[發明專利]空間與或圖模型生成方法、裝置、電子設備和存儲介質

在審

• 申請號: 202011570385.7
• 申請日: 2020-12-26
• 公開（公告）號: CN112634369A
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 王穎
• 申請（專利權）人: 西安科銳盛創新科技有限公司
• 主分類號: G06T7/73
• 分類號: G06T7/73;G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安嘉思特知識產權代理事務所(普通合伙) 61230
• 代理人: 王海棟

1.一種空間與或圖模型生成方法，其特征在于，包括：

獲取針對預設場景的場景視頻；

利用預先訓練的場景目標檢測網絡對所述場景視頻中的目標進行檢測，得到所述場景視頻的每一幀圖像中各目標分別對應的屬性信息；其中，所述場景目標檢測網絡是基于YOLO_v3網絡的主干網絡中，殘差模塊更換為密集連接模塊得到的；所述場景目標檢測網絡是根據樣本場景視頻，以及所述樣本場景視頻的每一幀圖像中各目標的屬性信息訓練得到的；所述屬性信息包括包含所述目標的邊界框的位置信息和所述目標的類別信息；

基于所述每一幀圖像中各目標分別對應的屬性信息，利用預設的多目標跟蹤算法對所述場景視頻的各幀圖像中的相同目標進行匹配；

確定每一幀圖像中不同目標之間的實際空間距離；

利用匹配后各幀圖像對應的目標的所述屬性信息以及所述實際空間距離，生成所述預設場景的空間與或圖模型。

2.根據權利要求1所述的方法，其特征在于，所述場景目標檢測網絡的主干網絡包括多個間隔串接的密集連接模塊和過渡模塊；所述密集連接模塊的數量至少為三個；所述密集連接模塊包括串行連接的卷積網絡模塊和密集連接單元組；所述卷積網絡模塊包括串行連接的卷積層、BN層、Leaky relu層；所述密集連接單元組包括m個密集連接單元；每個密集連接單元包括多個采用密集連接形式連接的所述卷積網絡模塊，并采用級聯方式融合多個卷積網絡模塊輸出的特征圖；其中，m為大于等于4的自然數。

3.根據權利要求2所述的方法，其特征在于，所述過渡模塊為所述卷積網絡模塊。

4.根據權利要求2所述的方法，其特征在于，所述過渡模塊包括所述卷積網絡模塊和最大池化層；所述卷積網絡模塊的輸入和所述最大池化層的輸入共用，所述卷積網絡模塊輸出的特征圖和所述最大池化層輸出的特征圖采用級聯方式融合。

5.根據權利要求4所述的方法，其特征在于，所述過渡模塊包括的所述卷積網絡模塊的數量為兩個或三個，且各個卷積網絡模塊之間采用串接方式。

6.根據權利要求1所述的方法，其特征在于，所述預設的多目標跟蹤算法，包括：

DeepSort算法。

7.根據權利要求1或5所述的方法，其特征在于，所述確定每一幀圖像中不同目標之間的實際空間距離，包括：

在每一幀圖像中，確定每個目標的像素坐標；

針對每個目標，利用單目視覺定位測距技術，計算該目標的所述像素坐標在世界坐標系中對應的實際坐標；

針對每一幀圖像，利用該幀圖像中每兩個目標的所述實際坐標，得到該幀圖像中該兩個目標之間的實際空間距離。

8.一種空間與或圖模型生成裝置，其特征在于，包括：

視頻獲取模塊，用于獲取針對預設場景的場景視頻；

目標檢測模塊，用于利用預先訓練的場景目標檢測網絡對所述場景視頻中的目標進行檢測，得到所述場景視頻的每一幀圖像中各目標分別對應的屬性信息；其中，所述場景目標檢測網絡是基于YOLO_v3網絡的主干網絡中，殘差模塊更換為密集連接模塊得到的；所述場景目標檢測網絡是根據樣本場景視頻，以及所述樣本場景視頻的每一幀圖像中各目標的屬性信息訓練得到的；所述屬性信息包括包含所述目標的邊界框的位置信息和所述目標的類別信息；

目標跟蹤模塊，用于基于所述每一幀圖像中各目標分別對應的屬性信息，利用預設的多目標跟蹤算法對所述場景視頻的各幀圖像中的相同目標進行匹配；

距離計算模塊，用于確定每一幀圖像中不同目標之間的實際空間距離；

模型生成模塊，用于利用匹配后各幀圖像對應的目標的所述屬性信息以及所述實際空間距離，生成所述預設場景的空間與或圖模型。

9.一種電子設備，其特征在于，包括處理器、通信接口、存儲器和通信總線，其中，所述處理器、所述通信接口、所述存儲器通過所述通信總線完成相互相的通信；

所述存儲器，用于存放計算機程序；

所述處理器，用于執行所述存儲器上所存放的程序時，實現權利要求1-7任一所述的方法步驟。

10.一種計算機可讀存儲介質，其特征在于，

所述計算機可讀存儲介質內存儲有計算機程序，所述計算機程序被處理器執行時實現權利要求1-7任一所述的方法步驟。