一种基于计算机视觉的目标数据采集方法及系统

1.本技术涉及计算机视觉领域，具体而言，涉及一种基于计算机视觉的目标数据采集方法及系统。


背景技术：

2.近年来，深度学习发展迅速，这离不开大量的数据，特别是监督学习，更是需要大量的已经标注过的数据。在语音、图像领域有很多针对不同问题的数据集，如针对语音识别、语音分离、语音活动检测、目标检测、实例分割等问题的数据集。图像数据采集是一种通过采集被检测物的图像数据并加以分析，以检测被检测物体的智能检测技术。
3.然而，目前图像数据的采集通常由人工采集得到，这样不仅造成数据采集时间长，效率低，而且人工成本高、从而使得采集的图像数据准确度低，因此本发明提出了一种基于计算机视觉的目标数据采集方法及系统。


技术实现要素：

4.本技术的目的在于提供一种基于计算机视觉的目标数据采集方法，其能够有效通过计算机视觉技术以及数据采集模型实现精准、高效的数据分析与采集。
5.本技术的另一目的在于提供一种基于计算机视觉的目标数据采集系统，其能够运行一种基于计算机视觉的目标数据采集方法。
6.本技术的实施例是这样实现的：
7.第一方面，本技术实施例提供一种基于计算机视觉的目标数据采集方法，其包括获取到包含有计算机识别的目标数据，目标数据包括静态图像和动态视频；在静态图像和/或动态视频信息中设置目标检测框，对目标检测框中的目标进行确认，并记录目标的数据信息；将目标的数据信息作为训练数据传输至rnn中进行训练，并将训练结果存储至数据采集模型中；进行数据分析，使得目标数据信息分类细化，并将数据库与数据采集模型连接，实现数据库与数据采集模型之间的数据信息传递。
8.在本技术的一些实施例中，上述获取到包含有计算机识别的目标数据，目标数据包括静态图像和动态视频包括：将获取到的静态图像和动态视频中的帧内的信息送入yolo网络，并将图像按相同比例、相同的大小划分成多个网格。
9.在本技术的一些实施例中，上述还包括：将划分后的多个图像进行有效信息的提取，有效信息包括目标对象的灰度纹理及颜色纹理特征。
10.在本技术的一些实施例中，上述在静态图像和/或动态视频信息中设置目标检测框，对目标检测框中的目标进行确认，并记录目标的数据信息包括：提取目标检测框中所有的特征点进行特征匹配，通过用sift特征描述向量之间的欧氏距离来衡量特征点之间的相似度。
11.在本技术的一些实施例中，上述还包括：判断目标检测框中是否有目标存在，若存在目标，则将目标检测框中的所有的特征点进行提取。
12.在本技术的一些实施例中，上述将目标的数据信息作为训练数据传输至rnn中进行训练，并将训练结果存储至数据采集模型中包括：获取在rnn中的特征图区域，基于提取的特征图区域中的划分的多个独立网格区域，生成有坐标通道的目标图像按照rnn参数进行深度学习，并生成包含有特征图的训练结果。
13.在本技术的一些实施例中，上述进行数据分析，使得目标数据信息分类细化，并将数据库与数据采集模型连接，实现数据库与数据采集模型之间的数据信息传递包括：将数据分析后的特征数据进行去除冗余数据的动作，获取精简数据，然后再进行分类细化。
14.第二方面，本技术实施例提供一种基于计算机视觉的目标数据采集系统，其包括采集模块，用于获取到包含有计算机识别的目标数据，目标数据包括静态图像和动态视频；
15.目标数据信息模块，用于在静态图像和/或动态视频信息中设置目标检测框，对目标检测框中的目标进行确认，并记录目标的数据信息；
16.神经网络模块，用于将目标的数据信息作为训练数据传输至rnn中进行训练，并将训练结果存储至数据采集模型中；
17.数据分析模块，用于进行数据分析，使得目标数据信息分类细化，并将数据库与数据采集模型连接，实现数据库与数据采集模型之间的数据信息传递。
18.在本技术的一些实施例中，上述包括：用于存储计算机指令的至少一个存储器；与上述存储器通讯的至少一个处理器，其中当上述至少一个处理器执行上述计算机指令时，上述至少一个处理器使上述系统执行：采集模块、目标数据信息模块、神经网络模块及数据分析模块。
19.第三方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如一种基于计算机视觉的目标数据采集方法中任一项的方法。
20.相对于现有技术，本技术的实施例至少具有如下优点或有益效果：
21.通过获取目标图像，并经过rnn进行训练可以基于训练结果，有效通过计算机视觉技术以及数据采集模型实现精准、高效的数据分析与采集。通过设置目标检测框快速锁定目标，将采集到的图像和视频与目标信息进行高效匹配，提高图像异常的准确性、有效性，进一步提示提升数据采集模型实现精准、高效的数据分析与采集。
附图说明
22.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
23.图1为本技术实施例提供的一种基于计算机视觉的目标数据采集方法步骤示意图；
24.图2为本技术实施例提供的一种基于计算机视觉的目标数据采集方法详细步骤示意图；
25.图3为本技术实施例提供的一种基于计算机视觉的目标数据采集系统模块示意图；
26.图4为本技术实施例提供的一种电子设备。
27.图标：10-采集模块；20-目标数据信息模块；30-神经网络模块；40-数据分析模块；101-存储器；102-处理器；103-通信接口。
具体实施方式
28.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。
29.因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
30.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
31.需要说明的是，术语“包括”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。
32.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
33.实施例1
34.请参阅图1，图1为本技术实施例提供的一种基于计算机视觉的目标数据采集方法步骤示意图，其如下所示：
35.步骤s100，获取到包含有计算机识别的目标数据，目标数据包括静态图像和动态视频；
36.在一些实施方式中，目标数据采集包括静态图像和动态视频采集，以摄像装置对现场检测目标状态与位置进行采集，图像采集与智能识别系统以c/s架构呈现，实现智能设备与后台控制程序交互。yolo的网络结构包括输入层、卷积层、池化层、全连接层和输出层；输入层从检测图像/视频中读入数据；卷积层将对象的局部特征通过权值矩阵重新组装得到的完整图像；池化层选取卷积后特征图像中对应像素点最大值为池化后特征，用于特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性。
37.步骤s110，在静态图像和/或动态视频信息中设置目标检测框，对目标检测框中的目标进行确认，并记录目标的数据信息；
38.在一些实施方式中，图像处理计算机通过目标识别提取目标信息，目标信息与目标识别目标检测框的匹配，目标跟踪启动，可见光与红外设备根据目标检测框大小自动调节目标在图像显示画面中位置与比例，进行智能采集。
39.步骤s120，将目标的数据信息作为训练数据传输至rnn中进行训练，并将训练结果
存储至数据采集模型中；
40.在一些实施方式中，rnn可以响应周围单元，可以进行大型图像处理。rnn包括卷积层和池化层，其中，rnn的类型可以是一维rnn、二维rnn也可以是三维rnn。该实施例中，对图像数据进行识别分析，主要是通过对图像的像素、灰度以及红、绿、蓝三原色分量进行分析。
41.步骤s130，进行数据分析，使得目标数据信息分类细化，并将数据库与数据采集模型连接，实现数据库与数据采集模型之间的数据信息传递。
42.在一些实施方式中，将数据分析后的的图像、数据、标识结果传输至数据库存储，以进行数据的采集与分析，使得目标分类更细化，并将数据库与数据采集模型连接，实现数据库与数据采集模型之间的数据信息传递。
43.实施例2
44.请参阅图2，图2为本技术实施例提供的一种基于计算机视觉的目标数据采集方法详细步骤示意图，其如下所示：
45.步骤s200，将获取到的静态图像和动态视频中的帧内的信息送入yolo网络，并将图像按相同比例、相同的大小划分成多个网格。
46.步骤s210，将划分后的多个图像进行有效信息的提取，有效信息包括目标对象的灰度纹理及颜色纹理特征。
47.步骤s220，提取目标检测框中所有的特征点进行特征匹配，通过用sift特征描述向量之间的欧氏距离来衡量特征点之间的相似度。
48.步骤s230，判断目标检测框中是否有目标存在，若存在目标，则将目标检测框中的所有的特征点进行提取。
49.步骤s240，获取在rnn中的特征图区域，基于提取的特征图区域中的划分的多个独立网格区域，生成有坐标通道的目标图像按照rnn参数进行深度学习，并生成包含有特征图的训练结果。
50.步骤s250，将数据分析后的特征数据进行去除冗余数据的动作，获取精简数据，然后再进行分类细化。
51.在一些实施方式中，获取在预设的rnn中的特征图区域，基于提取所述特征图区域中的预设尺寸大小，根据预设尺寸大小对所述目标图像的完整区域进行划分，并获取划分后的多个独立的子图区域；将子图区域的各个像素点的坐标生成所述特征图相应位置的像素点的相对坐标，获取特征图所对应的坐标通道；对生成有坐标通道的目标图像按照rnn参数进行深度学习，并生成包含有特征图的训练结果。rnn中的特征图区域是对目标图像进行训练的基准图，并将目标图像放置在特征图的区域内。将子图区域的各个像素点的坐标与特征图相应位置的像素点的相对坐标，是为了获取特征图所对应的坐标通道，从而有利于目标图像进行深度学习。坐标通道是指通过子图区域的各个像素点的坐标与特征图相应位置的像素点的相对坐标，之间的空隙称之为坐标通道。通过对目标图像根据特征图区域尺寸大小进行分割，有利于获取多个独立子图像，通过获取坐标通道，实现对目标图像的深度学习，从而精准实现对目标图像的训练。
52.在一些实施方式中，基于训练结果，提取目标图像的特征数据；根据预设算法分析并判断特征数据中是否有冗余数据；若特征数据中含有冗余数据，则去除特征数据中的冗余数据，获取精简数据；对精简数据按照预设格式类型进行分类；若特征数据不含有冗余数
据，则直接对特征数据进行分类；将分类后的特征数据按照数据类型进行序号排序，同时，将排序好的特征数据与数据采集模型中的匹配段进行匹配；按照匹配结果，将特征数据存储至数据采集模型中。冗余数据是指在特征数据中出现多余数据，将多余数据成为冗余数据。精简数据可以是去掉冗余数据中的特征数据。
53.实施例3
54.请参阅图3，图3为本技术实施例提供的一种基于计算机视觉的目标数据采集系统模块示意图，其如下所示：
55.采集模块10，用于获取到包含有计算机识别的目标数据，目标数据包括静态图像和动态视频；
56.目标数据信息模块20，用于在静态图像和/或动态视频信息中设置目标检测框，对目标检测框中的目标进行确认，并记录目标的数据信息；
57.神经网络模块30，用于将目标的数据信息作为训练数据传输至rnn中进行训练，并将训练结果存储至数据采集模型中；
58.数据分析模块40，用于进行数据分析，使得目标数据信息分类细化，并将数据库与数据采集模型连接，实现数据库与数据采集模型之间的数据信息传递。
59.如图4所示，本技术实施例提供一种电子设备，其包括存储器101，用于存储一个或多个程序；处理器102。当一个或多个程序被处理器102执行时，实现如上述第一方面中任一项的方法。
60.还包括通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
61.其中，存储器101可以是但不限于，随机存取存储器101(random access memory，ram)，只读存储器101(read only memory，rom)，可编程只读存储器101(programmable read-only memory，prom)，可擦除只读存储器101(erasable programmable read-only memory，eprom)，电可擦除只读存储器101(electric erasable programmable read-only memory，eeprom)等。
62.处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器102，包括中央处理器102(central processing unit，cpu)、网络处理器102(network processor，np)等；还可以是数字信号处理器102(digital signal processing，dsp)、专用集成电路(application specific integrated circuit，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。
63.在本技术所提供的实施例中，应该理解到，所揭露的方法及系统，也可以通过其它的方式实现。以上所描述的方法及系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的方法及系统、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、程序段或代码的一部分，所述模块、程序段或代码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。也应当注意，在有些作为替换的实现方式中，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系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
64.另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
65.另一方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器102执行时实现如上述第一方面中任一项的方法。所述功能如果以软件功能模块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，本技术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(可以是个人计算机，服务器，或者网络设备等)执行本技术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、移动硬盘、只读存储器101(rom，read-only memory)、随机存取存储器101(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
66.综上所述，本技术实施例提供的一种基于计算机视觉的目标数据采集方法及系统，通过获取目标图像，并经过rnn进行训练可以基于训练结果，有效通过计算机视觉技术以及数据采集模型实现精准、高效的数据分析与采集。通过设置目标检测框快速锁定目标，将采集到的图像和视频与目标信息进行高效匹配，提高图像异常的准确性、有效性，进一步提示提升数据采集模型实现精准、高效的数据分析与采集。
67.以上仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。
68.对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其它的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。