目标对象的检测方法及装置、存储介质、终端与流程

1.本发明涉及图像处理技术领域，具体而言，涉及一种目标对象的检测方法及装置、存储介质、终端。


背景技术：

2.相关技术中，在检测道路、公园等区域中的异物或障碍物(如道路砂石、树枝等)时，一般是通过运动目标检测方法检测得到的，这种检测方式往往是针对较大的物体，如道路上行驶的车辆、道路上的行人等进行检测，实现大型异物或障碍物的检测；但是由于道路异物种类繁多、尺寸形状不一、颜色各异，无法对异物进行标定，因此对尺寸较小、形状变化较大、颜色和背景接近的异物检测准确率较低，导致异物检测效果不理想，且道路光影会对检测效果造成较大影响。
3.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

4.本发明实施例提供了一种目标对象的检测方法及装置、存储介质、终端，以至少解决相关技术中对道路上的异物检测准确率较低，导致异物检测效果不理想的技术问题。
5.根据本发明实施例的一个方面，提供了一种目标对象的检测方法，包括：获取待识别图像；将所述待识别图像输入至第一粒度机器学习模型，输出第一背景图，以及将所述待识别图像输入至第二粒度机器学习模型，输出第二背景图，其中，所述第一粒度机器学习模型的第一更新周期大于所述第二粒度机器学习模型的第二更新周期；基于所述第一背景图和所述第二背景图的对比结果，确定目标对象。
6.根据本发明实施例的另一方面，还提供了一种目标对象的检测装置，包括：获取单元，用于获取待识别图像；输入单元，用于将所述待识别图像输入至第一粒度机器学习模型，输出第一背景图，以及将所述待识别图像输入至第二粒度机器学习模型，输出第二背景图，其中，所述第一粒度机器学习模型的第一更新周期大于所述第二粒度机器学习模型的第二更新周期；确定单元，用于基于所述第一背景图和所述第二背景图的对比结果，确定目标对象。
7.根据本发明实施例的另一方面，还提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述任意一项所述的目标对象的检测方法。
8.根据本发明实施例的另一方面，还提供了一种终端，包括：第一装置；第二装置；第三装置；处理器，所述处理器运行程序，其中，所述程序运行时对于从所述第一装置、第二装置和第三装置输出的数据执行如下处理步骤：第一步骤，获取待识别图像；第二步骤，将所述待识别图像输入至第一粒度机器学习模型，输出第一背景图，以及将所述待识别图像输入至第二粒度机器学习模型，输出第二背景图，其中，所述第一粒度机器学习模型的第一更新周期大于所述第二粒度机器学习模型的第二更新周期；以及，第三步骤，基于所述第一背
景图和所述第二背景图的对比结果，确定目标对象。
9.本技术可应用于道路异物检测/交通指示路标检测，通过图像采集设备采集道路监控视频，然后对视频进行解码，得到道路监控图像，同时可基于深度学习进行背景建模，分别对应于稳定性物体的第一粒度机器学习模型和对应于非稳定存在物体的第二粒度机器学习模型，通过该第一粒度机器学习模型可以分析对应稳定存在物体的第一背景图，并通过第二粒度机器学习模型分析非稳定存在物体的第二背景图，最后通过对比第一背景图和第二背景图，能查询出道路上是否存在目标对象。
10.在本发明实施例中，采用先获取待识别图像，将待识别图像输入至第一粒度机器学习模型，输出第一背景图，以及将待识别图像输入至第二粒度机器学习模型，输出第二背景图，基于第一背景图和第二背景图的对比结果，确定目标对象。在该实施例中，可以通过基于深度学习方法建立场景的第一粒度机器学习模型和第二粒度机器学习模型，通过这两种模型对输入图像中的异物进行精准检测，通过模型对比输出图像中的异物对象，提高对象检测效果，从而解决相关技术中对道路上的异物检测准确率较低，导致异物检测效果不理想的技术问题。
附图说明
11.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，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：
12.图1是根据本发明实施例的一种实现目标对象的检测方法的计算机终端的示意图；
13.图2是根据本发明实施例一的一种可选的目标对象的检测方法的流程图；
14.图3是根据本技术实施例的通过第一粒度机器学习模型分析得到的可选的第一背景图的示意图；
15.图4是根据本技术实施例的另一种可选的通过第二粒度机器学习模型分析得到的第二背景图的示意图；
16.图5是根据本发明实施例的一种可选的分析道路异物的示意图；
17.图6是根据本发明实施例的一种可选的检测道路交通指示路标的示意图；
18.图7是根据本发明实施例的一种可选的目标对象的检测装置的示意图；
19.图8是根据本发明实施例的另一种可选的计算机终端的结构框图。
具体实施方式
20.为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
21.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、系统、产品或设备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。
22.首先，在对本技术实施例进行描述的过程中出现的部分名词或术语适用于如下解释：
23.深度学习，deep learning，是机器学习的分支，使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。深度学习是机器学习中表征学习方法。观测值(例如一幅图像)可以使用多种方式来表示，如每个像素强度值的矢量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如，人脸识别或面部表情识别)。深度学习的好处是将用非监督式或半监督式的特征学习和分层特征提取的高效算法来替代手工获取特征。
24.机器学习，machine learning，一种涉及多领域的交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。
25.计算机视觉，computer vision，是一种研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图像处理，用计算机处理成为更适合人眼观察或传送给仪器检测的图像。作为一門科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。
26.高斯模型，通过高斯概率密度函数(正态分布曲线)精确地量化事物，将一个事物分解为若干的基于高斯概率密度函数形成的模型。在建立高斯模型过程中，通过图像灰度直方图反映图像中某个灰度值出现的频次，也可以是图像灰度概率密度的估计。
27.混合高斯模型，是使用k个高斯模型来表征图像中各个像素点的特征，在新一帧图像获得后更新混合高斯模型，用当前图像中的每个像素点与混合高斯模型匹配，如果成功则判断该点为背景点，否则为前景点。
28.本技术所要解决的技术问题包括：1.对图像中尺寸较小、形状变化较大、颜色和背景接近的异物检测效果不理想；2.道路光影会对检测效果造成较大影响。
29.本技术应用了上述的计算机视觉分析技术和深度学习技术，通过建立的深度模型来对拍摄的道路图像进行分析，减少道路光影对检测效果的影响，提高检测准确度，以提高道路异物/交通路标的检测效果。下面结合各实施例来详细说明本技术。
30.实施例1
31.根据本发明实施例，还提供了一种目标对象的检测方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
32.本技术实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现目标对象的检测方法的计算机终端(或移动设备)的硬件结构框图。如图1所示，计算机终端10(或移动设备10)可以包括一个或多个(图中采
用102a、102b，
……
，102n来示出)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)、用于存储数据的存储器104、以及用于通信功能的传输模块106。除此以外，还可以包括：显示器、输入/输出接口(i/o接口)、通用串行总线(usb)端口(可以作为bus总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。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所示不同的配置。
33.应当注意到的是上述一个或多个处理器102和/或其它数据处理电路在本技术中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本技术实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
34.存储器104可用于存储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检测方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的目标对象的检测方法。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。
35.传输模块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，传输模块106包括一个网络适配器(network interface controller，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，传输模块106可以为射频(radio frequency，rf)模块，其用于通过无线方式与互联网进行通讯。
36.显示器可以例如触摸屏式的液晶显示器(lcd)，该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。
37.在上述运行环境下，本技术提供了如图2所示的目标对象的检测方法。图2是根据本发明实施例一的一种可选的目标对象的检测方法的流程图，如图2所示，该检测方法包括：
38.步骤s202，获取待识别图像；
39.步骤s204，将待识别图像输入至第一粒度机器学习模型，输出第一背景图，以及将待识别图像输入至第二粒度机器学习模型，输出第二背景图，其中，第一粒度机器学习模型的第一更新周期大于第二粒度机器学习模型的第二更新周期；
40.步骤s206，基于第一背景图和第二背景图的对比结果，确定目标对象。
41.通过上述步骤，可以先获取待识别图像，将待识别图像输入至第一粒度机器学习模型，输出第一背景图，以及将待识别图像输入至第二粒度机器学习模型，输出第二背景图，基于第一背景图和第二背景图的对比结果，确定目标对象。在该实施例中，可以通过基于深度学习方法建立场景的第一粒度机器学习模型和第二粒度机器学习模型，通过这两种模型对输入图像中的异物进行精准检测，通过模型对比输出图像中的异物对象，提高对象
检测效果，从而解决相关技术中对道路上的异物检测准确率较低，导致异物检测效果不理想的技术问题。
42.可选的，本技术提供的目标对象的检测方法可应用于道路障碍物检测场景，目标对象为道路异物或者道路障碍物，该道路障碍物是指城市或高速道路上不应该出现的物体，比如坏旧轮胎、垃圾、泥沙、石头等障碍物。
43.下面结合上述各步骤来详细说明本发明。
44.步骤s202，获取待识别图像。
45.在本技术中，获取待识别图像包括：获取通过图像采集设备采集到的视频文件；对视频文件进行解码处理，得到待识别图像。
46.图像采集设备包括但不限于：道路视频监测器(可以与道路补光装置相连)、道路监测终端(远程与图像存储服务器连接)、摄像头。通过该图像采集设备拍摄道路、公园、厂房等区域的视频，并将拍摄到的视频文件发送到图像解析服务器或者解析终端，对视频文件进行解码处理，得到待识别图像。
47.本技术中，在对视频文件进行解码处理时，包括：对视频划分多个图像帧，提取每个图像帧中的图像；对多帧图像进行图像预处理(例如，图像模糊识别、图像去噪、图像二值化、图像模块化分析)，将模糊不清、图像缺失、图像亮度较低的图像删除，保留剩下的图像，并将保留的图像作为待识别图像。
48.本技术实施例采用机器学习模型对待识别图像进行识别、处理、分析。可选的，在本技术实施例中，目标对象的检测方法还包括：基于混合高斯模型建立第一粒度机器学习模型和第二粒度机器学习模型。
49.上述的第一粒度机器学习模型可理解为长期模型(模型学习/更新过程中，背景图中物体相对更稳定，如固定道路、房子等相对稳定的目标)，第二粒度机器学习模型可理解为短期模型(模型学习/更新过程中，背景图中存在不稳定目标，如阴影、洒落的砂石、破旧的轮胎、等红路灯的小汽车等不稳定存在的目标)。第一粒度机器学习模型和第二粒度机器学习模型之间的背景图差异存在原因是当物体停留一段时间之后混合高斯模型会将该目标当做背景。
50.在建立第一粒度机器学习模型和第二粒度机器学习模型过程中，包括：一个背景像素随着时间变化呈现一定的随机性，但是一段时间内，如果做一个统计的话，其分布在某一个均值，一个方差范围内，图像中每个像素灰度值随着时间变化的规律符合高斯分布，通过这个规律，基于混合高斯模型建立第一粒度机器学习模型和第二粒度机器学习模型。
51.在构建模型，采用深度学习的技术构建机器学习模型。背景模型建立基于深度学习技术分布建立场景的长期和短期背景模型；针对长短期模型建立不同的更新机制进行模型更新。
52.在构建模型后，可以利用模型对待识别图像进行分析、比较。
53.步骤s204，将待识别图像输入至第一粒度机器学习模型，输出第一背景图，以及将待识别图像输入至第二粒度机器学习模型，输出第二背景图，其中，第一粒度机器学习模型的第一更新周期大于第二粒度机器学习模型的第二更新周期。
54.作为本技术另一种可选的实施例，将待识别图像输入至第一粒度机器学习模型，输出第一背景图包括：基于第一粒度机器学习模型中包含的高斯分量以及高斯分量的权
值，计算待识别图像中像素的灰度值，输出第一背景图。
55.本技术中，考虑到高斯模型建立的特征，先确定模型中的高斯分量和分量权值，然后基于第一粒度机器学习模型中包含的高斯分量以及高斯分量的权值，计算待识别图像中像素的灰度值，输出第一背景图。
56.通过分析待识别图像中每个像素的灰度值，从而建立第一背景图，该第一背景图与第一粒度机器学习模型，也可以理解为通过长期模型来建立长期背景图。
57.在通过第一粒度机器学习模型得到第一背景图后，可实时对机器学习模型进行更新，保证机器学习模型所学习到的道路背景图符合道路实时状态。
58.第一粒度机器学习模型和第二粒度机器学习模型，都是基于混合高斯模型建立的，混合高斯模型可理解为概率密度函数(正态分布)，像素灰度的概率密度函数公式：
[0059][0060]
其中，p是概率，多个高斯分量的加权组合；i是亮度/灰度值；w是权值；n表示高斯分布；下标q表示第q个高斯分布。
[0061]
高斯分布函数为：
[0062][0063]
其中，μ指示均值；σ指示方差。
[0064]
通过变换，可以将概率密度函数表达为条件概率的形式：
[0065][0066]
其中，p(w
q
)表示第q个高斯分布对应的权值。
[0067]
上述条件概率可以表示当前高斯分布中，对应概率是多少。
[0068]
本技术中是通过匹配像素值是否落在混合高斯模型里的概率，然后通过全概率公式，计算当前像素值在每一个高斯分量上的概率，并累加每个像素值对应的高斯分量概率,确定图像对比后异物概率(通过计算w
q
、μ
q
、σ
q
三个值，就可以判断当前像素值是否落在混合高斯模型中，从而判断当前像素是背景物体还是运行物体/更新物体/异物)。
[0069]
可选的，上述目标对象的检测方法还包括：当第一更新周期结束时，基于第一背景图对高斯分量的权值进行更新，得到更新后的第一粒度机器学习模型。
[0070]
本技术中设置的更新周期可以为自行设置的模型时长，由于第一粒度机器学习模型和第二粒度机器学习模型所需要学习的数据量、分析图像像素内容不同，则需要设置的模型更新时长也是不相同的，例如设置第一粒度机器学习模型的更新周期为10分钟，第二粒度机器学习模型的更新周期为10秒。
[0071]
在更新时，按照混合高斯模型迭代原理进行模型更新，其中，混合高斯模型迭代原理为：将当前输入图片对应的像素值去跟已有的所有高斯分量比较，仅当像素值匹配第q类时二值化函数的值为预设数值(如，1)，所有高斯分量的权值同时更新。
[0072]
图3是根据本技术实施例的通过第一粒度机器学习模型分析得到的可选的第一背景图的示意图，如图3所示，该第一背景图中分析拍摄的道路，得到多个相对稳定的物体，包
括：道路、房屋、路灯，这些物体的位置都是相对固定，在第一粒度机器学习模型的更新周期基本不会发生改变。
[0073]
该图3中的分析方式可理解为通过长期背景模型分析得到长期背景图，该长期背景图和长期背景模型更新时段可以较短。
[0074]
在本技术可选的实施例中，将待识别图像输入至第二粒度机器学习模型，输出第二背景图包括：基于第二粒度机器学习模型中包含的高斯分量以及高斯分量的权值，计算待识别图像中像素的灰度值，输出第二背景图。
[0075]
同第一粒度机器学习模型分析得到第一背景图相似，可以通过第二粒度机器学习模型分析得到第二背景图。该第二背景图可理解为短期背景图，即通过短期模型(第二粒度机器学习模型)学习得到的背景图，该第二背景图需要实时更新，符合道路实时动态变化。
[0076]
图4是根据本技术实施例的另一种可选的通过第二粒度机器学习模型分析得到的第二背景图的示意图，如图4所示，该第二背景图对道路上的其它活动、非稳定物体进行识别，确定在该拍摄周期内出现了新的活动车辆，而且在该车辆行驶的道路上已经洒落了部分砂石，这样会导致活动车辆出现颠簸。本技术实施例可以通过对比第一背景图和第二背景图，对比得到目标对象，尤其是对于道路上颜色相近、形状较小的物体进行准确识别。
[0077]
上述第二背景图可理解为短期背景图，是通过短期背景模型分析得到的，通过对比第一背景图和第二背景图，可以分析道路障碍物或道路异物。其分析过程如下：
[0078]
基于深度学习的背景建模，得到第一粒度机器学习模型和第二粒度机器学习模型；
[0079]
第一粒度机器学习模型->长期背景图；
[0080]
第二粒度机器学习模型->短期背景图；
[0081]
比较长期背景图和短期背景图，得到道路障碍物/道路异物。
[0082]
可选的，目标对象的检测方法还包括：当第二更新周期结束时，基于第二背景图对高斯分量的权值进行更新，得到更新后的第二粒度机器学习模型。
[0083]
由于道路上车辆、行人、阴影等都会在短期发生变化，因此，针对短期模型(第二粒度机器学习模型)的状态更新周期较短，可设置为5秒、10秒。
[0084]
通过建立长短期模型来建立长短期背景图，并针对两个模型建立快速更新机制，以适应场景变化。本技术实施例中，可以实现模型的实时更新、变化，提高模型检测道路障碍物、道路异物的准确度，尤其是针对道路异物种类繁多、尺寸形状不一、颜色各异的情况，可以对道路障碍物进行标定，提高小型障碍物的检测效果，减少道路光影对检测效果造成的影响。
[0085]
在得到两个机器学习模型和对应的背景图后，可以进行图像对比，确定最新出现在道路上的道路异物/道路障碍物。通过两个模型分析图像差异，从而获取道路区域上的前景信息，输出异物位置根据长期和短期模型输出的背景图进行对比，实现道路异物的检测。
[0086]
步骤s206，基于第一背景图和第二背景图的对比结果，确定目标对象。
[0087]
作为本技术可选的实施方式，基于第一背景图和第二背景图的对比结果，确定目标对象包括：对第一背景图与第二背景图进行对比操作，得到差异部分图像；从差异部分图像中确定目标对象。
[0088]
在具体对比时，可以考虑到实际场景中，对每个视频图像中可能出现的物体进行
停留时间的排序，在排序时，对于部分物体来说，基本时固定不动的，其排序优先，例如，房子、道路路面(如图3中对于房屋、道路路面能够固定识别，建立长期背景模型)；而对于另一部分来说，物体是不断移动、动态变化的，其排序靠后，例如，行驶车辆/等红路灯的小轿车、行人。根据图像中各个物体的排序信息，给相应的机器学习模型分别设定合理的更新周期，将在第二粒度机器学习模型的背景图中存在但在第一粒度机器学习模型的背景图中不存在的物体确定为道路障碍物/道路异物。即通过比较第一背景图和第二背景图，将实时出现在第二背景图中但是并未出现在第一背景图中的对象认定为道路异物(如图4中出现的砂石)。
[0089]
图3-图4是根据本发明实施例的一种实施场景，在图3中，输入第一张实际监控图，该监控图中是初始道路图像，尚未有车辆行驶，也没有障碍物洒落到道路上，可理解为第一背景图；图4是输入的第二张实际监控图，从图4中可以看到在道路上有洒落到石子和行驶的车辆，该图4的图像可理解为第二背景图，在对比图3和图4后，可以分析出道路异物或者道路障碍物。
[0090]
图5是根据本发明实施例的一种可选的分析道路异物的示意图，如图5所示，通过摄像头等拍摄装置拍摄道路监控视频，然后通过解码分析得到道路监控图像，1之后，可以通过计算机、服务器等进行基于深度学习的机器背景建模，在建立分析模型后，分析第一背景图(可理解为长期背景图)和第二背景图(可理解为第二背景图，最后在对比后，确定如图5所示的障碍物范围，确定道路异物。
[0091]
在本发明另一可选的实施例中，目标对象的检测方法还包括：通过定位组件确定目标对象的位置信息；将位置信息推送至预设地理范围内的车载导航，通过语音信号和/或视觉信号发送提示信息，其中，提示信息用于提示避让目标对象。
[0092]
上述定位组件可以是安装在道路行驶车辆上，在分析确定目标对象(如道路异物、新增路标、新增交通事故车辆、栏杆、道路砂石、断树等)后，确定这些目标对象的地理位置信息(如北斗定位坐标)和区域信息，结合道路方向，确定目标对象在该条道路上的准确位置，然后将位置信息推送给车载导航，通过车载导航广播该目标对象的位置，在下一次规划导航时，能够避开该目标对象，方便用户开车时顺畅行驶，提高用户使用车载导航的满意度。
[0093]
上述的提示信息包括但不限于：语音提示、视频提示、文字提示，其中，语音提示可以结合道路导航信息，例如，发出“前方**米存在道路异物，请注意避让”的语音；而视频提示，可以是结合拍摄的道路实时视频，向用户播放该视频，提示用户避让目标对象。
[0094]
通过上述实施例，可以基于深度学习的模型确定长短期背景图像，并通过视频解析得到的待分析图像，对图像中的异物进行检测、分析，在本技术中可以针对道路场景建立长期背景模型，同时建立短期背景模型，两个模型以不同速度进行迭代更新，通过对比两个模型的差异检测道路异物，这样就可以达到对尺寸、形状、颜色各异的道路异物/道路障碍物的检测，同时很好地避开光影的影响，提高道路异物的检测准确度。
[0095]
另一种可选的实施例，本发明中涉及的目标对象的检测方法还可以应用于交通指示路标检测场景，其检测的目标对象为新增的交通指示路标。例如，对于某一段高速公路、省级道路、县级道路，新开辟了一段交叉口，在该交叉口设置指示牌，或者新增加了转弯路标，这个指示牌/转弯路标相对于之前的环境来说是新添加的，需要重新在软件中标识出
来，为后续导航指示使用。
[0096]
在分析时，可以结合已知的导航软件(如高德地图导航)确定现有道路上的路标、指示牌等交通指示路标，通过导航软件确定第一背景图，然后拍摄得到第二背景图后，通过比较、分析，可以确定新增加的交通指示路标。
[0097]
图6是根据本发明实施例的一种可选的检测道路交通指示路标的示意图，如图6所示，在对比第一背景图和第二背景图，可以对新开辟的一条虚线道路和主道路交汇处的新指示路标进行检测，通过检测、分析、对比，可以确定出道路新增路标。
[0098]
通过本技术的检测方案，在检测到道路异物后，若是出现道路洒落砂石、违规停车、路障等，可以及时报告给道路后台服务中心，及时清理道路，保障道路畅通。需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
[0099]
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目标对象的检测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所述的方法。
[0100]
实施例2
[0101]
根据本发明实施例，还提供了一种用于实施上述目标对象的检测方法的装置，图7是根据本发明实施例的一种可选的目标对象的检测装置的示意图，如图7所示，该装置包括：
[0102]
获取单元71，用于获取待识别图像；
[0103]
输入单元73，用于将待识别图像输入至第一粒度机器学习模型，输出第一背景图，以及将待识别图像输入至第二粒度机器学习模型，输出第二背景图，其中，第一粒度机器学习模型的第一更新周期大于第二粒度机器学习模型的第二更新周期；
[0104]
确定单元75，用于基于第一背景图和第二背景图的对比结果，确定目标对象。
[0105]
通过上述步骤，可以先通过获取单元71获取待识别图像，然后同输入单元73将待识别图像输入至第一粒度机器学习模型，输出第一背景图，以及将待识别图像输入至第二粒度机器学习模型，输出第二背景图，最后通过确定单元75基于第一背景图和第二背景图的对比结果，确定目标对象。在该实施例中，可以通过基于深度学习方法建立场景的第一粒度机器学习模型和第二粒度机器学习模型，通过这两种模型对输入图像中的异物进行精准检测，通过模型对比输出图像中的异物对象，提高对象检测效果，从而解决相关技术中对道路上的异物检测准确率较低，导致异物检测效果不理想的技术问题。
[0106]
可选的实施方式，所述获取单元包括：第一获取模块，用于获取通过图像采集设备采集到的视频文件；解码模块，用于对视频文件进行解码处理，得到待识别图像。
[0107]
在本技术中，上述检测装置还可以包括：构建单元，用于基于混合高斯模型建立第一粒度机器学习模型和第二粒度机器学习模型。
[0108]
作为本技术另一可选的实施方式，所述输入单元包括：第一计算模块，用于基于第一粒度机器学习模型中包含的高斯分量以及高斯分量的权值，计算待识别图像中像素的灰度值，输出第一背景图。
[0109]
另一种可选的，上述目标对象的检测装置还包括：第一更新模块，用于在第一更新周期结束时，基于第一背景图对高斯分量的权值进行更新，得到更新后的第一粒度机器学习模型。
[0110]
在本技术中，所述输入单元还包括：第二计算模块，用于基于第二粒度机器学习模型中包含的高斯分量以及高斯分量的权值，计算待识别图像中像素的灰度值，输出第二背景图。
[0111]
作为本技术可选的实施方式，上述目标对象的检测装置还包括：第二更新模块，用于在第二更新周期结束时，基于第二背景图对高斯分量的权值进行更新，得到更新后的第二粒度机器学习模型。
[0112]
可选的，所述确定单元包括：对比模块，用于对第一背景图与第二背景图进行对比操作，得到差异部分图像；确定模块，用于从差异部分图像中确定目标对象。
[0113]
在本技术实施方式中，上述检测装置应用于道路障碍物检测场景，目标对象为道路障碍物。
[0114]
可选的，上述目标对象的检测装置还可应用于交通指示路标检测场景，目标对象为新增交通指示路标。
[0115]
另一种可选的，目标对象的检测装置还用于通过定位组件确定目标对象的位置信息；将位置信息推送至预设地理范围内的车载导航，通过语音信号和/或视觉信号发送提示信息，其中，提示信息用于提示避让目标对象。
[0116]
上述的目标对象的检测装置还可以包括处理器和存储器，其中，处理器包含内核，由内核去存储器中调取相应的程序单元，内核可以设置一个或以上，通过调整内核参数来分析待识别图像中是否存在道路异物，确定目标对象。存储器可以包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片
[0117]
此处需要说明的是，上述获取单元71、输入单元73和确定单元75对应于实施例1中的步骤s202至步骤s206，三个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
[0118]
实施例3
[0119]
本发明的实施例可以提供一种计算机终端，该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算机终端也可以替换为移动终端等终端设备。
[0120]
可选的，在本实施例中，上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
[0121]
在本实施例中，上述计算机终端可以执行目标对象的检测方法中以下步骤的程序代码：获取待识别图像；将待识别图像输入至第一粒度机器学习模型，输出第一背景图，以及将待识别图像输入至第二粒度机器学习模型，输出第二背景图，其中，第一粒度机器学习
模型的第一更新周期大于第二粒度机器学习模型的第二更新周期；基于第一背景图和第二背景图的对比结果，确定目标对象。
[0122]
可选的，图8是根据本发明实施例的另一种可选的计算机终端的结构框图，如图8所示，该计算机终端100可以包括：一个或多个(图中仅示出一个)处理器112、存储器114、以及存储控制器、外设接口、显示屏、射频模块、音频模块等。
[0123]
其中，存储器可用于存储软件程序以及模块，如本发明实施例中的目标对象的检测方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的目标对象的检测方法。存储器可包括高速随机存储器，还可以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，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至终端100。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。
[0124]
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取待识别图像；将待识别图像输入至第一粒度机器学习模型，输出第一背景图，以及将待识别图像输入至第二粒度机器学习模型，输出第二背景图，其中，第一粒度机器学习模型的第一更新周期大于第二粒度机器学习模型的第二更新周期；基于第一背景图和第二背景图的对比结果，确定目标对象。
[0125]
可选的，上述处理器还可以执行如下步骤的程序代码：在获取待识别图像时，通过获取通过图像采集设备采集到的视频文件；对视频文件进行解码处理，得到待识别图像。
[0126]
可选的，上述处理器还可以执行如下步骤的程序代码：基于混合高斯模型建立第一粒度机器学习模型和第二粒度机器学习模型。
[0127]
可选的，上述处理器还可以执行如下步骤的程序代码：基于第一粒度机器学习模型中包含的高斯分量以及高斯分量的权值，计算待识别图像中像素的灰度值，输出第一背景图。
[0128]
可选的，上述处理器还可以执行如下步骤的程序代码：当第一更新周期结束时，基于第一背景图对高斯分量的权值进行更新，得到更新后的第一粒度机器学习模型。
[0129]
可选的，上述处理器还可以执行如下步骤的程序代码：基于第二粒度机器学习模型中包含的高斯分量以及高斯分量的权值，计算待识别图像中像素的灰度值，输出第二背景图。
[0130]
可选的，上述处理器还可以执行如下步骤的程序代码：当第二更新周期结束时，基于第二背景图对高斯分量的权值进行更新，得到更新后的第二粒度机器学习模型。
[0131]
可选的，上述处理器还可以执行如下步骤的程序代码：对第一背景图与第二背景图进行对比操作，得到差异部分图像；从差异部分图像中确定目标对象。
[0132]
采用本发明实施例，提供了一种目标对象的检测方案。通过针对道路场景建立长期背景模型，同时建立短期背景模型，两个模型以不同速度进行迭代更新，通过对比两个模型的差异检测道路异物，这样就可以达到对尺寸、形状、颜色各异的道路异物/道路障碍物的检测，同时很好地避开光影的影响，提高道路异物的检测准确度，进而解决了相关技术中对道路上的异物检测准确率较低，导致异物检测效果不理想的技术问题。
[0133]
本领域普通技术人员可以理解，图8所示的结构仅为示意，计算机终端也可以是智
能手机(如android手机、ios手机等)、平板电脑、掌声电脑以及移动互联网设备(mobile internet devices，mid)、pad等终端设备。图8其并不对上述电子装置的结构造成限定。例如，计算机终端100还可包括比图8中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图8所示不同的配置。
[0134]
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(read-only memory，rom)、随机存取器(random access memory，ram)、磁盘或光盘等。
[0135]
实施例4
[0136]
本发明的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于保存上述实施例一所提供的目标对象的检测方法所执行的程序代码。
[0137]
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
[0138]
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取待识别图像；将待识别图像输入至第一粒度机器学习模型，输出第一背景图，以及将待识别图像输入至第二粒度机器学习模型，输出第二背景图，其中，第一粒度机器学习模型的第一更新周期大于第二粒度机器学习模型的第二更新周期；基于第一背景图和第二背景图的对比结果，确定目标对象。
[0139]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0140]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0141]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0142]
所述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例方案的目的。
[0143]
另外，在本发明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。
[0144]
所述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(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或
部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0145]
以上所述仅是本发明的优选实施方式，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，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。