(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210531336.5 (22)申请日 2022.05.16 (71)申请人 京东方科技 集团股份有限公司 地址 100015 北京市朝阳区酒仙桥路10号 (72)发明人 祖春山　 (74)专利代理 机构 北京博思佳知识产权代理有 限公司 1 1415 专利代理师 董晓盈 (51)Int.Cl. G06T 7/246(2017.01) G06V 20/40(2022.01) G06V 10/764(2022.01) G06V 10/74(2022.01) G06V 10/40(2022.01) G06V 10/25(2022.01)G06V 10/20(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 一种动态目标分析方法、 装置、 设备及存储 介质 (57)摘要 本发明公开了一种动态目标分析方法、 装 置、 设备及存储介质。 所述方法包括： 针对待检测 视频数据进行目标检测， 获取每帧图像的目标检 测框； 基于所获取的检测框， 利用预设目标跟踪 算法， 确定一个或多个检测框集合； 其中， 每个检 测框集合中包含不同图像之间属于同一目标的 检测框， 不同检测框集合对应于不同目标； 针对 每个检测框集合中检测框所包含的图像， 确定图 像质量； 所述图像质量与检测框集合对应目标的 分类准确率正相关； 筛选出图像质量大于预设质 量的检测框集合； 基于筛选出的每个检测框集合 中检测框 所包含的图像， 确定该检测框集合对应 目标的类别。 权利要求书3页 说明书20页 附图5页 CN 114782494 A 2022.07.22 CN 114782494 A 1.一种动态目标分析 方法， 其特 征在于， 包括： 针对待检测视频 数据进行目标检测， 获取每帧图像的目标检测框； 基于所获取的检测框， 利用预设目标跟踪算法， 确定一个或多个检测框集合； 其中， 每 个检测框集合中包含不同图像之间属于同一目标的检测框， 不同检测框集合对应于不同目 标； 针对每个检测框集合中检测框所包含的图像， 确定 图像质量； 所述图像质量与检测框 集合对应目标的分类准确率 正相关； 筛 选出图像质量大于预设质量的检测框集 合； 基于筛选出的每个检测框集合中检测框所包含的图像， 确定该检测框集合对应目标的 类别。 2.根据权利要求1所述的方法， 其特征在于， 所述基于筛选出的每个检测框集合中检测 框所包含的图像， 确定该检测框集 合对应目标的类别， 包括： 基于筛选出的每个检测框集合中检测框所包含的图像， 提取目标的特征， 比对所述目 标的特征与预设类别特征集合中的特征， 将相似度大于预设相似度阈值的特征对应的类 别， 确定为该检测框集 合对应目标的类别。 3.根据权利要求2所述的方法， 其特征在于， 所述针对待检测视频数据进行目标检测， 包括： 针对待检测视频 数据中目标的第一类别进行检测； 所述预设分类特征集合包括： 第二类别的特征； 所述第二类别是所述第一类别的细分 类别； 所述方法还 包括： 预先设置各个第一类别对应的特 征提取模型； 所述基于 筛选出的每 个检测框集 合中检测框所包 含的图像， 提取目标的特 征， 包括： 针对筛选出的每 个检测框集 合， 确定该检测框集 合对应目标的第一类别； 利用所确定的第 一类别对应的特征提取模型， 针对筛选出的每个检测框集合中检测框 所包含的图像， 提取目标的特 征。 4.根据权利要求1所述的方法， 其特征在于， 所述针对待检测视频数据进行目标检测， 包括： 将待检测视频数据输入预设目标检测模型， 所述预设目标检测模型用于确定目标的第 三类别； 所述预设目标检测模型包 含对应于每 个第三类别的检测框预测分支； 在确定任一目标的第 三类别的情况下， 将该第 三类别对应的检测框预测分支输出的检 测框， 确定为该目标的检测框 。 5.根据权利要求1所述的方法， 其特征在于， 所述针对待检测视频数据进行目标检测， 包括： 将待检测视频数据输入预设目标检测模型， 所述预设目标检测模型用于确定目标的检 测框位置、 尺寸和旋转角度； 所述预设目标检测模型包 含， 检测框 旋转角度的回归预测分支和分类预测分支； 针对任一目标， 综合所述预设目标检测模型中回归预测分支和分类预测分支 的输出， 确定旋转角度综合结果。 6.根据权利要求1所述的方法， 其特征在于， 所述基于所获取的检测框， 利用预设目标 跟踪算法， 确定一个或多个 检测框集 合， 包括：权　利　要　求　书 1/3 页 2 CN 114782494 A 2将所述待检测视频数据中首帧图像的下一帧图像确定为当前图像， 循环执行以下步 骤： 基于上一帧图像中通过目标检测得到的第 一真实检测框， 利用预设参数对当前图像中 的检测框进行 预测， 得到预测检测框； 不同预测检测框对应于不同第一真实检测框； 针对当前图像 中通过目标检测得到的每个第 二真实检测框， 与 所得到的预测检测框进 行配对， 在确定该第二真实检测框与一个预测检测框配对成功的情况下， 确定该第二真实 检测框与该预测检测框对应的第一真实检测框属于同一目标， 添加到该目标对应的检测框 集合； 基于配对结果， 更新所述预设参数； 在当前图像不存在下一帧图像的情况 下， 结束循环； 在当前图像存在下一帧图像的情况 下， 将下一帧图像确定为当前图像。 7.根据权利要求6所述的方法， 其特 征在于， 所述预设参数包括， 卡尔曼 滤波的参数； 所述利用预设参数对当前图像中的检测框进行预测， 包括： 利用卡尔曼滤波对当前图 像中的检测框进行 预测； 所述针对当前图像中通过目标检测得到的每个第 二真实检测框， 与 所得到的预测检测 框进行配对， 包括： 针对当前图像 中通过目标检测得到的每个第 二真实检测框包含的图像， 以及所得到的 预测检测框包含的图像， 计算预设检测框图像特征； 所述预设检测框图像特征 的计算复杂 度小于预设复杂度阈值； 利用匈牙利算法， 根据 预设检测框图像特征的相似度， 以及检测框重合度， 将第 二真实 检测框与预测检测框进行配对。 8.根据权利要求1所述的方法， 其特征在于， 所述针对每个检测框集合中检测框所包含 的图像， 确定图像质量， 包括： 将每个检测框集合中检测框所包含的图像输入预设质量分析模型； 所述预设质量分析 模型用于确定图像质量； 所述预设质量分析模 型包含图像质量的回归预测分支和分类预测 分支； 针对任一检测框集合， 综合所述预设质量分析模型中回归预测分支和分类预测分支的 输出， 确定图像质量。 9.根据权利要求1所述的方法， 其特征在于， 用于针对待检测视频数据进行目标检测的 第一神经网络模型、 用于确定图像质量的第二神经网络模型和用于确定检测框集合对应目 标的类别的第三神经网络模型中， 至少一个神经网络模型通过以下量 化方式得到： 针对以第一参数精度训练完成的初始神经网络模型， 量化为第二参数精度， 得到中间 神经网络模型； 第二 参数精度低于第一 参数精度； 循环执行以下步骤， 直到当前中间神经网络模型的准确度和计算速度满足预设量化要 求： 确定当前中间神经网络模型的准确度和计算速度； 确定所述初始神经网络模型与当前中间神经网络模型之间每层的输出误差； 选择其中输出误差最大的层提高参数精度， 得到新的中间神经网络模型作为当前中间 神经网络模型。权　利　要　求　书 2/3 页 3 CN 114782494 A 3