一种检测目标对象移动速度的方法、装置及电子设备与流程

1.本技术涉及计算机视觉技术领域，具体涉及一种检测目标对象移动速度的方法和一种检测目标对象移动速度的装置，以及一种电子设备。


背景技术：

2.深度学习近年来发展迅猛，在国内外都引起了广泛的关注，随着深度学习技术的不断进步以及数据处理能力的不断提升，越来越多的深度学习算法被用在图像处理，计算机视觉领域。其中，目标检测作为计算机视觉的重要分支被广泛应用于安防、工业、无人驾驶等多个领域。例如在安防领域，在一些户外工地作业中，物体移动的速度都有明确的规定，若物体的移动速度超过预设阈值，则会影响工地作业的安全性。
3.为了防止意外发生，现有对物体移动的速度的检测一般采取人工查看现场监控视频的方式，此种方式耗费大量的人力，而且由于视频数量多，人可能顾及不过来，从而降低了对物体移动的速度检测的准确度。
4.因此，如何降低对物体移动的速度检测的投入成本，且同时提升检测的准确度，成为本领域技术人员亟待解决的问题。


技术实现要素：

5.本技术实施例提供一种检测目标对象移动速度的方法，以解决现有技术中如何降低对物体移动的速度检测的投入成本，且同时提升检测的准确度的问题。本技术实施例提供一种检测目标对象移动速度的装置，以及一种电子设备。
6.本技术实施例提供一种检测目标对象移动速度的方法，包括：
7.获得包含有目标对象的图像集；
8.根据所述图像集构建目标对象检测模型；
9.通过所述目标对象检测模型，获得间隔预设时间的两张待检测图像中的包含有目标对象的目标图像，并获得所述目标图像在两张待检测图像上对应的图像位置差；
10.获得所述目标对象在物理世界中的真实高度信息和在待检测图像中的高度信息；
11.根据所述预设时间、所述目标图像在两张待检测图像上对应的图像位置差，以及所述目标对象在物理世界中的真实高度信息和在待检测图像中的高度信息确定目标对象的移动速度。
12.可选的，所述获得间隔预设时间的两张待检测图像中的包含有目标对象的目标图像，包括：
13.设置预设时间，通过所述目标对象检测模型，获得所述预设时间的启始时刻对应的第一待检测图像和所述预设时间的终止时刻对应的第二待检测图像；
14.获得第一待检测图像中逐像素的目标对象图像的第一预测结果，获得第二待检测图像中逐像素的目标对象图像的第二预测结果；
15.分别将所述第一预测结果、所述第二预测结果与图像集中被标记框标记的目标对
象图像的实际结果对比，并分别计算所述第一预测结果与实际结果的第一损失值，所述第二预测结果与实际结果的第二损失值；
16.将所述第一损失值最小时对应的图像确定为第一待检测图像中包含有目标对象的目标图像；将所述第二损失值最小时对应的图像确定为第二待检测图像中包含有目标对象的目标图像。
17.可选的，所述获得所述目标图像在两张待检测图像上对应的图像位置差，包括：
18.获得目标图像分别在第一待检测图像和第二待检测图像上分别对应的第一位置信息和第二位置信息；
19.根据所述第一位置信息和第二位置信息，获得所述目标图像在两张待检测图像上对应的图像位置差。
20.可选的，所述获得目标图像分别在第一待检测图像和第二待检测图像上分别对应的第一位置信息和第二位置信息，包括：
21.获得目标图像分别在第一待检测图像和第二待检测图像中分别对应的第一特征信息和第二特征信息；
22.根据所述第一特征信息和第二特征信息分别确定所述目标对象在第一待检测图像和第二待检测图像中的第一像素坐标和第二像素坐标；
23.根据所述第一像素坐标和第二像素坐标确定所述目标对象分别在第一待检测图像和第二待检测图像中分别对应的第一位置信息和第二位置信息。
24.可选的，所述根据所述预设时间、所述目标图像在两张待检测图像上对应的图像位置差，以及所述目标对象在物理世界中的真实高度信息和在待检测图像中的高度信息确定目标对象的移动速度，包括：
25.获得目标对象在物理世界中的真实高度与目标对象在待检测图像中的高度信息的比值；
26.计算所述比值与所述图像位置差的乘积，确定所述目标对象在物理世界中对应于所述预设时间下的真实位移；
27.根据所述真实位移与所述预设时间确定目标对象的移动速度。
28.可选的，还包括：预先设置移动速度阈值；
29.将所述移动速度阈值与所述移动速度比较，若所述移动速度阈值大于所述移动速度，则触发报警机制。
30.可选的，所述获得包含有目标对象的图像集，包括：
31.获得包含有目标对象的多个图像；
32.对所述多个图像进行预处理得到多个候选图像；
33.对所述多个候选图像进行标记以得到所述图像集。
34.可选的，所述根据所述图像集构建目标对象检测模型，包括：
35.构建初始对象检测模型，将所述初始对象检测模型的参数初始化，并将所述图像集中的训练图像输入至所述初始对象检测模型中；
36.获得所述初始对象检测模型对所述训练图像的预测结果与标记的图像的损失值；
37.利用反向传播算法更新所述初始对象检测模型的参数；
38.再将所述图像集中的其它训练图像输入至所述初始对象检测模型中进行迭代训
练，获得损失值最小时所更新的所述初始对象检测模型作为候选对象检测模型；
39.将所述图像集中的测试图像输入至所述候选对象检测模型中，获得所述候选对象检测模型对所述测试图像的测试结果与标记的图像的损失值；
40.将所述损失值与预设损失值比较，若所述损失值满足预设损失值，则将所述候选对象检测模型作为目标对象检测模型；反之，则继续将所述图像集中的其它训练图像输入至所述初始对象检测模型中进行迭代训练。
41.本技术实施例还提供一种检测目标对象移动速度的装置，包括：
42.图像集获得单元，用于获得包含有目标对象的图像集；
43.目标对象检测模型构建单元，用于根据所述图像集构建目标对象检测模型；
44.图像位置差获得单元，用于通过所述目标对象检测模型，获得间隔预设时间的两张待检测图像中的包含有目标对象的目标图像，并获得所述目标图像在两张待检测图像上对应的图像位置差；
45.高度信息获得单元，用于获得所述目标对象在物理世界中的真实高度信息和在待检测图像中的高度信息；
46.移动速度确定单元，用于根据所述预设时间、所述目标图像在两张待检测图像上对应的图像位置差，以及所述目标对象在物理世界中的真实高度信息和在待检测图像中的高度信息确定目标对象的移动速度。
47.本技术实施例还提供一种电子设备，所述电子设备包括：处理器；存储器，用于存储计算机程序，该计算机程序被处理器运行，执行上述任意一项所述的方法。
48.本技术实施例还提供一种计算机存储介质，所述计算机存储介质存储有计算机程序，该计算机程序被处理器运行，执行上述任意一项所述的方法。
49.与现有技术相比，本技术具有以下优点:
50.本技术实施例提供一种检测目标对象移动速度的方法，包括获得包含有目标对象的图像集；根据所述图像集构建目标对象检测模型；通过所述目标对象检测模型，获得间隔预设时间的两张待检测图像中的包含有目标对象的目标图像，并获得所述目标图像在两张待检测图像上对应的图像位置差；获得所述目标对象在物理世界中的真实高度信息和在待检测图像中的高度信息；根据所述预设时间、所述目标图像在两张待检测图像上对应的图像位置差，以及所述目标对象在物理世界中的真实高度信息和在待检测图像中的高度信息确定目标对象的移动速度。本技术第一实施例通过获得的图像集来构建目标对象检测模型，通过目标对象检测模型对待检测图像进行检测，可以先确定待检测图像中的包含有目标对象的目标图像，并且通过获得的目标图像在两张待检测图像上对应的图像位置差、目标对象在物理世界中的真实高度信息和在待检测图像中的高度信息以及获得两张待检测图像的时间，来确定目标对象的移动速度，其不仅提升检测的准确度，而且还不用人为地自行检测，从而降低对物体移动的速度检测的投入成本。
附图说明
51.图1为本技术第一实施例提供的检测目标对象移动速度的方法的流程图。
52.图2为本技术第一实施例提供的构建目标对象检测模型的流程图。
53.图3为本技术第二实施例提供的检测目标对象移动速度的装置的示意图。
54.图4为本技术第三实施例提供的电子设备的示意图。
具体实施方式
55.在下面的描述中阐述了很多具体细节以便于充分理解本技术实施例。但是本技术实施例能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本技术实施例内涵的情况下做类似推广，因此本技术实施例不受下面公开的具体实施的限制。
56.为了使本领域的技术人员更好的理解本技术方案，下面基于本技术提供的检测目标对象移动速度的方法对其实施例的具体应用场景进行详细描述，应用场景
57.本场景具体是检测气瓶的移动速度的场景。在本场景中，主要是通过图像检测的方式自动检测气瓶的移动速度。具体的，可通过监控摄像头获得作业中的包含有气瓶的多个图像，并将该多个图像作为图像样本对目标对象检测模型进行迭代训练，以构建目标对象检测模型。当通过监控摄像头获得待检测图像时，可将待检测图像输入至目标对象检测模型中，从而可以确定待检测图像中的气瓶图像对应于物理世界中的气瓶的移动速度。
58.以下将通过具体的实施例来阐述本技术的技术方案。
59.本技术第一实施例提供一种检测目标对象移动速度的方法，图1是本技术第一实施例提供的一种检测目标对象移动速度的方法的流程图。如图1所示，所述方法包括如下步骤。
60.步骤s101，获得包含有目标对象的图像集。
61.在本步骤中，目标对象是指目标对象图像，且对应于上述场景，本步骤中的目标对象是指容易发生位移的物体(例如气瓶)的图像，对应的，含有目标对象的图像是指含有容易发生位移的物体图像的图像。本步骤所获得的包含有目标对象的图像集是指包含有多个容易发生位移的物体图像的集合。例如，包含有目标对象的第一张图像，包含有第二目标对象的第二张图像，包含有目标对象的第三张图像等等，多张包含有目标对象的图像构成图像集。
62.在本步骤中，获得包含有目标对象的图像集，具体包括如下步骤：
63.步骤1，获得包含有目标对象的多个图像，目标对象即为容易发生移动的物体。在本步骤中，可从网络上下载具有目标对象的图像，还可以通过设置在不同环境位置下的监控摄像头获得具有目标对象的图像。在获得具有目标对象的图像后，则需要对图像进行处理，如步骤2所述。
64.步骤2，对所述多个图像进行预处理得到多个候选图像，具体的，在本步骤中，采用mosaic数据增强的方式对多个图像至少进行如下操作：对多个图像进行随机翻转、随机缩放、随机裁剪，以获得多个初始图像，将多个初始图像进行随机拼接得到多个候选图像，该多个候选图像作为新的具有目标对象的图像。在得到多个候选图像后，执行步骤3。
65.步骤3，对多个候选图像进行标记以得到所述图像集，具体的，对多个候选图像中的目标对象的图像进行标记，将完全是目标对象的候选图像作为第一图像，将部分包含有目标对象的候选图像作为第二图像。将一部分第一图像和第二图像作为训练图像，将另一部分第一图像和第二图像作为测试图像，训练图像和测试图像形成所述图像集。
66.在获得图像集后，可通过图像集构建目标对象检测模型，具体详见步骤s102。
67.步骤s102，根据所述图像集构建目标对象检测模型。
68.在本步骤中，目标对象检测模型用于检测待检测图像，以获得具有目标对象的目标图像，以及得到目标图像在两张待检测图像上对应的图像位置差。其中，根据图像集构建目标对象检测模型具体包括如下步骤，详见图2，图2是本技术第一实施例提供的构建目标对象检测模型的流程图。
69.步骤1021，构建初始对象检测模型，将初始对象检测模型的参数初始化，并将图像集中的训练图像输入至初始对象检测模型中。
70.在本步骤中，初始对象检测模型是目标对象检测模型的初始模型，通过图像集中的训练图像对初始对象检测模型的参数不断的迭代训练，以得到目标对象检测模型。
71.步骤1022，获得所述初始对象检测模型对所述训练图像的预测结果与标记的图像的损失值。
72.本步骤包括，首先，通过初始对象检测模型获得训练图像中逐像素的目标对象图像的预测结果。具体的，将图像集的训练图像输入到初始对象检测模型中，以得到训练图像的特征信息，根据特征信息得到训练图像中的图像类别，结合图像类别对特征信息进行上采样、下采样处理以及特征融合处理获得逐像素的目标对象图像的预测结果。
73.其中，在本步骤中，具体是通过focus切片和特征提取网络提取图像的特征信息的。特征融合处理主要是通过特征融合网络完成的，特征融合网络主要采用了fpn(feature pyramid networks，特征金字塔网络)+pan(pyramid attention network for semantic segmentation，金字塔注意力模型)的网络结构。采用fpn+pan的网络结构对所述特征信息进行上采样、下采样处理以及特征融合处理以得到逐像素的目标对象图像的预测结果。
74.具体的，fpn层采用了自顶向下的采样过程，将顶层的低分辨率特征通过上采样的方式提高分辨率，放大到和上一阶段特征相同的尺寸，然后再和上一阶段的特征进行相加合并。通过此操作，将含有较多语义信息的顶层特征与含有较多细节特征的低层特征整合到一起，提高了特征的表达能力。pan层紧随fpn层之后，与fpn结构相反，pan采用了自底向上的采样过程，将底层含有的特征信息传给高层的特征，在特征传播过程中采用下采样的方式，缩小到和上一阶段特征相同的尺寸。通过这样的结合，fpn自顶向下传递强语义特征，特征金字塔自底向上传递强定位特征，两个相互结合，对不同的特征进行整合操作以得到逐像素的目标对象图像的预测结果。
75.然后，将逐像素的目标对象图像的预测结果与训练图像中被标记框标记的目标对象图像的实际结果对比，计算预测结果与实际结果的损失值。具体的，将预测结果中的目标对象图像与实际结果中的目标对象图像对应，并以预测结果中的目标对象图像上的每个像素按照不同大小和长宽对应实际结果中的目标对象图像的网格区域，生成多尺度的先验框。而后，根据实际结果中的目标对象图像的大小和长宽和在同一网格区域内的先验框的大小和长宽进行筛选，得到正样本预测框。最后，根据正样本预测框和所述实际标注框的位置偏移进行损失计算，获得初始对象检测模型对训练图像的预测结果与标记的图像的损失值。
76.需要说明的是，在步骤中，获得的正样本预测框具体可以通过giou(generalized intersection over union，边框预测的损失)loss算法获得。giou的计算过程如下所示：
77.[0078][0079]
其中，iou(intersection over union，边框预测算法)表示a、b相交区域面积和a、b总共占据区域面积的比值，a表示正样本预测框，b表示先验框，a∩b表示正样本预测框和先验框相交重叠区域，a∪b表示正样本预测框和先验框总共占据的区域；c代表同时包围a与b的最小矩形框区域，c\a∪b表示c的区域除去a、b总共占据的区域所剩余的区域。
[0080]
步骤1023，利用反向传播算法更新所述初始对象检测模型的参数。
[0081]
步骤1024，再将所述图像集中的其它训练图像输入至所述初始对象检测模型中进行迭代训练，获得损失值最小时所更新的所述初始对象检测模型作为候选对象检测模型。
[0082]
在本步骤中，可以通过多次迭代对初始对象检测模型进行训练，将损失值最小时对应的初始对象检测模型作为候选对象检测模型。获得候选对象检测模型是为了进一步通过测试图像(下述内容)验证该模型是否可以获得具有目标对象的目标图像，以及得到目标图像中相邻帧的图像的相似度。详见步骤1205。
[0083]
步骤1025，将所述图像集中的测试图像输入至所述候选对象检测模型中，获得所述候选对象检测模型对所述测试图像的测试结果与标记的图像的损失值。
[0084]
首先，通过候选对象检测模型获得测试图像中逐像素的目标对象图像的预测结果。具体的，将图像集的测试图像输入到候选对象检测模型中以得到测试图像的特征信息，根据特征信息得到测试图像中的图像类别，结合图像类别对特征信息进行上采样、下采样处理以及特征融合处理获得逐像素的目标对象图像的预测结果。
[0085]
然后，将逐像素的目标对象图像的预测结果与测试图像中被标记框标记的目标对象图像的实际结果对比，计算预测结果与实际结果的损失值。具体的，将预测结果中的目标对象图像与实际结果中的目标对象图像对应，并以预测结果中的目标对象图像上的每个像素按照不同大小和长宽对应实际结果中的目标对象图像的网格区域，生成多尺度的先验框。而后，根据实际结果中的目标对象图像的大小和长宽和在同一网格区域内的先验框的大小和长宽进行筛选，得到正样本预测框。最后，根据正样本预测框和所述实际标注框的位置偏移进行损失计算，获得初始对象检测模型对测试图像的预测结果与标记的图像的损失值。
[0086]
步骤1026，将所述损失值与预设损失值比较，若所述损失值满足预设损失值，则将所述候选对象检测模型作为目标对象检测模型；反之则继续将所述图像集中的其它训练图像输入至所述初始对象检测模型中进行迭代训练。
[0087]
具体的，在获得初始对象检测模型对测试图像的预测结果与标记的图像的损失值后，将该损失值与预设损失值相比较，若损失值满足预设损失值，则将该候选对象检测模型作为目标对象检测模型。反之，则继续将图像集中的其它训练图像输入至初始对象检测模型中进行迭代训练，直到所获得的损失值满足预设损失值，继而将对应的候选对象检测模型作为目标对象检测模型。
[0088]
步骤s103，通过所述目标对象检测模型，获得间隔预设时间的两张待检测图像中的包含有目标对象的目标图像，并获得所述目标图像在两张待检测图像上对应的图像位置差。
[0089]
在获得目标对象检测模型后，获得待检测图像，通过所述目标对象检测模型检测
所述待检测图像以得到间隔预设时间的两张待检测图像中的包含有目标对象的目标图像，并获得所述目标图像在两张待检测图像上对应的图像位置差。其中，在本步骤中，间隔预设时间的两张待检测图像是指在获取待检测图像时按照预设时间间隔拍摄的两张图像，例如预设时间是1min，则获得间隔预设时间的两张待检测图像分别是该预设时间的启始时刻的第一张待检测图像、和该预设时间(1min)终止时刻的第二张待检测图像，其中，第一张待检测图像称为第一待检测图像，第二张待检测图像称为第二待检测图像。从而在通过目标对象检测模型时，所获得的也是在该间隔预设时间对应的第一待检测图像和第二待检测图像。
[0090]
当然，在本技术第一实施例中，通过目标对象检测模型获得的两张待检测图像对应的间隔预设时间是可以与拍摄图像时的间隔预设时间不对应的，例如，拍摄图像时的间隔预设时间是1min，那么过目标对象检测模型获得的两张待检测图像对应的间隔预设时间可以是2min或者是50s等。
[0091]
在本技术第一实施例中，获得间隔预设时间的两张待检测图像中的包含有目标对象的目标图像，包括：设置预设时间，通过目标对象检测模型，获得预设时间的启始时刻对应的第一待检测图像和预设时间的终止时刻对应的第二待检测图像。同时，获得第一待检测图像中逐像素的目标对象图像的第一预测结果，以及获得第二待检测图像中逐像素的目标对象图像的第二预测结果，分别将所述第一预测结果、所述第二预测结果与图像集中被标记框标记的目标对象图像的实际结果对比，并分别计算第一预测结果与实际结果的第一损失值，第二预测结果与实际结果的第二损失值。最后，将第一损失值最小时对应的图像确定为第一待检测图像中包含有目标对象的目标图像，将第二损失值最小时对应的图像确定为第二待检测图像中包含有目标对象的目标图像。
[0092]
在分别获得第一待检测图像中的包含有目标对象的目标图像，以及获得第二待检测图像中的包含有目标对象的目标图像后，可获得目标图像在两张待检测图像上对应的图像位置差。
[0093]
具体的，获得目标图像分别在第一待检测图像和第二待检测图像上分别对应的第一位置信息和第二位置信息，该本步骤具体包括：首先，获得目标图像分别在第一待检测图像和第二待检测图像中分别对应的第一特征信息和第二特征信息，即获得目标图像在第一待检测图像中对应的第一特征信息，和目标图像在第二待检测图像中对应的第二特征信息。然后，根据第一特征信息和第二特征信息分别确定目标对象在第一待检测图像和第二待检测图像中的第一像素坐标和第二像素坐标，即根据第一特征信息确定目标对象在第一待检测图像中的第一像素坐标，和根据第二特征信息确定目标对象在第二待检测图像中的第二像素坐标。其中，目标对象的每个部分的特征信息分别与相应的像素对应，且每个像素都具有对应的坐标信息。在确定目标对象的特征信息与像素匹配后，即可确定该目标对象的特征信息所在的位置信息。最后，根据第一像素坐标和第二像素坐标确定目标对象分别在第一待检测图像和第二待检测图像中分别对应的第一位置信息和第二位置信息，即根据第一像素坐标确定目标对象在第一待检测图像中的第一位置信息、和根据第二像素坐标确定目标对象在第二待检测图像中的第二位置信息，从而可根据第一位置信息和第二位置信息，获得目标图像在两张待检测图像上对应的图像位置差。
[0094]
进一步的，在本技术第一实施例中，通过目标对象检测模型，可获得目标图像中目
标对象分别在第一待检测图像和第二待检测图像中的第一包围盒和第二包围盒，第一包围盒包括左上角(x1，y1)、右下角(x2，y2)，第二包围盒包括左上角(x3，y3)、右下角(x4，y4)，将第一包围盒和第二包围盒分别对应的左上角的纵坐标相减，即可得到目标图像在两张待检测图像上对应的图像位置差。
[0095]
步骤s104，获得所述目标对象在物理世界中的真实高度信息和在待检测图像中的高度信息。
[0096]
在本步骤中，可通过直接测量的方式获得目标对象在物理世界中的真实高度。目标对象在待检测图像中的高度信息可通过目标对象在待检测图像中对应的像素信息和像素信息对应的坐标值获得。具体的，通过目标对象检测模型获得目标对象在待检测图像中的特征信息，并获得特征信息对应的多个像素信息，确定多个像素信息分别对应的多个坐标值，从多个坐标值中筛选出最大坐标值和最小坐标值，根据最大坐标值和最小坐标值确定出目标对象在待检测图像中的高度信息。其中，最大坐标值和最小坐标值是在同一纬度上的两个距离最远的极值。
[0097]
需要说明的是，本步骤获得的目标对象在待检测图像中的高度信息，可以是上述两张待检测图像中的任意一张待检测图像中的目标对象对应的高度信息。
[0098]
步骤s105，根据所述预设时间、所述目标图像在两张待检测图像上对应的图像位置差，以及所述目标对象在物理世界中的真实高度信息和在待检测图像中的高度信息确定目标对象的移动速度。
[0099]
在获得目标图像在两张待检测图像上对应的图像位置差，以及目标对象在物理世界中的真实高度信息和在待检测图像中的高度信息后，可预设时间、所述目标图像在两张待检测图像上对应的图像位置差，以及所述目标对象在物理世界中的真实高度信息和在待检测图像中的高度信息确定目标对象的移动速度。
[0100]
具体的，首先，获得目标对象在物理世界中的真实高度与目标对象在待检测图像中的高度信息的比值，计算比值与图像位置差的乘积，确定目标对象在物理世界中对应于预设时间下的真实位移。其中，目标对象在物理世界中对应于预设时间下的真实位移即为目标对象在待检测图像中的图像位置差。举例说明，获得的目标对象在物理世界中的真实高度为1.5米，目标对象在待检测图像中的高度信息x，则目标对象的真实高度和目标对象在待检测图像中的高度信息的比值为1.5/x；目标图像在两张待检测图像上对应的图像位置差为y，则目标对象在物理世界中对应于所述预设时间下的真实位移为：l＝(1.5/x)*y。最后，根据真实位移与预设时间确定目标对象的移动速度。基于上述两张待检测图像是在间隔预设时间获得的，所以目标对象移动的距离必然是在该预设时间下进行的，因此，在获得目标对象在物理世界的真实位移后，可结合预设时间确定目标对象在物理世界中的移动速度。
[0101]
进一步的，在本技术第一实施例中，为了及时提醒工作人员目标对象的移动速度是否符合要求，则可以预先设置移动速度阈值，将所述移动速度阈值与所述移动速度比较，若所述移动速度阈值大于所述移动速度，则触发报警机制，以提醒工作人员及时处理该目标对象。
[0102]
本技术第一实施例提供一种检测目标对象移动速度的方法，包括：获得包含有目标对象的图像集；根据所述图像集构建目标对象检测模型；通过所述目标对象检测模型，获
得间隔预设时间的两张待检测图像中的包含有目标对象的目标图像，并获得所述目标图像在两张待检测图像上对应的图像位置差；获得所述目标对象在物理世界中的真实高度信息和在待检测图像中的高度信息；根据所述预设时间、所述目标图像在两张待检测图像上对应的图像位置差，以及所述目标对象在物理世界中的真实高度信息和在待检测图像中的高度信息确定目标对象的移动速度。本技术第一实施例通过获得的图像集来构建目标对象检测模型，通过目标对象检测模型对待检测图像进行检测，可以先确定待检测图像中的包含有目标对象的目标图像，并且通过获得的目标图像在两张待检测图像上对应的图像位置差、目标对象在物理世界中的真实高度信息和在待检测图像中的高度信息以及获得两张待检测图像的时间，来确定目标对象的移动速度，其不仅提升检测的准确度，而且还不用人为地自行检测，从而降低对物体移动的速度检测的投入成本。
[0103]
另外，基于通过获得的图像集，构建了目标对象检测模型，该目标对象检测模型可应用于其他具有多尺度特征图的目标检测网络中，即本技术的目标对象检测模型对于目标对象的检测通用行较强。
[0104]
在上述的第一实施例中，提供了一种检测目标对象移动速度的方法，与之相对应的，本技术提供一种检测目标对象移动速度的装置。如图3所示，其为本技术第二实施例的一种检测目标对象移动速度的装置的示意图。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
[0105]
本技术第二实施例提供一种检测目标对象移动速度的装置，包括：图像集获得单元301，用于获得包含有目标对象的图像集；目标对象检测模型构建单元302，用于根据所述图像集构建目标对象检测模型；图像位置差获得单元303，用于通过所述目标对象检测模型，获得间隔预设时间的两张待检测图像中的包含有目标对象的目标图像，并获得所述目标图像在两张待检测图像上对应的图像位置差；高度信息获得单元304，用于获得所述目标对象在物理世界中的真实高度信息和在待检测图像中的高度信息；移动速度确定单元305，用于根据所述预设时间、所述目标图像在两张待检测图像上对应的图像位置差，以及所述目标对象在物理世界中的真实高度信息和在待检测图像中的高度信息确定目标对象的移动速度。
[0106]
可选的，所述获得间隔预设时间的两张待检测图像中的包含有目标对象的目标图像，包括：
[0107]
设置预设时间，通过所述目标对象检测模型，获得所述预设时间的启始时刻对应的第一待检测图像和所述预设时间的终止时刻对应的第二待检测图像；
[0108]
获得第一待检测图像中逐像素的目标对象图像的第一预测结果，获得第二待检测图像中逐像素的目标对象图像的第二预测结果；
[0109]
分别将所述第一预测结果、所述第二预测结果与图像集中被标记框标记的目标对象图像的实际结果对比，并分别计算所述第一预测结果与实际结果的第一损失值，所述第二预测结果与实际结果的第二损失值；
[0110]
将所述第一损失值最小时对应的图像确定为第一待检测图像中包含有目标对象的目标图像；将所述第二损失值最小时对应的图像确定为第二待检测图像中包含有目标对象的目标图像。
[0111]
可选的，所述获得所述目标图像在两张待检测图像上对应的图像位置差，包括：
[0112]
获得目标图像分别在第一待检测图像和第二待检测图像上分别对应的第一位置信息和第二位置信息；
[0113]
根据所述第一位置信息和第二位置信息，获得所述目标图像在两张待检测图像上对应的图像位置差。
[0114]
可选的，所述获得目标图像分别在第一待检测图像和第二待检测图像上分别对应的第一位置信息和第二位置信息，包括：
[0115]
获得目标图像分别在第一待检测图像和第二待检测图像中分别对应的第一特征信息和第二特征信息；
[0116]
根据所述第一特征信息和第二特征信息分别确定所述目标对象在第一待检测图像和第二待检测图像中的第一像素坐标和第二像素坐标；
[0117]
根据所述第一像素坐标和第二像素坐标确定所述目标对象分别在第一待检测图像和第二待检测图像中分别对应的第一位置信息和第二位置信息。
[0118]
可选的，所述根据所述预设时间、所述目标图像在两张待检测图像上对应的图像位置差，以及所述目标对象在物理世界中的真实高度信息和在待检测图像中的高度信息确定目标对象的移动速度，包括：
[0119]
获得目标对象在物理世界中的真实高度与目标对象在待检测图像中的高度信息的比值；
[0120]
计算所述比值与所述图像位置差的乘积，确定所述目标对象在物理世界中对应于所述预设时间下的真实位移；
[0121]
根据所述真实位移与所述预设时间确定目标对象的移动速度。
[0122]
可选的，还包括：预先设置移动速度阈值；
[0123]
将所述移动速度阈值与所述移动速度比较，若所述移动速度阈值大于所述移动速度，则触发报警机制。
[0124]
可选的，所述获得包含有目标对象的图像集，包括：
[0125]
获得包含有目标对象的多个图像；
[0126]
对所述多个图像进行预处理得到多个候选图像；
[0127]
对所述多个候选图像进行标记以得到所述图像集。
[0128]
可选的，所述根据所述图像集构建目标对象检测模型，包括：
[0129]
构建初始对象检测模型，将所述初始对象检测模型的参数初始化，并将所述图像集中的训练图像输入至所述初始对象检测模型中；
[0130]
获得所述初始对象检测模型对所述训练图像的预测结果与标记的图像的损失值；
[0131]
利用反向传播算法更新所述初始对象检测模型的参数；
[0132]
再将所述图像集中的其它训练图像输入至所述初始对象检测模型中进行迭代训练，获得损失值最小时所更新的所述初始对象检测模型作为候选对象检测模型；
[0133]
将所述图像集中的测试图像输入至所述候选对象检测模型中，获得所述候选对象检测模型对所述测试图像的测试结果与标记的图像的损失值；
[0134]
将所述损失值与预设损失值比较，若所述损失值满足预设损失值，则将所述候选对象检测模型作为目标对象检测模型；反之，则继续将所述图像集中的其它训练图像输入
至所述初始对象检测模型中进行迭代训练。
[0135]
本技术实施例还提供一种检测目标对象移动速度的装置，包括：
[0136]
图像集获得单元，用于获得包含有目标对象的图像集；
[0137]
目标对象检测模型构建单元，用于根据所述图像集构建目标对象检测模型；
[0138]
图像位置差获得单元，用于通过所述目标对象检测模型，获得间隔预设时间的两张待检测图像中的包含有目标对象的目标图像，并获得所述目标图像在两张待检测图像上对应的图像位置差；
[0139]
高度信息获得单元，用于获得所述目标对象在物理世界中的真实高度信息和在待检测图像中的高度信息；
[0140]
移动速度确定单元，用于根据所述预设时间、所述目标图像在两张待检测图像上对应的图像位置差，以及所述目标对象在物理世界中的真实高度信息和在待检测图像中的高度信息确定目标对象的移动速度。
[0141]
本技术第一实施例给出了一种检测目标对象移动速度的方法，本技术第三实施例给出了与第一实施例方法对应的电子设备。可参考图4所示，其示出了本实施例电子设备示意图。本技术第三实施例提供一种电子设备，包括：处理器401；存储器402，用于存储计算机程序，该计算机程序被处理器运行，执行上述本技术第一实施例提供的一种检测目标对象移动速度的方法。
[0142]
本技术第四实施例给出了与第一实施例方法对应的计算机存储介质。本技术第四实施例提供一种计算机存储介质，计算机存储介质存储有计算机程序，该计算机程序被处理器运行，执行上述本技术第一实施例提供的一种检测目标对象移动速度的方法。
[0143]
本技术虽然以较佳实施例公开如上，但其并不是用来限定本技术，任何本领域技术人员在不脱离本技术的精神和范围内，都可以做出可能的变动和修改，因此本技术的保护范围应当以本技术权利要求所界定的范围为准。
[0144]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0145]
内存可能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)。内存是计算机可读介质的示例。
[0146]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd
‑
rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0147]
本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存
储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。