CN113344900B - 机场跑道侵入检测方法、装置、存储介质及电子设备 - Google Patents
机场跑道侵入检测方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113344900B CN113344900B CN202110711431.9A CN202110711431A CN113344900B CN 113344900 B CN113344900 B CN 113344900B CN 202110711431 A CN202110711431 A CN 202110711431A CN 113344900 B CN113344900 B CN 113344900B
- Authority
- CN
- China
- Prior art keywords
- target
- image
- detection frame
- position information
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及机场跑道侵入检测方法、装置、存储介质及电子设备。该方法包括获取目标图像,该目标图像的视野中包括基于机场跑道确定的侵入区域;对该目标图像进行切割,确定待识别图像;基于深度神经网络对该待识别图像进行目标识别,得到第一目标位置信息,该第一目标位置信息表征该待识别图像中的目标的位置;根据切割结果得到至少两个相邻的待识别图像,基于相邻的待识别图像之间的重合区域和该第一目标位置信息,确定第二目标位置信息,该第二目标位置信息表征该目标图像中的目标的位置;根据该第二目标位置信息和该侵入区域,确定该机场跑道的侵入结果。本公开可以利用深度神经网络保证侵入检测的稳定可靠。
Description
技术领域
本公开涉及智能化机场管控技术领域,尤其涉及机场跑道侵入检测方法、装置、存储介质及电子设备。
背景技术
随着全球航空业务的迅速发展,飞行流量不断增长,空中和地面的冲突也日益频繁,尤其跑道安全问题日趋严重。跑道安全是航空运输***安全的基础,机场跑道侵入作为典型的跑道安全问题,造成的不安全事件也在逐年增加。相关技术中可以通过布设额外的传感设备对机场跑道侵入进行监控,也可以基于人工方法或传统视觉算法对机场跑道侵入进行监控,前者需要额外布设硬件,后者的监控精度不高。
发明内容
为了解决上述至少一个技术问题,本公开提出了一种机场跑道侵入检测的技术方案。
根据本公开的一些实施例中,提供了一种机场跑道侵入检测方法,所述方法包括:对所述目标图像进行切割,根据切割结果确定待识别图像,所述待识别图像包括至少两个相邻图像;基于深度神经网络对所述待识别图像进行目标识别,得到第一目标位置信息,所述第一目标位置信息表征所述待识别图像中的目标的位置;基于所述相邻图像之间的重合区域和所述第一目标位置信息,确定第二目标位置信息,所述第二目标位置信息表征所述目标图像中的目标的位置;根据所述第二目标位置信息和所述侵入区域,确定所述机场跑道的侵入结果。基于上述配置,可以在不额外引入硬件成本的前提下,通过对目标图像进行切割,降低目标识别的运算量,对切割出的待识别图像进行基于深度神经网络的目标识别,可以充分利用深度神经网络的优势提升目标识别准确度,保证侵入检测的稳定可靠。
在一些可能的实施方式中,所述基于所述相邻图像之间的重合区域和所述第一目标位置信息,确定第二目标位置信息,包括:将所述第一目标位置信息映射到所述目标图像,得到目标位置映射信息;基于所述相邻图像之间的重合区域对所述目标位置映射信息进行融合处理,得到所述第二目标位置信息。基于上述配置,通过融合处理提升第二目标位置信息的准确度。
在一些可能的实施方式中,所述目标位置映射信息包括至少两个检测框,每个所述检测框表征对应的目标的位置,所述基于所述相邻图像之间的重合区域对所述目标位置映射信息进行融合处理,得到所述第二目标位置信息,包括:获取任一第一检测框和任一第二检测框,所述第一检测框和所述第二检测框为所述目标位置映射信息中相交的两个检测框;获取所述第一检测框和所述第二检测框的相交面积;根据所述第一检测框,确定第一待识别图像,所述第一检测框通过将所述第一待识别图像对应的第一目标位置信息映射到所述目标图像得到;根据所述第二检测框,确定第二待识别图像,所述第二检测框通过将所述第二待识别图像对应的第一目标位置信息映射到所述目标图像得到;获取所述第一待识别图像和所述第二待识别图像的重合区域的面积;响应于所述相交面积和所述重合区域的面积符合预设条件,融合所述第一检测框和所述第二检测框;根据融合结果,得到所述第二目标位置信息。基于上述配置,对目标位置映射信息中任意两个相交的检测框,可以准确根据其相关的待识别图像的重合情况判断该两个相交的检测框是否表征同一个目标,判断准确度较高,从而使得得到的第二目标位置信息中不存在冗余的检测框,提升第二目标位置信息的准确度。
在一些可能的实施方式中,所述第二目标位置信息包括至少一个检测框,所述根据所述第二目标位置信息和所述侵入区域,确定所述机场跑道的侵入结果,包括:将所述第二目标位置信息中,与所述侵入区域相交的检测框确定为第一目标检测框;响应于所述第一目标检测框数量为零,判定不存在目标侵入所述机场跑道的情况;响应于所述第一目标检测框数量不为零,判定存在目标侵入所述机场跑道的情况。基于上述配置,可以通过第二目标位置信息中的检测框与侵入区域的相交情况判断是否存在目标侵入机场跑道的情况,判据简单,执行效率高,可以快速准确得到侵入检测结果。
在一些可能的实施方式中,所述目标图像为监控视频流的当前帧图像,所述目标图像的视野中还包括基于机场跑道确定的实时识别区域,所述方法还包括:将所述第二目标位置信息中,与所述实时识别区域相交的检测框确定为第二目标检测框;响应于所述第二目标检测框数量为零,基于所述监控视频流,对所述第二目标位置信息进行跟踪;响应于所述第二目标检测框数量不为零,根据所述监控视频流的下一帧图像更新所述目标图像,对更新后的目标图像进行目标识别,基于识别结果确定所述机场跑道的侵入结果。基于上述配置,可以结合目标跟踪降低目标识别的启动频率,降低电子设备的负担,并且达到实时侵入检测的目的。
在一些可能的实施方式中,所述对所述目标图像进行切割,根据切割结果确定待识别图像,包括:将所述切割结果中的各个图像均确定为所述待识别图像;或,根据所述侵入区域,在所述切割结果中确定所述待识别图像。基于上述配置,可以降低电子设备的计算压力,快速识别出目标图像中可能产生侵入行为的目标。
在一些可能的实施方式中,所述深度神经网络包括特征提取网络、分类识别网络和识别结果输出网络,所述基于深度神经网络对所述待识别图像进行目标识别,得到第一目标位置信息,包括:基于所述特征提取网络对所述待识别图像进行特征提取,得到特征图;基于所述分类识别网络对所述特征图进行分类识别,得到分类识别结果,所述分类识别结果表征所述待识别图像中的目标,以及所述目标属于预设目标的概率;基于所述识别结果输出网络对所述分类识别结果进行筛选处理,得到所述第一目标位置信息。基于上述配置,可以通过深度神经网络对待识别图像进行目标识别,得到该待识别图像中的目标的位置,不易受到干扰,识别结果稳定可靠。
在一些可能的实施方式中,所述方法还包括:根据所述第二目标位置信息,判断是否存在漏识别的目标;响应于存在漏识别的目标,根据所述漏识别的目标,更新所述深度神经网络。基于上述配置,通过不断优化深度神经网络可以降低漏识别概率,提升该深度神经网络进行目标识别的准确度和稳定性。
在一些可能的实施方式中,所述第二目标位置信息包括至少一个检测框,所述方法还包括:获取所述第二目标位置信息中的检测框;将所述检测框显示在所述目标图像上。基于上述配置,将目标图像以及目标图像中目标进行直观表现,便于机场管理人员实时了解机场跑道的侵入情况。
在一些可能的实施方式中,所述方法还包括:若存在目标侵入机场跑道的情况,发出报警信息。基于上述配置,可便于机场管理人员及时了解机场跑道的入侵情况,降低安全风险。
根据本公开的另一些实施例中,提供了一种机场跑道侵入检测装置,所述装置包括:目标图像获取模块,用于获取目标图像,所述目标图像的视野中包括基于机场跑道确定的侵入区域;图像分割模块,用于对所述目标图像进行切割,根据切割结果确定待识别图像,所述待识别图像包括至少两个相邻图像;目标识别模块,用于基于深度神经网络对所述待识别图像进行目标识别,得到第一目标位置信息,所述第一目标位置信息表征所述待识别图像中的目标的位置;识别结果整合模块,用于基于所述相邻图像之间的重合区域和所述第一目标位置信息,确定第二目标位置信息,所述第二目标位置信息表征所述目标图像中的目标的位置;侵入判断模块,用于根据所述第二目标位置信息和所述侵入区域,确定所述机场跑道的侵入结果。
在一些可能的实施方式中,所述识别结果整合模块,包括:映射单元,用于将所述第一目标位置信息映射到所述目标图像,得到目标位置映射信息;融合单元,用于基于所述图像之间的重合区域对所述目标位置映射信息进行融合处理,得到所述第二目标位置信息。
在一些可能的实施方式中,所述目标位置映射信息包括至少两个检测框,每个所述检测框表征对应的目标的位置,所述融合单元,包括:融合目标获取单元,用于获取任一第一检测框和任一第二检测框,所述第一检测框和所述第二检测框为所述目标位置映射信息中相交的两个检测框;相交面积获取单元,用于获取所述第一检测框和所述第二检测框的相交面积;第一待识别图像确定单元,用于根据所述第一检测框,确定第一待识别图像,所述第一检测框通过将所述第一待识别图像对应的第一目标位置信息映射到所述目标图像得到;第二待识别图像确定单元,用于根据所述第二检测框,确定第二待识别图像,所述第二检测框通过将所述第二待识别图像对应的第一目标位置信息映射到所述目标图像得到;重合区域获取单元,用于获取所述第一待识别图像和所述第二待识别图像的重合区域的面积;融合执行单元,用于响应于所述相交面积和所述重合区域的面积符合预设条件,融合所述第一检测框和所述第二检测框;第二目标位置信息确定单元,用于根据融合结果,得到所述第二目标位置信息。
在一些可能的实施方式中,所述第二目标位置信息包括至少一个检测框,所述侵入判断模块,包括:第一目标检测框确定单元,用于将所述第二目标位置信息中,与所述侵入区域相交的检测框确定为第一目标检测框;侵入判断单元,用于响应于所述第一目标检测框数量为零,判定不存在目标侵入所述机场跑道的情况;响应于所述第一目标检测框数量不为零,判定存在目标侵入所述机场跑道的情况。
在一些可能的实施方式中,所述目标图像为监控视频流的当前帧图像,所述目标图像的视野中还包括基于机场跑道确定的实时识别区域,所述装置还包括:第二目标检测框确定模块,用于将所述第二目标位置信息中,与所述实时识别区域相交的检测框确定为第二目标检测框;跟踪模块,用于响应于所述第二目标检测框数量为零,基于所述监控视频流,对所述第二目标位置信息进行跟踪;实时识别模块,用于响应于所述第二目标检测框数量不为零,根据所述监控视频流的下一帧图像更新所述目标图像,对更新后的目标图像进行目标识别,基于识别结果确定所述机场跑道的侵入结果。
在一些可能的实施方式中,所述图像分割模块用于将所述切割结果中的各个图像均确定为所述待识别图像;或,根据所述侵入区域,在所述切割结果中确定所述待识别图像。
在一些可能的实施方式中,所述深度神经网络包括特征提取网络、分类识别网络和识别结果输出网络,所述目标识别模块,包括:特征提取单元,用于基于所述特征提取网络对所述待识别图像进行特征提取,得到特征图;识别单元,用于基于所述分类识别网络对所述特征图进行分类识别,得到分类识别结果,所述分类识别结果表征所述待识别图像中的目标,以及所述目标属于预设目标的概率;识别结果输出单元,用于基于所述识别结果输出网络对所述分类识别结果进行筛选处理,得到所述第一目标位置信息。
在一些可能的实施方式中,所述装置还包括神经网络优化模块,用于根据所述第二目标位置信息,判断是否存在漏识别的目标;响应于存在漏识别的目标,根据所述漏识别的目标,更新所述深度神经网络。
在一些可能的实施方式中,所述第二目标位置信息包括至少一个检测框,所述装置还包括显示模块,用于获取所述第二目标位置信息中的检测框;将所述检测框显示在所述目标图像上。
在一些可能的实施方式中,所述装置还包括报警模块,用于响应于存在目标侵入机场跑道的情况,发出报警信息。
根据本公开的另一些实施例中,还提供了一种电子设备,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令实现如第一方面中任意一项所述的一种机场跑道侵入检测方法。
根据本公开的另一些实施例中,还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由处理器加载并执行以实现第一方面中任意一项所述的一种机场跑道侵入检测方法。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案和优点,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的介绍,显而易见地,下面描述中的附图仅仅是本说明书的一些实施例,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它附图。
图1示出根据本公开实施例的一种机场跑道侵入检测方法的流程图;
图2示出根据本公开实施例的目标图像示意图;
图3示出根据本公开实施例的对目标图像进行切割的示意图;
图4示出根据本公开实施例的确定第二目标位置信息的方法流程示意图;
图5示出根据本公开实施例的目标位置映射信息融合方法流程示意图;
图6示出根据本公开实施例的基于目标跟踪降低目标识别启动频率的方法流程图;
图7示出根据本公开实施例的优化深度神经网络的方法流程图;
图8示出根据本公开实施例的基于上述深度神经网络对上述待识别图像进行目标识别,得到第一目标位置信息的流程示意图;
图9示出根据本公开实施例的机场跑道侵入检测装置的框图;
图10示出根据本公开实施例的一种电子设备的框图;
图11示出根据本公开实施例的另一种电子设备的框图。
具体实施方式
下面将结合本说明书实施例中的附图,对本说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动的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。
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。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
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,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
在智能化机场管控场景中,需要对机场跑道进行侵入监控,达到避免出现安全事故的目的。相关技术中可以通过布设额外的传感器网络强化对机场跑道的侵入监控,这显然引入了额外的硬件成本;也可以依托于人工监控或传统视觉等多种方法对机场跑道进行侵入监控,但是,这些监控的自动化程度低,实时性有限并且对进入机场跑道的目标的识别准确度有限。进一步地,相关技术中对目标的识别准确度还较容易受到相关因素影响,稳定性较差。示例性的,若目标图像中目标过小或过大、拍摄目标图像的光照条件较差或天气环境较差都可能导致目标识别准确度的明显降低。
有鉴于此,本公开实施例提供一种机场跑道侵入检测方法,依赖于深度神经网络可以在不额外引入硬件成本的前提下,对各种情况下的目标图像中的目标进行识别,识别率高并且稳定性强。通过对目标图像进行切割,并对切割出的待识别图像进行目标识别可以降低目标识别的运算量,提升识别速度。根据待识别图像的识别结果判断目标是否侵入机场跑道,从而达到对机场跑道进行高准确度、高稳定性的实时侵入检测的目的。
本公开实施例提供的机场跑道侵入检测方法可以由终端设备、服务器或其它类型的电子设备执行,其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该机场跑道侵入检测方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。下面以电子设备作为执行主体为例对本公开实施例的机场跑道侵入检测方法进行说明。该机场跑道侵入检测方法以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
图1示出根据本公开实施例的一种机场跑道侵入检测方法的流程图,如图1所示,上述方法包括:
S10:获取目标图像,上述目标图像的视野中包括基于机场跑道确定的侵入区域。
在一些可能的实施方式中,该目标图像可以来自监控视频流。可以通过电子设备获取上述监控视频流。或者,电子设备可以从其他设备处获取上述监控视频流,例如,电子设备可以从摄像设备、监控设备等设备处获取上述监控视频流。本公开实施例不限定监控视频流的来源。在一个实施场景中,可以复用机场的云台和摄像设备拍摄机场跑道得到上述监控视频流,从而可以节省硬件成本,提升机场设备的复用率。本公开实施例中可以对单路监控视频流进行侵入检测,也可以并发对多路监控视频流进行侵入检测,对此不做限定。
本公开实施例中并不对目标图像进行限制。在一个实施例中,上述目标图像可以为监控视频流的当前帧图像,对监控视频流中的每帧图像均执行本公开实施例上述的机场跑道侵入检测方法。在另一个实施例中,上述目标图像可以为上述监控视频流中符合预设条件的帧对应的图像,也可以达到机场跑道侵入检测的实时性要求,并在一定程度上降低了电子设备的计算压力。示例性的,该预设条件可以为将上述监控视频流中的关键帧对应的图像确定为上述目标图像,或者将上述监控视频流中图像标识满足预设要求的图像确定为上述目标图像。比如,可以对该监控视频流中的各帧图像顺序编号,得到对应的图像标识,若图像标识能够被预设整数整除,则将该图像标识对应的图像确定为上述目标图像。
本公开实施例中的目标图像至少应当包括基于机场跑道确定的侵入区域,该侵入区域可以位于机场跑道的入口、出口、边缘,也可以围绕上述机场跑道。本公开实施例并不限定侵入区域的具***置,可以根据实际需要进行确定。请参考图2,其示出根据本公开实施例的目标图像示意图。该目标图像中虚线框选部分即为侵入区域,若目标进入该侵入区域则可以判定机场跑道被侵入。本公开实施例并不对目标进行限定,比如该目标可以为车辆、行人、飞机等,可能进入上述侵入区域的物体都可以作为本公开实施例中的目标。
S20:对上述目标图像进行切割,根据切割结果确定待识别图像,上述待识别图像包括至少两个相邻图像。
本公开实施例中可以将目标图像进行切割,得到多个图像。本公开实施例并不限定切割的具体方式,示例性的,可以将该目标图像切割为4个图像、9个图像或16个图像,切割得到的各个图像大小可以相同或不同,本公开实施例不进行具体限定。本公开实施例中相邻的图像存在重叠区域。请参考图3,其示出根据本公开实施例的对目标图像进行切割的示意图。图3中切割得到图像1至图像9,相邻的图像之间的细长矩形表示重合区域。示例性的,图像1和图像2为两个相邻图像,图像1和图像2之间的填充矩形表征图像1和图像2之间的重合区域;图像4和图像7为两个相邻图像,图像4和图像7之间的填充矩形表征图像4和图像7之间的重合区域。
在一个实施例中,可以将上述切割结果中的各个图像均确定为上述待识别图像。
在另一个实施例中,可以根据上述侵入区域,在上述切割结果中确定上述待识别图像。
为了降低电子设备的计算压力,快速识别出目标图像中可能产生侵入行为的目标,可以只将与上述侵入区域距离小于预设阈值的位置所在的图像确定为待识别图像。以图3为例,若侵入区域位于左上角的图像1中,右下角的图像9与该侵入区域相距甚远,可以不对其进行识别,则图像1至图像8被确定为待识别图像。
基于上述配置,可以通过选择部分图像作为待识别图像进行目标识别,快速确定可能产生侵入行为的目标,提升侵入检测速度,降低电子设备压力。
S30:基于深度神经网络对上述待识别图像进行目标识别,得到第一目标位置信息,上述第一目标位置信息表征上述待识别图像中的目标的位置。
本公开实施例中,每个进行目标识别的待识别图像对应一个第一目标位置信息,该第一目标位置信息可以通过检测框表征对目标的识别结果。若该第一目标位置信息不包括检测框,则表征该待识别图像中不存在目标;若该第一目标位置信息包括至少一个检测框,则每个检测框均可以通过包括5个元素的行向量表征。示例性的,该行向量可以包括检测框左上角横坐标、检测框左上角纵坐标、检测框右下角横坐标、检测框右下角纵坐标以及检测框得分,该检测框得分表征该检测框中的目标为预设目标的概率。该预设目标可以为深度神经网络可以识别出的,可能产生侵入行为的物体,比如飞机、车辆、行人等,本公开实施例对此不做限定。该第一目标位置信息的获取方法在下文详述,在此不再赘述。
S40:基于相邻图像之间的重合区域和上述第一目标位置信息,确定第二目标位置信息,上述第二目标位置信息表征上述目标图像中的目标的位置。
本公开实施例中第一目标位置信息表征对应的待识别图像中的目标的位置,基于该第一目标位置信息、以及待识别图像与目标图像的位置关系,可以确定第二目标位置信息,该第二目标位置信息表征上述目标图像中的目标的位置。
在一个实施例中,请参考图4,其示出根据本公开实施例的确定第二目标位置信息的方法流程示意图。上述基于相邻图像之间的重合区域和上述第一目标位置信息,确定第二目标位置信息,包括:
S41:将上述第一目标位置信息映射到上述目标图像,得到目标位置映射信息。
在一个实施例中,对于任意第一目标位置信息,可以确定其对应的待识别图像与目标图像的位置关系,基于该位置关系将该第一目标位置信息映射到上述目标图像,得到上述目标位置映射信息。示例性的,若对图3中的9个图像均进行目标识别,则产生9个第一目标位置信息,将上述9个第一目标位置信息均映射到上述目标图像,可以得到目标位置映射信息。
在一个实施例中,若目标位置映射信息中不包括检测框或只包括一个检测框,则表征目标图像中不存在目标或只存在一个目标,这种情况可以不执行步骤S42。若目标位置映射信息中包括至少两个检测框,则执行步骤S42。基于上述配置,可以降低步骤S42启动频率,提升侵入检测速度。
S42:基于上述相邻图像之间的重合区域对上述目标位置映射信息进行融合处理,得到上述第二目标位置信息。
由于对目标图像进行了切割处理,故可能存在同一个目标在不同的待识别图像中同时出现的情况,以图3为例,可能目标头部出现在图像1而尾部出现在图像2,则图像1对应的第一目标位置信息中包括该目标,而图像2对应的第一目标位置信息中也包括该目标,故在目标位置映射信息中该目标可能被误认为是两个目标,为了避免出现这种情况,本公开实施例进一步对于目标位置映射信息进行融合处理,得到准确的第二目标位置信息。
在一个实施例中,可以根据各个相邻的上述待识别图像之间的重合区域设定一个较为合理的面积阈值,计算上述目标位置映射信息中,存在相交情况的任意两个检测框的相交面积,若该面积大于该面积阈值,则直接对该两个检测框进行融合。当然,本公开实施例并不对该面积阈值进行限定。
在另一个实施例中,请参考图5,其示出根据本公开实施例的目标位置映射信息融合方法流程示意图。上述基于上述相邻图像之间的重合区域对上述目标位置映射信息进行融合处理,得到上述第二目标位置信息,包括:
S421:获取任一第一检测框和任一第二检测框,上述第一检测框和上述第二检测框为上述目标位置映射信息中相交的两个检测框。
本公开实施例将任意相交的两个检测框中的一个确定为第一检测框,另一个确定为第二检测框,执行步骤S422-S427。
S422:获取上述第一检测框和上述第二检测框的相交面积。
本公开实施例中相交面积为上述第一检测框和上述第二检测框重合区域的面积。
S423:根据上述第一检测框,确定第一待识别图像,上述第一检测框通过将上述第一待识别图像对应的第一目标位置信息映射到上述目标图像得到。
示例性的,若待识别图像1对应的第一目标位置信息中包括检测框1、检测框2和检测框3,将该第一目标位置信息映射到上述目标图像得到检测框10、检测框20和检测框30,其中检测框30为该第一检测框,则待识别图像1即为该第一待识别图像。
S424:根据上述第二检测框,确定第二待识别图像,上述第二检测框通过将上述第二待识别图像对应的第一目标位置信息映射到上述目标图像得到。
第二待识别图像确定方法与第一待识别图像确定方法相同,在此不再赘述。
S425:获取上述第一待识别图像和上述第二待识别图像的重合区域的面积。
S426:响应于上述相交面积和上述重合区域的面积符合预设条件,融合上述第一检测框和上述第二检测框。
本公开实施例并不对预设条件进行设定。在一个实施例中,可以计算该相交面积与该重合区域的面积的比值,若该比值大于预设的第一比值,则判定第一检测框中的目标和第二检测框中的目标表征同一个目标,则对该第一检测框和第二检测框进行融合。在另一个实施例中,可以根据该重合区域的面积确定第二比值,若该相交面积与上述第一检测框的面积的比值大于该第二比值,则判定第一检测框中的目标和第二检测框中的目标表征同一个目标,则对该第一检测框和第二检测框进行融合。本公开实施例中并不对第一比值和第二比值进行限定,可以根据实际需要选择合适的值。本公开实施例并不限定融合方式,比如,可以根据上述第一检测框中的第一目标和上述第二检测框中的第二目标确定第一最小矩形,上述第一最小矩形为可以将第一目标和第二目标都包含的面积最小的矩形,将上述第一最小矩形确定为融合结果。再比如,还可以直接根据上述第一检测框和上述第二检测框确定第二最小矩形,上述第二最小矩形可以为将上述第一检测框和上述第二检测框都包含的面积最小的矩形,将上述第二最小矩形确定为融合结果。
S427:根据融合结果,得到上述第二目标位置信息。
执行上述处理后,可以将目标位置映射信息中表征同一个目标的不同检测框融合为唯一对应于该目标的检测框,从而得到第二目标位置信息。当然,本公开实施例并不限定融合的具体方法。
基于上述配置,对目标位置映射信息中任意两个相交的检测框,可以准确根据其相关的待识别图像的重合情况判断该两个相交的检测框是否表征同一个目标,判断准确度较高,从而使得得到的第二目标位置信息中不存在冗余的检测框,提升第二目标位置信息的准确度。
S50:根据上述第二目标位置信息和上述侵入区域,确定上述机场跑道的侵入结果。
在一个实施例中,第二目标位置信息通过检测框表征目标图像中的目标的位置。若该第二目标位置信息不包括检测框,则表征该目标图像中不存在目标,则不存在目标侵入上述机场跑道的情况;若该第二目标位置信息包括至少一个检测框,其中每个检测框均可以通过包括5个元素的行向量表征,该示例性的该行向量可以包括检测框左上角横坐标、检测框左上角纵坐标、检测框右下角横坐标、检测框右下角纵坐标以及检测框得分,该检测框得分表征检测框中的目标为预设目标的概率。
若上述第二目标位置信息包括至少一个检测框,则上述根据上述第二目标位置信息和上述侵入区域,确定上述机场跑道的侵入结果,包括:
S51:将上述第二目标位置信息中,与上述侵入区域相交的检测框确定为第一目标检测框。
本公开实施例中,该第一目标检测框中的目标可以被认为产生了侵入机场跑道的行为。
S52:响应于上述第一目标检测框数量为零,判定不存在目标侵入上述机场跑道的情况。
S53:响应于上述第一目标检测框数量不为零,判定存在目标侵入上述机场跑道的情况。
在一个实施例中,还可以将各个第一目标检测框反馈至上层业务平台,触发上层业务平台的进一步处理,比如以该目标为飞机为例,可以查询侵入飞机的相关信息,进行飞机管控、调配等,本公开实施例对此不做限定。
在另一个实施例中,若判定存在目标侵入上述机场跑道的情况,则发出报警信息,该报警信息可以为文字信息、声音信息或光电信息,该报警信息可以直接发出也可以以消息的形式被推送至相关机场管理人员对应的电子设备,本公开实施例对此不做限定。
在另一个实施例中,若判断存在目标侵入上述机场跑道的情况,还可以根据目标的类型和/或侵入程度,选用相应的报警方式进行报警。例如,在基于深度神经网络对待识别图像进行目标识别时,若识别到目标,还将确定目标的类型,确定目标是人、飞机、车辆等;若该目标侵入上述机场跑道,则可根据目标的类型选用相应的报警方式进行报警,若是人侵入机场跑道,同时采用文字信息和声音信息进行报警,若是飞机侵入机场跑道,采用文字信息进行报警。又例如,在判断存在目标侵入时,还可以确定目标侵入程度,目标是部分处于机场跑道内还是全部处于机场跑道内;若目标是部分处于机场跑道内,采用文字信息进行报警,若目标全部处于机场跑道内,采用文字信息和声音信息进行报警。当然上述两种方式也可以结合使用,此处不再赘述。
在另一个实施例中,还可以根据该目标侵入上述机场跑道的情况生成日志信息,对该日志信息进行存储,以便于进行相关的日志分析。
基于上述配置,可以通过第二目标位置信息中的检测框与侵入区域的相交情况判断是否存在目标侵入机场跑道的情况,判据简单,执行效率高,可以快速准确得到侵入检测结果。
在一个实施例中,还可以获取上述第二目标位置信息中的检测框;将上述检测框显示在上述目标图像上。请参考图2,图2中所示的目标图像中包括三个目标(飞机),这三个目标对应的检测框显示在该目标图像上,从而通过检测框将目标图像以及目标图像中目标进行直观的可视化表达,便于机场管理人员实时了解机场跑道的侵入情况。
本公开实施例提供的机场跑道侵入检测方法,可以在不额外引入硬件成本的前提下,通过对目标图像进行切割,降低目标识别的运算量,对切割出的待识别图像进行基于深度神经网络的目标识别,可以充分利用深度神经网络的优势提升目标识别准确度,保证侵入检测的稳定可靠。
本公开实施例中机场跑道侵入检测方法可以实时对于至少一路监控视频流进行侵入检测,侵入检测依赖于目标识别,而目标识别依赖于深度神经网络,这可能产生较大的运算压力。为了降低目标识别的启动频率,同时又能够实时检测到侵入机场跑道的目标。本公开实施例可以在上述第二目标位置信息中包括至少一个检测框的情况下,基于目标跟踪降低目标识别的启动频率。请参考图6,其示出根据本公开实施例基于目标跟踪降低目标识别启动频率的方法流程图,包括:
S60.将上述第二目标位置信息中,与上述实时识别区域相交的检测框确定为第二目标检测框。
本公开实施例中实时识别区域基于机场跑道确定,并且位于目标图像的视野中。该实时识别区域可以被认为是与侵入区域距离较近的一个区域或围绕侵入区域的一个区域,本公开实施例并不限定实时识别区域的具***置。
若第二目标检测框数量为零,则可以认为不存在侵入实时识别区域的目标,若上述第二目标检测框数量不为零,则可以认为存在侵入实时识别区域的目标。
若目标侵入该实时识别区域可以认为该目标可能即将产生侵入机场跑道的行为,应该对于该目标的行为进行实时的密切监视;若目标尚未侵入该实时识别区域,可以认为目标暂时不会产生侵入机场跑道的行为,可以对该目标进行跟踪,待其侵入该实时识别区域后再对其进行实时的密切监视。本公开实施例可以基于相关技术中的目标跟踪算法进行目标的跟踪,目标跟踪相较于目标识别执行速度更快,对电子设备产生的运算压力也相对较小,通过结合目标跟踪可以降低目标识别的启动频率,并且不影响对目标侵入机场跑道行为的实时监控。
S70.响应于上述第二目标检测框数量为零,基于上述监控视频流,对上述第二目标位置信息进行跟踪。
本公开实施例对于上述第二目标位置信息进行跟踪可以被理解为对上述第二目标位置信息指示的目标进行跟踪。这种情况下不存在侵入实时识别区域的目标,也可以认为目标图像中的目标距离侵入区域都较远,这种情况下可以基于上述监控视频流,对该目标图像中的目标进行持续跟踪,直至满足实时识别触发条件。本公开实施例中目标图像可以为监控视频流的当前帧图像,持续跟踪的过程就是在后续的帧图像中对上述第二目标位置信息指示的目标进行跟踪。本公开实施例并不对实时识别触发条件进行限定,示例性的,该实时识别触发条件可以为该目标侵入该实时识别区域,或者达到预设的实时识别启动时间。当该目标识别触发条件被满足后,可以根据上述监控视频流的下一帧图像更新上述目标图像,对更新后的目标图像进行目标识别,基于识别结果确定机场跑道的侵入结果,也就是说,对于下一帧图像重复执行步骤S10-S50。
S80.响应于上述第二目标检测框数量不为零,根据上述监控视频流的下一帧图像更新上述目标图像,对更新后的上述目标图像进行目标识别,基于识别结果确定上述机场跑道的侵入结果。
这一步骤与目标识别触发条件被满足的执行逻辑相同,在此不做赘述。
基于上述配置,可以结合目标跟踪降低目标识别的启动频率,降低电子设备的负担,并且达到实时侵入检测的目的。
本公开实施例中基于深度神经网络对目标图像进行目标识别,深度神经网络可以通过不断优化提升其识别目标的能力。请参考图7,其示出根据本公开实施例优化深度神经网络的方法流程图,包括:
S60-1.根据上述第二目标位置信息,判断是否存在漏识别的目标。
本公开实施例并不限定漏识别的目标的发现方法,可以人工发现,也可以根据相关的机场管控信息发现。
S70-1.响应于存在漏识别的目标,根据上述漏识别的目标,得到第二样本图像以及对应于上述第二样本图像的标签;基于上述第二样本图像以及上述对应于上述第二样本图像的标签,更新上述深度神经网络。
对于漏识别的目标,本公开实施例可以将该漏识别的目标所在的目标图像确定为上述第二样本图像,并确定对应于该第二样本图像的标签,该标签表征上述第二样本图像中的目标的位置以及对应的预设目标。
本公开实施例中上述第二样本图像以及对应于上述第二样本图像的标签,形成了深度神经网络的训练样本,根据该训练样本可以更新该深度神经网络的参数,从而可以使得更新后的该深度神经网络具备识别该漏识别的目标的能力,通过不断优化深度神经网络可以提升目标识别精度,降低漏识别概率。以目标为飞机为例,在实际应用中,飞机在目标图像中的大小、位置,姿态、飞机型号、天气情况、光照情况等诸多因素都可能影响目标识别准确度,造成漏识别,通过在漏识别情况下的生成训练样本,不断优化深度神经网络可以使得上述因素对上述深度神经网络的影响逐渐降低,提升该深度神经网络进行目标识别的准确度和稳定性。
本公开实施例并不限定深度神经网络的具体结构,其可以根据YOLO(You OnlyLook Once)模型、多分类单杆检测器(Single Shot MultiBox Detector,SSD)或快速目标识别卷积神经网络R-CNN、FastR-CNN、Faster RCNN系列中的至少一种得到。
在一个实施例中,该深度神经网络可以以YOLO模型作为基础模型的改进得到。示例性的,其可以包括输入层、卷积层、归一化层、激活层等结构,对此,本公开实施例不做赘述。
在另一个实施例中,上述深度神经网络可以包括顺序连接的特征提取网络、分类识别网络和识别结果输出网络。请参考图8,其示出根据本公开实施例的基于上述深度神经网络对上述待识别图像进行目标识别,得到第一目标位置信息的流程示意图,包括:
S101.基于上述特征提取网络对上述待识别图像进行特征提取,得到特征图。
本公开实施例并不对特征提取网络的具体结构进行限定,示例性的,其可以包括至少一个卷积层,每个卷积层可以由由卷积核的权值和偏置项构成。在一个卷积层中,输入数据首先经卷积核进行卷积计算,然后通过激活函数得到输出的特征图,特征图可以是组合卷积多个通道的特征信息得到的结果。
S102.基于上述分类识别网络对上述特征图进行分类识别,得到分类识别结果,上述分类识别结果表征上述待识别图像中的目标,以及上述目标属于预设目标的概率。
本公开实施例中并不限定分类识别网络的具体结构,示例性的,其可以包括上采样层、卷积集和全连接层。以预设目标是飞机为例,本公开实施例中检测的目标是飞机,因此分类识别结果可以直接表征各个目标的位置,以及每个目标属于飞机的概率,若该概率高于预设阈值,可以认为该目标为飞机。
S103.基于上述识别结果输出网络对上述分类识别结果进行筛选处理,得到上述第一目标位置信息。
在一个实施例中,上述识别结果输出网络通过预设的概率阈值对上述分类识别结果进行筛选。若上述分类识别结果中的目标对应的概率大于该概率阈值,则予以保留,否则删除该目标。根据筛选后的目标生成第一目标位置信息。该第一目标位置信息具体内容参考前文,在此不再赘述。本公开实施例中并不限定该概率阈值的具体数值,可以根据实际经验进行设定。
基于上述配置,可以通过深度神经网络对待识别图像进行目标识别,得到该待识别图像中的目标的位置,不易受到干扰,识别结果稳定可靠。
下面对训练神经网络的过程进行说明,示出训练神经网络的方法,上述方法包括:
S201.获取第一样本图像和对应于上述第一样本图像的标签,上述标签表征上述第一样本图像中的目标,以及上述目标是否属于预设目标。
本公开实施例并不限定第一样本图像的数量和获取方法。可以通过丰富第一样本图像的方式,提升深度神经网络的目标识别能力。以该预设目标是飞机为例,第一样本图像可以涵盖多种飞机型号、飞机位置、飞机姿态和飞机视角,还可以通过获取不同天气情况下,不同光照条件下的第一样本图像提升深度神经网络对不同自然环境下的飞机的识别能力。
S202.基于上述特征提取网络对上述第一样本图像进行特征提取,得到样本特征图。
S203.基于上述分类识别网络对上述样本特征图进行分类识别,得到样本分类识别结果。
S204.根据上述样本分类识别结果和上述标签计算损失。
仍然以预设目标为飞机为例,上述损失可以包括分类损失和位置损失,上述分类损失用于衡量样本分类识别结果中目标属于飞机的概率与该目标对应的标签的内容差异。分类损失越小,说明对飞机的类型识别越准确。具体计算时,可采用预设的分类损失函数实现。上述位置损失用于衡量样本分类识别结果中目标的位置与该目标对应的标签的位置差异。位置损失越小,说明对飞机的定位越准确。具体计算时,可采用预设的定位损失函数实现。
S205.基于上述损失,反馈调整上述特征提取网络和上述分类识别网络的参数。
在一些可行的实施方式中,可以采用反向传播法,基于上述损失对上述特征提取网络和上述分类识别网络进行联合训练,直至损失收敛到预设值,训练结束,确认此时的深度神经网络符合要求,能够实现目标检测。本公开中不限定该预设值的具体数值和设定方法。
基于上述配置,可以对深度神经网络进行训练,使得该深度神经网络具备稳定精准识别目标的能力。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了机场跑道侵入检测装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种一种机场跑道侵入检测方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图9示出根据本公开实施例的一种机场跑道侵入检测装置;如图9所示,上述装置包括:
目标图像获取模块10,用于获取目标图像,上述目标图像的视野中包括基于机场跑道确定的侵入区域;
图像分割模块20,用于对上述目标图像进行切割,根据切割结果确定待识别图像,所述待识别图像包括至少两个相邻图像;
目标识别模块30,用于基于深度神经网络对上述待识别图像进行目标识别,得到第一目标位置信息,上述第一目标位置信息表征上述待识别图像中的目标的位置;
识别结果整合模块40,用于根据切割结果得到至少两个相邻的待识别图像,基于上述相邻图像之间的重合区域和上述第一目标位置信息,确定第二目标位置信息,上述第二目标位置信息表征上述目标图像中的目标的位置;
侵入判断模块50,用于根据上述第二目标位置信息和上述侵入区域,确定上述机场跑道的侵入结果。
在一些可能的实施方式中,上述识别结果整合模块,包括:映射单元,用于将上述第一目标位置信息映射到上述目标图像,得到目标位置映射信息;融合单元,用于基于上述相邻图像之间的重合区域对上述目标位置映射信息进行融合处理,得到上述第二目标位置信息。
在一些可能的实施方式中,上述目标位置映射信息包括至少两个检测框,每个上述检测框表征对应的目标的位置,上述融合单元,包括:融合目标获取单元,用于获取任一第一检测框和任一第二检测框,上述第一检测框和上述第二检测框为上述目标位置映射信息中相交的两个检测框;相交面积获取单元,用于获取上述第一检测框和上述第二检测框的相交面积;第一待识别图像确定单元,用于根据上述第一检测框,确定第一待识别图像,上述第一检测框通过将上述第一待识别图像对应的第一目标位置信息映射到上述目标图像得到;第二待识别图像确定单元,用于根据上述第二检测框,确定第二待识别图像,上述第二检测框通过将上述第二待识别图像对应的第一目标位置信息映射到上述目标图像得到;重合区域获取单元,用于获取上述第一待识别图像和上述第二待识别图像的重合区域的面积;融合执行单元,用于响应于上述相交面积和上述重合区域的面积符合预设条件,融合上述第一检测框和上述第二检测框;第二目标位置信息确定单元,用于根据融合结果,得到上述第二目标位置信息。
在一些可能的实施方式中,上述第二目标位置信息包括至少一个检测框,上述侵入判断模块,包括:第一目标检测框确定单元,用于将上述第二目标位置信息中,与上述侵入区域相交的检测框确定为第一目标检测框;侵入判断单元,用于响应于上述第一目标检测框数量为零,判定不存在目标侵入上述机场跑道的情况;响应于上述第一目标检测框数量不为零,判定存在目标侵入上述机场跑道的情况。
在一些可能的实施方式中,上述目标图像为监控视频流的当前帧图像,上述目标图像的视野中还包括基于机场跑道确定的实时识别区域,上述装置还包括:第二目标检测框确定模块,用于将上述第二目标位置信息中,与上述实时识别区域相交的检测框确定为第二目标检测框;跟踪模块,用于响应于上述第二目标检测框数量为零,基于上述监控视频流,对上述第二目标位置信息进行跟踪;实时识别模块,用于响应于上述第二目标检测框数量不为零,根据上述监控视频流的下一帧图像更新上述目标图像,对更新后的目标图像进行目标识别,基于识别结果确定上述机场跑道的侵入结果。
在一些可能的实施方式中,上述图像分割模块用于将上述切割结果中的各个图像均确定为上述待识别图像;或,根据上述侵入区域,在上述切割结果中确定上述待识别图像。
在一些可能的实施方式中,上述深度神经网络包括特征提取网络、分类识别网络和识别结果输出网络,上述目标识别模块,包括:特征提取单元,用于基于上述特征提取网络对上述待识别图像进行特征提取,得到特征图;识别单元,用于基于上述分类识别网络对上述特征图进行分类识别,得到分类识别结果,上述分类识别结果表征上述待识别图像中的目标,以及上述目标属于预设目标的概率;识别结果输出单元,用于基于上述识别结果输出网络对上述分类识别结果进行筛选处理,得到上述第一目标位置信息。
在一些可能的实施方式中,上述装置还包括神经网络优化模块,用于根据上述第二目标位置信息,判断是否存在漏识别的目标;响应于存在漏识别的目标,则根据上述漏识别的目标,更新上述深度神经网络。
在一些可能的实施方式中,上述第二目标位置信息包括至少一个检测框,上述装置还包括显示模块,用于获取上述第二目标位置信息中的检测框;将上述检测框显示在上述目标图像上。
在一些可能的实施方式中,上述装置还包括报警模块,用于响应于存在目标侵入机场跑道的情况,发出报警信息。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,上述计算机可读存储介质中存储有至少一条指令或至少一段程序,上述至少一条指令或至少一段程序由处理器加载并执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,上述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图10示出根据本公开实施例的一种电子设备的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图10,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在上述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。上述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与上述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如上述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G、3G、4G、5G或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,上述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图11示出根据本公开实施例的另一种电子设备的框图。例如,电子设备1900可以被提供为一服务器。参照图11,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,上述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,上述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (11)
1.一种机场跑道侵入检测方法,其特征在于,所述方法包括:
获取目标图像,所述目标图像的视野中包括基于机场跑道确定的侵入区域;
对所述目标图像进行切割,根据切割结果确定待识别图像,所述待识别图像包括至少两个相邻图像;
基于深度神经网络对所述待识别图像进行目标识别,得到第一目标位置信息,所述第一目标位置信息表征所述待识别图像中的目标的位置;
将所述第一目标位置信息映射到所述目标图像,得到目标位置映射信息,所述目标位置映射信息包括至少两个检测框,每个所述检测框表征对应的目标的位置;
获取任一第一检测框和任一第二检测框,所述第一检测框和所述第二检测框为所述目标位置映射信息中相交的两个检测框;
获取所述第一检测框和所述第二检测框的相交面积;
根据所述第一检测框,确定第一待识别图像,所述第一检测框通过将所述第一待识别图像对应的第一目标位置信息映射到所述目标图像得到;
根据所述第二检测框,确定第二待识别图像,所述第二检测框通过将所述第二待识别图像对应的第一目标位置信息映射到所述目标图像得到;
获取所述第一待识别图像和所述第二待识别图像的重合区域的面积;
响应于所述相交面积和所述重合区域的面积符合预设条件,融合所述第一检测框和所述第二检测框;
根据融合结果,得到第二目标位置信息,所述第二目标位置信息表征所述目标图像中的目标的位置;
根据所述第二目标位置信息和所述侵入区域,确定所述机场跑道的侵入结果。
2.根据权利要求1所述的方法,其特征在于,所述第二目标位置信息包括至少一个检测框,所述根据所述第二目标位置信息和所述侵入区域,确定所述机场跑道的侵入结果,包括:
将所述第二目标位置信息中,与所述侵入区域相交的检测框确定为第一目标检测框;
响应于所述第一目标检测框数量为零,判定不存在目标侵入所述机场跑道的情况;
响应于所述第一目标检测框数量不为零,判定存在目标侵入所述机场跑道的情况。
3.根据权利要求2中所述的方法,其特征在于,所述目标图像为监控视频流的当前帧图像,所述目标图像的视野中还包括基于机场跑道确定的实时识别区域,所述方法还包括:
将所述第二目标位置信息中,与所述实时识别区域相交的检测框确定为第二目标检测框;
响应于所述第二目标检测框数量为零,基于所述监控视频流,对所述第二目标位置信息进行跟踪;
响应于所述第二目标检测框数量不为零,根据所述监控视频流的下一帧图像更新所述目标图像,对更新后的目标图像进行目标识别,基于识别结果确定所述机场跑道的侵入结果。
4.根据权利要求1-3中任意一项所述的方法,其特征在于,所述根据切割结果确定待识别图像,包括:
将所述切割结果中的各个图像均确定为所述待识别图像;
或,
根据所述侵入区域,在所述切割结果中确定所述待识别图像。
5.根据权利要求1所述的方法,其特征在于,所述深度神经网络包括特征提取网络、分类识别网络和识别结果输出网络,所述基于深度神经网络对所述待识别图像进行目标识别,得到第一目标位置信息,包括:
基于所述特征提取网络对所述待识别图像进行特征提取,得到特征图;
基于所述分类识别网络对所述特征图进行分类识别,得到分类识别结果,所述分类识别结果表征所述待识别图像中的目标,以及所述目标属于预设目标的概率;
基于所述识别结果输出网络对所述分类识别结果进行筛选处理,得到所述第一目标位置信息。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述第二目标位置信息,判断是否存在漏识别的目标;
响应于存在漏识别的目标,根据所述漏识别的目标,更新所述深度神经网络。
7.根据权利要求1所述的方法,其特征在于,所述第二目标位置信息包括至少一个检测框,所述方法还包括:
获取所述第二目标位置信息中的检测框;
将所述检测框显示在所述目标图像上。
8.根据权利要求2或3所述的方法,其特征在于,所述方法还包括:
响应于存在目标侵入机场跑道的情况,发出报警信息。
9.一种机场跑道侵入检测装置,其特征在于,所述装置包括:
目标图像获取模块,用于获取目标图像,所述目标图像的视野中包括基于机场跑道确定的侵入区域;
图像分割模块,用于对所述目标图像进行切割,根据切割结果确定待识别图像,所述待识别图像包括至少两个相邻图像;
目标识别模块,用于基于深度神经网络对所述待识别图像进行目标识别,得到第一目标位置信息,所述第一目标位置信息表征所述待识别图像中的目标的位置;
识别结果整合模块,用于将所述第一目标位置信息映射到所述目标图像,得到目标位置映射信息,所述目标位置映射信息包括至少两个检测框,每个所述检测框表征对应的目标的位置;获取任一第一检测框和任一第二检测框,所述第一检测框和所述第二检测框为所述目标位置映射信息中相交的两个检测框;获取所述第一检测框和所述第二检测框的相交面积;根据所述第一检测框,确定第一待识别图像,所述第一检测框通过将所述第一待识别图像对应的第一目标位置信息映射到所述目标图像得到;根据所述第二检测框,确定第二待识别图像,所述第二检测框通过将所述第二待识别图像对应的第一目标位置信息映射到所述目标图像得到;获取所述第一待识别图像和所述第二待识别图像的重合区域的面积;响应于所述相交面积和所述重合区域的面积符合预设条件,融合所述第一检测框和所述第二检测框;根据融合结果,得到第二目标位置信息,所述第二目标位置信息表征所述目标图像中的目标的位置;
侵入判断模块,用于根据所述第二目标位置信息和所述侵入区域,确定所述机场跑道的侵入结果。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由处理器加载并执行以实现如权利要求1-8中任意一项所述的一种机场跑道侵入检测方法。
11.一种电子设备,其特征在于,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令实现如权利要求1-8中任意一项所述的一种机场跑道侵入检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110711431.9A CN113344900B (zh) | 2021-06-25 | 2021-06-25 | 机场跑道侵入检测方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110711431.9A CN113344900B (zh) | 2021-06-25 | 2021-06-25 | 机场跑道侵入检测方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344900A CN113344900A (zh) | 2021-09-03 |
CN113344900B true CN113344900B (zh) | 2023-04-18 |
Family
ID=77478889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110711431.9A Active CN113344900B (zh) | 2021-06-25 | 2021-06-25 | 机场跑道侵入检测方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344900B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117133020B (zh) * | 2023-10-26 | 2024-01-19 | 湖北华中电力科技开发有限责任公司 | 基于图像大数据的电网设施异常检测与处理方法及*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019232831A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技(深圳)有限公司 | 机场异物识别方法、装置、计算机设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871124B (zh) * | 2017-11-15 | 2018-08-10 | 陕西师范大学 | 一种基于深度神经网络的遥感图像目标检测方法 |
CN111178283B (zh) * | 2019-12-31 | 2023-07-25 | 哈尔滨工业大学(深圳) | 一种基于无人机图像的既定航线地物识别与定位方法 |
CN111951328A (zh) * | 2020-08-05 | 2020-11-17 | 清华大学苏州汽车研究院(吴江) | 一种物***置检测方法、装置、设备和存储介质 |
CN111813997B (zh) * | 2020-09-08 | 2020-12-29 | 平安国际智慧城市科技股份有限公司 | 入侵分析方法、装置、设备及存储介质 |
CN112232368B (zh) * | 2020-09-10 | 2023-09-01 | 浙江大华技术股份有限公司 | 目标识别模型训练方法、目标识别方法及其相关装置 |
CN112668496A (zh) * | 2020-12-31 | 2021-04-16 | 深圳市商汤科技有限公司 | 入侵检测方法、装置、设备及存储介质 |
-
2021
- 2021-06-25 CN CN202110711431.9A patent/CN113344900B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019232831A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技(深圳)有限公司 | 机场异物识别方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
Lilei Huang et al..Invasion detection on transmission lines using saliency computation.《IEEE Xplore》.2016,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113344900A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3163498B1 (en) | Alarming method and device | |
US20200401857A1 (en) | Image processing method and apparatus, electronic device, and storage medium | |
EP3249631B1 (en) | Method and device for controlling unmanned aerial vehicle | |
CN110956061B (zh) | 动作识别方法及装置、驾驶员状态分析方法及装置 | |
CN110895861B (zh) | 异常行为预警方法、装置、监控设备和存储介质 | |
US11288531B2 (en) | Image processing method and apparatus, electronic device, and storage medium | |
CN111274426B (zh) | 类别标注方法及装置、电子设备和存储介质 | |
US20210192239A1 (en) | Method for recognizing indication information of an indicator light, electronic apparatus and storage medium | |
US20150094118A1 (en) | Mobile device edge view display insert | |
CN108600656B (zh) | 在视频中添加面部标签的方法及装置 | |
CN111104920B (zh) | 视频处理方法及装置、电子设备和存储介质 | |
CN110674719A (zh) | 目标对象匹配方法及装置、电子设备和存储介质 | |
CN113011290A (zh) | 事件检测方法及装置、电子设备和存储介质 | |
CN109635142B (zh) | 图像选择方法及装置、电子设备和存储介质 | |
WO2021213241A1 (zh) | 目标检测方法及装置、电子设备、存储介质及程序 | |
CN108347482B (zh) | 信息采集方法及装置 | |
CN110990801B (zh) | 信息校验方法及装置、电子设备和存储介质 | |
CN109671051B (zh) | 图像质量检测模型训练方法及装置、电子设备和存储介质 | |
CN111435422B (zh) | 动作识别方法、控制方法及装置、电子设备和存储介质 | |
US11574415B2 (en) | Method and apparatus for determining an icon position | |
CN112818844A (zh) | 安检异常事件检测方法及装置、电子设备和存储介质 | |
KR20220110743A (ko) | 통행 검출 방법 및 장치, 전자 기기 및 컴퓨터 판독 가능 저장 매체 | |
CN113344900B (zh) | 机场跑道侵入检测方法、装置、存储介质及电子设备 | |
CN114882681A (zh) | 工单处理方法及装置、电子设备和存储介质 | |
CN114419572A (zh) | 多雷达目标检测方法、装置、电子设备及存储介质 |
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 |