供一种存储介质,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现如上述所述的目标检测方法。
本发明提供了一种目标检测方法,包括:对待检测目标进行三维建模,得到所述待检测目标的三维数字模型;利用所述三维数字模型生成目标图像,并利用所述目标图像生成数据集;利用所述数据集对目标检测网络进行训练,并利用训练后的目标检测网络对所述待检测目标进行目标检测。
可见,本方法采用待检测目标的三维数字模型进行目标图像的生成。在相关技术中,待检测目标的目标图像通过人工实拍的方式进行采集,由于人工实拍受时间、人力及经济成本等因素的制约,难以快速获得足量的目标图像。而在本方法中,待检测目标的目标图像可利用待检测目标的三维数字模型进行自动生成,无需人工实拍,能够低成本且高效地生成目标图像,可有效提升目标图像的采集效率并降低采集成本;同时,该三维数字模型由待检测目标经过三维建模得到,可有效确保三维数字模型与待检测目标相对应,进而可确保利用三维数字模型生成的目标图像带有待检测目标的特征信息,能够用于待检测目标对应目标检测网络的训练,并最终实现提升目标检测网络精确度的目的。本发明还提供一种目标检测装置、电子设备及存储介质,具有上述有益效果。
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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例所提供的一种目标检测方法的流程图;
图2为本发明实施例所提供的一种目标检测装置的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
相关技术中,待检测目标的目标图像依靠人工实拍进行采集,人工实拍受时间、人力及经济成本等因素的制约,难以快速获取大量目标图像,进而采用人工实拍的方式进行目标图像采集将严重影响目标检测网络的检测效果。有鉴于此,本发明实施例提供一种目标检测方法,可利用待检测目标的三维数字模型生成待检测目标的目标图像,无需人工实拍,可有效提升目标图像采集效率并降低采集成本。请参考图1,图1为本发明实施例所提供的一种目标检测方法的流程图,该方法可以包括:
S101、对待检测目标进行三维建模,得到待检测目标的三维数字模型。
目标检测网络可快速对待检测目标进行识别检测,例如可对车辆、军事工事等具体的设备或建筑目标进行检测。由于目标检测网络对待检测目标的检测精度与用于训练的待检测目标图像数量正相关,而在相关技术中,待检测目标的目标数量依靠人工实拍进行采集,在多种因素的制约下难以快速获得足量的目标图像,同时人工实拍的方式也存在耗时长、人力成本高及采集效率低的问题,因此相关技术对目标图像的采集方法阻碍了目标检测网络精准度的提升。而本发明实施例旨在通过利用待检测目标的三维数字模型生成目标图像的方式,解决相关技术中目标图像采集慢的问题。由于利用三维数字模型进行目标图像的自动生成,无需人工实拍,因此能够更加便捷、高效且低成本地获取目标图像,可有效解决现有目标图像采集效率低、耗时长且成本高的问题;同时,本发明实施例所采用的待检测目标的三维数字模型,是由待检测目标进过三维建模得到的,可有效确保三维数字模型与待检测目标相对应,带有待检测目标的特征信息,进而可确保利用三维数字模型生成的目标图像带有待检测目标的特征信息,可用于训练待检测目标的目标检测网络,并最终达到提升待检测目标的目标检测网络精准度的目标。
需要说明的是,本发明实施例并不限定三维数字模型的具体形式,用户可参考三维数字模型的相关技术。
进一步,本发明实施例并不限定三维建模的具体方式及过程,该三维建模的过程可以为对待检测目标进行测绘,并根据测绘结果进行三维建模得到三维数字模型,也可以为利用扫描仪对待检测目标进行三维扫描,得到三维扫描结果,并利用三维扫描结果生成三维数字模型,也可以为对待检测目标进行倾斜摄影三维建模,其中倾斜摄影三维建模是一种基于倾斜摄影技术的三维建模方式,倾斜摄影是一种新兴的摄影测量技术,可同时从多个角度对待测物体进行纹理信息及三维信息采集。在本发明实施例中,考虑到倾斜摄影三维建模可高效且低成本地对待检测目标进行三维建模,进而能够有效提升建模人员的工作效率并降低建模成本,因此三维建模可通过对待检测目标进行倾斜摄影三维建模的方式进行。可以理解的是,倾斜摄影三维建模首先需要对待检测目标的三维信息及纹理信息进行采集,得到待检测目标的模型图像,然后再利用模型图像进行三维建模。需要说明的是,本发明实施例并不限定利用模型图像进行三维建模的具体过程,用户可参考利用倾斜摄影得到的测绘图像进行三维建模的相关技术。在本发明实施例中,只需将倾斜摄影得到的模型图像输入倾斜摄影建模软件进行建模计算即可。需要说明的是,本发明实施例并不限定具体的倾斜摄影建模软件,例如可以为Smart3D,或是Pix4D,或是其他的倾斜摄影建模软件,只要能够依靠待检测目标的模型图像得到待检测目标的三维数字模型即可。
在一种可能的情况中,对待检测目标进行三维建模,得到待检测目标的三维数字模型的过程,可以包括:
步骤11:对待检测目标进行倾斜摄影,得到待检测目标的模型图像;
步骤12:将模型图像输入倾斜摄影建模软件进行计算,得到待检测目标的三维数字模型。
可以理解的是,由于模型图像可能带有地面或是其他与待检测目标无关的数据,而在利用倾斜摄影建模软件进行建模计算时,可能将这些无关数据也添加至待检测目标的三维数据模型中。为了确保三维数据模型的准确性,在得到三维数字模型后,可将与待检测目标无关的多余数据删除,以保留待检测目标主体。
需要说明的是,本发明实施例并不限定倾斜摄影的具体方式及过程,例如可以设置固定的拍摄路径,并将图像采集设备的拍摄角度设置为预设值,最后根据上述拍摄路径及拍摄角度对待检测目标进行倾斜摄影,也可以将待检测目标设置为模型图像的图像中心,并将图像采集设备的拍摄角度设置为预设值,最后根据上述图像中心及拍摄角度对待检测目标进行环绕拍摄。在本发明实施例中,考虑到通过环绕拍摄得到的模型图像更能有效覆盖待检测目标,因此可采用第二种方式进行倾斜摄影。进一步,本发明实施例也不限定是否可以将拍摄角度设置为多个预设值,当采用一个拍摄角度采集的模型图像以可以覆盖待检测目标时,可无需设置多个拍摄角度;当需要对待检测目标进行多层多角度拍摄得到的模型图像才能够有效覆盖待检测目标时,也可以设置多个拍摄角度。在本发明实施例中,为了确保待检测目标的三维数字模型带有待检测目标的特征,需要确保待检测目标的模型图像能够有效覆盖待检测目标,因此可采用多个拍摄角度对待检测目标进行环绕拍摄。
进一步,本发明实施例并不限定是否对待检测目标的实物设备进行倾斜摄影,还是对待检测目标的实物模型进行倾斜摄影,其中实物设备即为待检测目标本身,例如待检测目标为车辆时,实物设备便为车辆本身,而实物模型为根据实物设备的外观、尺寸数据,并依据某一预设比例进行等比例缩小进行制作得到的模型。当待检测目标的实物设备易于取得时,可对实物设备进行倾斜摄影;当待检测目标的实物设备难以取得时,也可对待检测目标的实物模型进行倾斜摄影。在本发明实施例中,考虑到出于生产、或是保密等多种因素的影响,待检测目标的实物设备可能难以获取,而实物模型由于依照实物设备的外观及尺寸数据进行制作,也能够带有实物设备的外观特征,因此可利用待检测目标的实物模型进行倾斜摄影。需要说明的是,本发明实施例并不限定实物模型与实物设备之间的比例数值,用户可根据应用需求进行设定。
在一种可能的情况中,对待检测目标进行倾斜摄影,得到待检测目标的模型图像的过程,可以包括:
步骤21:对待检测目标的实物模型进行倾斜摄影,得到待检测目标的模型图像。
进一步,本发明实施例并不限定具体用于倾斜摄影的图像采集设备,该图像采集设备可以为普通的照相机,也可以为带有倾斜摄影设备的无人机,用户可根据实际应用需求进行选择。
最后,可以理解的是待检测目标可能带有某种涂装或纹理,同时该涂装或纹理可能发生改变。为了让目标检测网络更好地适应待检测目标的涂装或纹理,在得到待检测目标的三维数字模型后,还可为三维数字模型增加涂装纹理数据,以确保目标图像中带有待检测目标的涂装纹理特征信息。
在一种可能的情况中,在得到待检测目标的三维数字模型之后,还可以包括:
步骤31:为三维数字模型添加涂装纹理数据,并对添加纹理信息后的三维数字模型执行利用三维数字模型生成目标对象图像的步骤。
S102、利用三维数字模型生成目标图像,并利用目标图像生成数据集。
需要说明的是,本发明实施例并不限定利用三维数字模型生成目标图像的具体过程,例如直接利用固定姿态的三维数字模型生成目标图像,也可以调整三维数字模型的模型参数,以使三维数字模型具有不同的姿态,并对具有不同模型参数的三维数字模型进行目标图像的生成。为了确保目标检测网络能够对各种姿态的待检测目标进行检测,在本发明实施例中,可采用第二种方式生成目标图像。
进一步,可以理解的是,为了确保目标检测网络进行针对性训练,需要对目标图像进行标注;同时,为了有效管理目标图像,可需要利用预设的数据格式对目标图像进行整理,以得到数据集。
在一种可能的情况中,利用三维数字模型生成目标图像,并利用目标图像生成数据集,包括:
步骤41:调整三维数字模型的模型参数,得到具有不同模型参数的三维数字模型;
步骤42:利用具有不同模型参数的三维数字模型生成目标图像;
步骤43:对目标图像进行标注,并依照预设数据格式利用标注后的目标图像生成数据集。
需要说明的是,本发明实施例并不限定具体的模型参数,例如可以为三维数字模型的旋转角度、模型大小、模型亮度等,用户可根据实际应用需求进行设定。可以理解的是,调整模型参数的目的在于对实拍场景进行模拟,例如调整三维数字模型的旋转角度可模型实拍场景的拍摄角度,调整模型大小可模拟实拍场景中的拍摄距离,调整模型亮度可模拟实拍场景中的拍摄光照。
进一步,本发明实施例并不限定对目标图像的标注内容,例如可以标注待检测目标的种类,以及待检测目标在目标图像中所处的区域等。本发明实施例也不限定具体的预设数据格式,例如可以为VOC2007格式,也可以为也可以为其他类型的数据集格式。
S103、利用数据集对目标检测网络进行训练,并利用训练后的目标检测网络对待检测目标进行目标检测。
需要说明的是,本发明实施例并不限定具体的目标检测网络,该目标检测网络可以为任意基于机器学习的目标检测网络,例如可以为R-CNN目标检测网络,也可以为YOLO目标检测网络。在本发明实施例中,考虑到YOLO目标检测网络的应用效果较好,因此可利用YOLO目标检测网络作为本发明实施例的目标检测网络。本发明实施例也不限定YOLO目标检测网络的版本,例如可以为YOLO-v4、YOLO-v5或其他版本。本发明实施例也不限定对目标检测网络的具体训练方法及参数,用户可根据实际选择的目标检测网络,并结合相关技术进行设定。在一种可能的情况中,当目标检测网络为YOLO-v4时,具体的训练参数可以为:图像anchors值为416×416,Batch_size批处理大小为4,Init_Epoch初始训练代数为0,Epoch训练总代数为50,Freeze_Epoch冻结代数为25,learning_rate初始学习率为0.001,policy学习率变化策略为steps,动量为0.9,decay延迟系数为0.0005。本发明实施例也不限定训练目标检测网络的硬件环境及软件环境,用户可根据相关技术进行设定,例如在一种可能的情况中,训练目标检测网络的硬件环境为采用英伟达RTX2070同等规格或更高规格的、显存8G以上的显卡,软件环境为CUDA和Cudnn驱动以及PyTorch深度学习框架。
进一步,可以理解的是可依照某一比例将数据集划分为训练集、验证集及测试集进行目标检测网络训练。需要说明的是,本发明实施例并不限定划分数据集的具体比例值,用户可根据实际应用需求进行设定。
基于上述实施例,本方法采用待检测目标的三维数字模型进行目标图像的生成。在相关技术中,待检测目标的目标图像通过人工实拍的方式进行采集,由于人工实拍受时间、人力及经济成本等因素的制约,难以快速获得足量的目标图像。而在本方法中,待检测目标的目标图像可利用待检测目标的三维数字模型进行自动生成,无需人工实拍,能够低成本且高效地生成目标图像,可有效提升目标图像的采集效率并降低采集成本;同时,该三维数字模型由待检测目标经过三维建模得到,可有效确保三维数字模型与待检测目标相对应,进而可确保利用三维数字模型生成的目标图像带有待检测目标的特征信息,能够用于待检测目标对应目标检测网络的训练,并最终实现提升目标检测网络精确度的目的。
基于上述实施例,下面对将待检测目标设置为模型图像的图像中心,并将图像采集设备的拍摄角度设置为预设值,最后根据上述图像中心及拍摄角度对待检测目标进行环绕拍摄的倾斜摄影方式进行具体介绍。在一种可能的情况中,对待检测目标进行倾斜摄影,得到待检测目标的模型图像,包括:
S201、将模型图像的图像中心设置为待检测目标,将图像采集设备的拍摄角度设置为第一预设值,并将相邻模型图像的航向重叠度设置为第二预设值,将相邻模型图像的旁向重叠度设置为第三预设值。
S202、依照图像中心、拍摄角度、航向重叠度及旁向重叠度,对待检测目标进行环绕拍摄,得到初始模型图像。
S203、将拍摄角度调整为第四预设值,并执行依照图像中心、拍摄角度、航向重叠度及旁向重叠度,对待检测目标进行环绕拍摄的步骤,直至所有初始模型图像完全覆盖待检测目标。
S204、将初始模型图像设置为模型图像。
其中,航向重叠度又可称为“纵向重叠”,是指在沿同一拍摄路径拍摄的图像中,相邻图像中有同一地面的影像部分;旁向重叠度又可称为“横向重叠”,是指在沿两条相邻拍摄路径拍摄的图像中,相邻图像中有同一地面的影像部分,可以理解的是,航向重叠度及旁向重叠度均为比值。需要说明的是,本发明实施例并不限定第二预设值及第三预设值的具体数值,用户可根据实际应用需求进行设定,在一种可能的情况中,为了确保模型图像的可拼接性,在设置航向重叠度的第二预设值时,需确保第二预设值不小于70%,在设置旁向重叠度的第三预设值时,需确保第三预设值不小于60%。
进一步,本发明实施例也不限定拍摄角度的第一预设值和第四预设值的具体数值,用户可根据实际应用需求进行设定。可以理解的是,第一预设值为图像采集设备进行模型图像采集时使用的初始拍摄角度,第四预设值是基于第一预设值并采取某种调整方法进行调整的其他拍摄角度,而第四预设值根据应用场景的不同可能具有一个或多个。需要说明的是,本发明实施例并不限定将拍摄角度由第一预设值调整至第四预设值的方式,例如可以固定间隔调整,也可以设定固定的第四预设值,并将第一预设值调整至固定的第四预设值。需要说明的是,本发明实施例并限定采用固定间隔进行调整时的固定间隔数值。
进一步,本发明实施例也不限定待检测目标在模型图像中的大小,用户可根据实际应用需求进行设定。
基于上述实施例,本方法采用环绕拍摄的方式对待检测目标进行倾斜摄影,有效确保待检测目标的模型图像能够覆盖待检测目标的四周;同时,本方法可将拍摄角度由第一预设值调整为第四预设值,并利用第四预设值对待检测目标继续进行模型图像采集,即可利用多层多角度的方式对待检测目标进行环绕拍摄,最终可确保最终得到的所有模型图像能够完全覆盖待检测目标。
下面对本发明实施例提供的一种目标检测装置、电子设备及存储介质进行介绍,下文描述的目标检测装置、电子设备及存储介质与上文描述的目标检测方法可相互对应参照。
请参考图2,图2为本发明实施例所提供的一种目标检测装置的结构框图,该装置可以包括:
建模模块201,用于对待检测目标进行三维建模,得到待检测目标的三维数字模型;
数据集生成模块202,用于利用三维数字模型生成目标图像,并利用目标图像生成数据集;
目标检测模块203,用于利用数据集对目标检测网络进行训练,并利用训练后的目标检测网络对待检测目标进行目标检测。
可选地,数据集生成模块202,可以包括:
模型参数调整子模块,用于调整三维数字模型的模型参数,得到具有不同模型参数的三维数字模型;
目标图像生成子模块,用于利用具有不同模型参数的三维数字模型生成目标图像;
数据集生成子模块,用于对目标图像进行标注,并依照预设数据格式利用标注后的目标图像生成数据集。
可选地,目标检测模块203中的目标检测网络可以为YOLO目标检测网络。
可选地,建模模块201,可以包括:
拍摄子模块,用于对待检测目标进行倾斜摄影,得到待检测目标的模型图像;
计算子模块,用于将模型图像输入倾斜摄影建模软件进行计算,得到待检测目标的三维数字模型。
可选地,拍摄子模块,可以包括:
第一拍摄单元,用于对待检测目标的实物模型进行倾斜摄影,得到待检测目标的模型图像。
可选地,拍摄子模块,包括:
第一参数设置单元,用于将模型图像的图像中心设置为待检测目标,将图像采集设备的拍摄角度设置为第一预设值,并将相邻模型图像的航向重叠度设置为第二预设值,将相邻模型图像的旁向重叠度设置为第三预设值;
拍摄单元,用于依照图像中心、拍摄角度、航向重叠度及旁向重叠度,对待检测目标进行环绕拍摄,得到初始模型图像;
第二参数设置单元,用于将拍摄角度调整为第四预设值,并利用拍摄单元执行依照图像中心、拍摄角度、航向重叠度及旁向重叠度,对待检测目标进行环绕拍摄的步骤,直至所有初始模型图像完全覆盖待检测目标;
模型图像设置单元,用于将初始模型图像设置为模型图像。
可选地,建模模块201,还可以包括:
涂装纹理数据添加子模块,用于为三维数字模型添加涂装纹理数据,并对添加纹理信息后的三维数字模型执行利用三维数字模型生成目标对象图像的步骤。
本发明实施例还提供一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序时实现如上述的目标检测方法的步骤。
由于电子设备部分的实施例与目标检测方法部分的实施例相互对应,因此电子设备部分的实施例请参见目标检测方法部分的实施例的描述,这里暂不赘述。
本发明实施例还提供一种存储介质,存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述任意实施例的目标检测方法的步骤。
由于存储介质部分的实施例与目标检测方法部分的实施例相互对应,因此存储介质部分的实施例请参见目标检测方法部分的实施例的描述,这里暂不赘述。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种目标检测方法、装置、电子设备及存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (9)
1.一种目标检测方法,其特征在于,包括:
对待检测目标进行三维建模,得到所述待检测目标的三维数字模型;
利用所述三维数字模型生成目标图像,并利用所述目标图像生成数据集;
利用所述数据集对目标检测网络进行训练,并利用训练后的目标检测网络对所述待检测目标进行目标检测;
其中,所述对待检测目标进行三维建模,得到所述待检测目标的三维数字模型,包括:
对所述待检测目标进行倾斜摄影,得到所述待检测目标的模型图像;
将所述模型图像输入倾斜摄影建模软件进行计算,得到所述待检测目标的三维数字模型。
2.根据权利要求1所述的目标检测方法,其特征在于,所述利用所述三维数字模型生成目标图像,并利用所述目标图像生成数据集,包括:
调整所述三维数字模型的模型参数,得到具有不同模型参数的三维数字模型;
利用所述具有不同模型参数的三维数字模型生成所述目标图像;
对所述目标图像进行标注,并依照预设数据格式利用标注后的目标图像生成数据集。
3.根据权利要求1所述的目标检测方法,其特征在于,所述目标检测网络为YOLO目标检测网络。
4.根据权利要求1所述的目标检测方法,其特征在于,所述对所述待检测目标进行倾斜摄影,得到所述待检测目标的模型图像,包括:
对所述待检测目标的实物模型进行倾斜摄影,得到所述待检测目标的模型图像。
5.根据权利要求1所述的目标检测方法,其特征在于,所述对所述待检测目标进行倾斜摄影,得到所述待检测目标的模型图像,包括:
将所述模型图像的图像中心设置为所述待检测目标,将图像采集设备的拍摄角度设置为第一预设值,并将相邻所述模型图像的航向重叠度设置为第二预设值,将相邻所述模型图像的旁向重叠度设置为第三预设值;
依照所述图像中心、所述拍摄角度、所述航向重叠度及所述旁向重叠度,对所述待检测目标进行环绕拍摄,得到初始模型图像;
将拍摄角度调整为第四预设值,并执行所述依照所述图像中心、所述拍摄角度、所述航向重叠度及所述旁向重叠度,对所述待检测目标进行环绕拍摄的步骤,直至所有所述初始模型图像完全覆盖所述待检测目标;
将所述初始模型图像设置为所述模型图像。
6.根据权利要求1所述的目标检测方法,其特征在于,在得到所述待检测目标的三维数字模型之后,还包括:
为所述三维数字模型添加涂装纹理数据,并对添加所述纹理信息后的三维数字模型执行所述利用所述三维数字模型生成目标对象图像的步骤。
7.一种目标检测装置,其特征在于,包括:
建模模块,用于对待检测目标进行三维建模,得到所述待检测目标的三维数字模型;
目标图像生成模块,用于利用所述三维数字模型生成目标图像,并利用所述目标图像生成数据集;
目标检测模块,用于利用所述数据集对目标检测网络进行训练,并利用训练后的目标检测网络对所述待检测目标进行目标检测;
其中,所述目标图像生成模块,包括:
拍摄子模块,用于对所述待检测目标进行倾斜摄影,得到所述待检测目标的模型图像;
计算子模块,用于将所述模型图像输入倾斜摄影建模软件进行计算,得到所述待检测目标的三维数字模型。
8.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至6任一项所述的目标检测方法。
9.一种存储介质,其特征在于,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现如权利要求1至6任一项所述的目标检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110448636.2A CN112990121A (zh) | 2021-04-25 | 2021-04-25 | 一种目标检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110448636.2A CN112990121A (zh) | 2021-04-25 | 2021-04-25 | 一种目标检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112990121A true CN112990121A (zh) | 2021-06-18 |
Family
ID=76340169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110448636.2A Pending CN112990121A (zh) | 2021-04-25 | 2021-04-25 | 一种目标检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990121A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107066774A (zh) * | 2017-06-22 | 2017-08-18 | 武汉市陆刻科技有限公司 | 倾斜摄影测量预测滚石运动轨迹模拟***及其预测方法 |
CN108596259A (zh) * | 2018-04-27 | 2018-09-28 | 济南浪潮高新科技投资发展有限公司 | 一种用于物体识别的人工智能训练数据集生成的方法 |
CN108932459A (zh) * | 2017-05-26 | 2018-12-04 | 富士通株式会社 | 脸部识别模型训练方法和装置及脸部识别方法 |
CN110378408A (zh) * | 2019-07-12 | 2019-10-25 | 台州宏创电力集团有限公司 | 基于迁移学习和神经网络的电力设备图像识别方法和装置 |
CN111259950A (zh) * | 2020-01-13 | 2020-06-09 | 南京邮电大学 | 一种基于3d模型训练yolo神经网络的方法 |
CN111629193A (zh) * | 2020-07-28 | 2020-09-04 | 江苏康云视觉科技有限公司 | 一种实景三维重建方法及*** |
-
2021
- 2021-04-25 CN CN202110448636.2A patent/CN112990121A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108932459A (zh) * | 2017-05-26 | 2018-12-04 | 富士通株式会社 | 脸部识别模型训练方法和装置及脸部识别方法 |
CN107066774A (zh) * | 2017-06-22 | 2017-08-18 | 武汉市陆刻科技有限公司 | 倾斜摄影测量预测滚石运动轨迹模拟***及其预测方法 |
CN108596259A (zh) * | 2018-04-27 | 2018-09-28 | 济南浪潮高新科技投资发展有限公司 | 一种用于物体识别的人工智能训练数据集生成的方法 |
CN110378408A (zh) * | 2019-07-12 | 2019-10-25 | 台州宏创电力集团有限公司 | 基于迁移学习和神经网络的电力设备图像识别方法和装置 |
CN111259950A (zh) * | 2020-01-13 | 2020-06-09 | 南京邮电大学 | 一种基于3d模型训练yolo神经网络的方法 |
CN111629193A (zh) * | 2020-07-28 | 2020-09-04 | 江苏康云视觉科技有限公司 | 一种实景三维重建方法及*** |
Non-Patent Citations (1)
Title |
---|
宁振伟,朱庆,夏玉平: "《地面近景摄影测量》", 《 数字城市三维建模技术与实践》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10991072B2 (en) | Method and device for fusing panoramic video images | |
CN110427917B (zh) | 用于检测关键点的方法和装置 | |
CN107507274A (zh) | 一种基于云计算的公安案件现场三维实景快速还原方法 | |
CN106651767A (zh) | 一种获取全景图像的方法及装置 | |
CN110009672A (zh) | 提升ToF深度图像处理方法、3D图像成像方法及电子设备 | |
CN103971399A (zh) | 街景图像过渡方法和装置 | |
WO2021238171A1 (zh) | 图像配准方法及其相关的模型训练方法、设备、装置 | |
CN113850865A (zh) | 一种基于双目视觉的人体姿态定位方法、***和存储介质 | |
US10186051B2 (en) | Method and system for calibrating a velocimetry system | |
CN103617615A (zh) | 径向畸变参数获取方法及获取装置 | |
CN107590444A (zh) | 静态障碍物的检测方法、装置及存储介质 | |
CN112465977B (zh) | 基于稠密点云修补三维模型水面漏洞的方法 | |
US8422765B2 (en) | Three-dimensional image analysis system, process device, and method thereof | |
CN105574844B (zh) | 辐射响应函数估计方法和装置 | |
CN116597246A (zh) | 模型训练方法、目标检测方法、电子设备及存储介质 | |
CN112990121A (zh) | 一种目标检测方法、装置、电子设备及存储介质 | |
CN116092035A (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
CN110335308A (zh) | 基于视差约束与双向环形检验的双目视觉里程计计算方法 | |
CN111369612A (zh) | 一种三维点云图像生成方法及设备 | |
CN114998397A (zh) | 一种多视角卫星影像立体像对优化选择方法 | |
CN113744361A (zh) | 一种基于三目视觉的三维高精地图构建方法及装置 | |
CN118097566B (zh) | 基于深度学习的场景变动检测方法、装置、介质及设备 | |
Ang et al. | Big data scenarios simulator for deep learning algorithm evaluation for autonomous vehicle | |
CN116704111B (zh) | 图像处理方法和设备 | |
US12026912B2 (en) | Apparatus and methodology for aiming point and aiming device 6DOF detection using image registration |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210618 |