[发明专利]一种目标识别方法、装置及监控设备

说明书

本发明实施例提供了一种目标识别方法、装置及监控设备，其中，目标识别方法包括：获取待检测图像；采用预设目标检测方法，通过预先训练得到的检测模型，对待检测图像进行检测，得到待检测图像中多个目标区域的置信度；针对置信度低于预设阈值的第一目标区域，通过预先训练得到的多个卷积神经网络分类模型，对第一目标区域中的目标进行识别，确定各目标的类别，其中，多个卷积神经网络分类模型为：对多个类别的目标分别对应的样本集进行训练得到的模型。通过本方案可以提高目标识别的精度。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种目标识别方法、装置及监控设备。

背景技术

在图像处理技术领域中，目标检测是指对于一幅图像，检测和识别该图像中是否存在指定目标，并确定该指定目标的位置，在交通安全、民生治安以及公共财产安全等很多方面有着广泛的应用。

RCNN(Regions with Convolutional Neural Network，区域卷积神经网络)目标检测技术是目前效果较好、使用较广泛的目标检测技术，尤其是更快速区域卷积神经网络Faster RCNN，是RCNN目标检测技术中运行效率最高的技术，是CNN(Convolutional NeuralNetwork，卷积神经网络)实现端到端目标检测的框架。Faster RCNN中，首先，通过将待检测的图像输入卷积神经网络中，得到特征图Feature Map，然后，通过RPN(Region ProposalNetwork)技术从Feature Map中提取多个候选区域，再根据多个候选区域，对Feature Map进行池化操作Roi-pooling，最后，对池化结果进行目标识别和目标位置回归，确定待检测的图像中是否存在指定目标，并确定指定目标的位置。

在例如电网、桥梁等复杂的场景下，由于路面的承载能力有限，以及受光缆、电线、河堤宽度等影响，场景内的车辆、建筑等指定目标受高度、宽度、重量等因素的限制，因此，在这些场景下，不允许挖掘车、推土车、泵车、吊车等作业车辆驶入、不允许搭建违章建筑，需要对这些指定目标进行识别，并及时响应(例如放下闸机、鸣笛报警等)。但是，由于场景中的干扰源非常多，具有很多与指定目标的特征相类似的干扰源，通过上述方法，会将干扰源识别为指定目标，使得对目标的识别具有较高的误检率，目标识别精度较低。

发明内容

本发明实施例的目的在于提供一种目标识别方法、装置及监控设备，以提高目标识别的精度。具体技术方案如下：

第一方面，本发明实施例提供了一种目标识别方法，所述方法包括：

获取待检测图像；

采用预设目标检测方法，通过预先训练得到的检测模型，对所述待检测图像进行检测，得到所述待检测图像中多个目标区域的置信度；

针对置信度低于预设阈值的第一目标区域，通过预先训练得到的多个卷积神经网络分类模型，对所述第一目标区域中的目标进行识别，确定各目标的类别，其中，所述多个卷积神经网络分类模型为：对多个类别的目标分别对应的样本集进行训练得到的模型。

可选的，所述获取待检测图像，包括：

获取指定场景下的源图像；

对所述源图像进行归一化处理，得到满足预设尺寸的待检测图像。

可选的，所述获取待检测图像，包括：

获取指定场景下的源图像；

提取所述源图像中感兴趣区域ROI内的图像，作为待检测图像。

可选的，在所述采用预设目标检测方法，通过预先训练得到的检测模型，对所述待检测图像进行检测，得到所述待检测图像中多个目标区域的置信度之前，所述方法还包括：

获取多个包含有指定目标的图像样本；