目标检测方法、装置、设备及介质与流程

1.本公开涉及人工智能领域和金融技术领域，具体地涉及一种目标检测方法、装置、设备、介质和程序产品。


背景技术：

2.传统的目标检测方法一般是通过摄像装置采集到的图像，由于摄像装置的图像是全像素输出，在检测移动物体时通常需要分帧处理，并根据手工设计特征，导致在较为复杂的场景中，会出现误检和漏检的情况。另一方面，全像素输出的图像中数据量较大，冗余数据较多，导致检测效率较低。


技术实现要素：

3.鉴于上述问题，本公开提供了一种目标检测方法、装置、设备、介质和程序产品。
4.根据本公开的一个方面，提供了一种目标检测方法，包括：
5.接收由动态视觉传感器输出的待测事件流，其中，待测事件流表征在目标位置，亮度变化累计达到预设阈值时输出的待测时序像素信号，待测时序像素信号包括目标像素位置信息和目标像素亮度变化信息；
6.根据目标像素位置信息和目标像素亮度变化信息，将预设时长内的待测事件流生成待测事件图像；
7.通过提取待测事件图像的特征信息，得到待测图像；以及
8.将待测图像输入预先训练好的卷积神经网络模型，输出目标检测结果。
9.根据本公开的实施例，根据目标像素位置信息和目标像素亮度变化信息，将预设时长内的待测事件流生成待测事件图像，包括：
10.根据预设时长内n个时刻的待测时序像素信号，构建n个待测像素矩阵；
11.按照产生待测时序像素信号的时间顺序，依次将第n-1个像素矩阵中的每一个像素点的像素亮度变化数据与第n个像素矩阵中的每一个像素点的像素亮度变化数据累计加和，得到待测事件图像。
12.根据本公开的实施例，通过提取待测事件图像的特征信息，得到待测图像，包括：
13.将待测事件图像进行小波分解，得到每一层的小波信号；
14.利用小波阈值函数，对每一分解层内的小波信号进行去噪处理，得到待测图像，其中，待测图像中包括待测事件图像的特征信息。
15.根据本公开的实施例，目标检测结果包括目标像素位置坐标，上述目标检测方法还包括：
16.根据目标像素位置坐标，构建待测图像中的目标检测框；
17.通过统计目标检测框的数量，确定待测图像中的目标数量。
18.根据本公开的实施例，通过统计目标检测框的数量，确定待测图像中的目标数量，包括：
19.分别统计每一个待测图像中的目标检测框的数量；
20.通过计算将多个待测图像中的目标检测框的数量的平均值，确定待测图像中的目标数量。
21.根据本公开的实施例，预先训练好的卷积神经网络模型的训练方法包括：
22.接收由动态视觉传感器输出的历史事件流，其中，历史事件流表征在在目标位置，亮度变化累计达到预设阈值时输出的历史时序像素信号，历史时序像素信号包括历史目标像素位置信息和历史目标像素亮度变化信息；
23.根据历史目标像素位置信息和历史目标像素亮度变化信息，将预设时长内的历史事件流生成历史事件图像，
24.通过提取历史事件图像的特征信息，得到样本数据集；以及
25.利用样本数据集训练待训练的卷积神经网络模型，得到预先训练好的卷积神经网络模型。
26.本公开的另一方面提供了一种目标检测装置，包括：接收模块、生成模块、提取模块和检测模块。其中，接收模块，用于接收由动态视觉传感器输出的待测事件流，其中，事件流表征在在目标位置，亮度变化累计达到预设阈值时输出的待测时序像素信号，待测时序像素信号包括目标像素位置信息和目标像素亮度变化信息。生成模块，用于根据目标像素位置信息和目标像素亮度变化信息，将预设时长内的待测事件流生成待测事件图像。提取模块，用于提取待测事件图像的特征信息，得到待测图像。检测模块，用于将待测图像输入预先训练好的卷积神经网络模型，输出目标检测结果。
27.根据本公开的实施例，生成模块包括构建单元和生成单元。其中，构建单元，用于根据预设时长内n个时刻的待测时序像素信号，构建n个待测像素矩阵。生成单元，用于按照产生待测时序像素信号的时间顺序，依次将第n-1个像素矩阵中的每一个像素点的像素亮度变化数据与第n个像素矩阵中的每一个像素点的像素亮度变化数据累计加和，得到待测事件图像。
28.根据本公开的实施例，第一提取模块包括分解单元和去噪单元，其中，分解单元，用于将待测事件图像进行小波分解，得到每一层的小波信号。去噪单元，用于利用小波阈值函数，对每一分解层内的小波信号进行去噪处理，得到待测图像，其中，待测图像中包括待测事件图像的特征信息。
29.根据本公开的实施例，上述目标检测装置还包括构建模块和统计模块。其中，构建模块，用于根据目标像素位置坐标，构建待测图像中的目标检测框。统计模块，用于通过统计目标检测框的数量，确定待测图像中的目标数量。
30.根据本公开的实施例，统计模块包括统计单元和计算单元。其中，统计单元，用于分别统计每一个待测图像中的目标检测框的数量。计算单元，用于通过计算将多个待测图像中的目标检测框的数量的平均值，确定待测图像中的目标数量。
31.根据本公开的实施例，上述目标检测装置还包括训练模块，用于训练好的卷积神经网络模型。其中，训练模块包括接收单元、生成单元、提取单元和训练单元。其中，接收单元，用于接收由动态视觉传感器输出的历史事件流，其中，历史事件流表征在在目标位置，亮度变化累计达到预设阈值时输出的历史时序像素信号，历史时序像素信号包括历史目标像素位置信息和历史目标像素亮度变化信息。生成单元，用于根据历史目标像素位置信息
和历史目标像素亮度变化信息，将预设时长内的历史事件流生成历史事件图像。提取单元，用于通过提取历史事件图像的特征信息，得到样本数据集。训练单元，用于利用样本数据集训练待训练的卷积神经网络模型，得到预先训练好的卷积神经网络模型。
32.本公开的另一方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述目标检测方法。
33.本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述目标检测方法。
34.本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述目标检测方法。
35.根据本公开的实施例，通过将动态视觉传感器输出的待测事件流生成待测事件图像，由于待测事件流是在目标位置，亮度变化累计达到预设阈值时输出的待测时序像素信号，减少了冗余数据，降低了数据传输量，再通过提取待测事件图像的特征信息。再提取待测事件图像的特征信息得到待测图像，将待测图像输入预先训练好的卷积神经网络模型，输出目标检测结果，提高了复杂场景中的目标检测效率，有效避免目标误检或漏检的问题。
附图说明
36.通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
37.图1示意性示出了根据本公开实施例的目标检测方法、装置、设备、介质和程序产品的应用场景图；
38.图2示意性示出了根据本公开实施例的目标检测方法的流程图；
39.图3a～图3f示意性示出了根据本公开实施例的生成待测事件图像的流程图；
40.图4示意性示出了根据本公开实施例的利用小波阈值函数处理待测事件图像的逻辑框图；
41.图5示意性示出了根据本公开实施例的预先训练好的卷积神经网络的训练方法流程图；
42.图6示意性示出了根据本公开实施例的目标检测装置的结构框图；以及
43.图7示意性示出了根据本公开实施例的适于实现目标检测方法的电子设备的方框图。
具体实施方式
44.以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
45.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在
或添加一个或多个其他特征、步骤、操作或部件。
46.在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
47.在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。
48.需要说明的是，本公开目标检测方法和装置可用于金融技术领域和人工智能技术领域，也可用于除金融技术领域和人工智能技术领域之外的任意领域，本公开目标检测方法和装置的应用领域不做限定。
49.在本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
50.在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。
51.传统的目标检测方法一般采用深度学习方法，使得再视频中使用目标检测效果得到提升。但是，目前进行目标检测的主要工具一般包括激光雷达和摄像装置。由于激光雷达的费用较高，一般采用摄像装置进行图像采集的应用场景较多。
52.但是，一方面，检测移动的物体，通常需要对摄像装置采集到的图像进行分帧，并根据经验手工设计特征，导致在较为复杂的场景中容易出现目标误检或漏检的情况。另一方面，传统的设想装置的成相是一帧一帧全像素输出，是的采集模块和处理模块之间存在较大的传输瓶颈，而且冗余数据较多。又一方面，深度学习模型的规模较大，参数量数以百万甚至千万，是的深度学习模型的训练和使用需要在较高性能的设备上才能够运行，限制了检测方法的应用范围。
53.有鉴于此，本公开的实施例提供了一种目标检测方法，通过将动态视觉传感器输出的待测事件流生成待测事件图像，由于待测事件流是在目标位置，亮度变化累计达到预设阈值时输出的待测时序像素信号，减少了冗余数据，降低了数据传输量，再通过提取待测事件图像的特征信息。再提取待测事件图像的特征信息得到待测图像，将待测图像输入预先训练好的卷积神经网络模型，输出目标检测结果，提高了复杂场景中的目标检测效率，有效避免目标误检或漏检的问题。
54.图1示意性示出了根据本公开实施例的目标检测的应用场景图。
55.如图1所示，根据该实施例的应用场景100可以包括终端设备101、102、103、网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
56.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103可以为能够接收设置在目标检测区域内的动态视觉传感器输出信号的网络视频终端设备。
57.服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103
所采集到的信号或数据提供支持的后台管理服务器(仅为示例)。
58.需要说明的是，本公开实施例所提供的目标检测方法一般可以由服务器105执行。相应地，本公开实施例所提供的目标检测装置一般可以设置于服务器105中。本公开实施例所提供的目标检测方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的目标检测装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
59.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
60.以下将基于图1描述的场景，通过图2～图5对公开实施例的目标检测方法进行详细描述。
61.图2示意性示出了根据本公开实施例的目标检测方法的流程图。
62.如图2所示，该实施例的目标检测方法包括操作s210～操作s240。
63.在操作s210，接收由动态视觉传感器输出的待测事件流，其中，待测事件流表征在目标位置，亮度变化累计达到预设阈值时输出的待测时序像素信号，待测时序像素信号包括目标像素位置信息和目标像素亮度变化信息。
64.根据本公开的实施例，目标位置可以为待检测目标的区域，当某个像素的亮度变化累计达到预设阈值时输出一个事件。其中，预设阈值一般是动态传感器的设定参数。事件一般包括像素位置坐标、像素产生的时间戳、事件的极性。其中，事件的极性一般由正数值和负数值表示像素亮度变化信息。待测事件流可以是动态视觉传感器输出的待测时序信号或待测时序事件。例如：t1时刻输出的事件流可以包括像素位置(a1，b1)和事件极性+m1，像素位置(a2，b2)和事件极性+m2，像素位置(a3，b3)和事件极性-n1，像素位置(a2，b2)和事件极性-n2。
65.在操作s220，根据目标像素位置信息和目标像素亮度变化信息，将预设时长内的待测事件流生成待测事件图像。
66.根据本公开的实施例，预设时长可以为t1～t4时刻。其中，t1时刻事件流中像素位置(a1，b1)和事件极性-n1。t2时刻输出的事件流中像素位置(a2，b2)和事件极性+m3，像素位置(a2，b2)和事件极性-n2。t3时刻输出的事件流中像素位置(a3，b3)和事件极性-n1，像素位置(a2，b2)和事件极性-n2。t4时刻输出的事件流中事件流可以包括像素位置(a1，b1)和事件极性+m1，像素位置(a2，b2)和事件极性+m2。可以将t1～t4时刻的事件六种，相同像素位置的事件极性累计加和，生成待测事件图像。则待测事件图像中，像素位置(a1，b1)的像素点的亮度变化信息(事件极性)为m1-n1；像素位置(a2，b2)的像素点的亮度变化信息(事件极性)为m3-n2+m2-n2；像素位置(a3，b3)像素点的亮度变化信息为-n1。生成的待测事件图像可以灰度图像。
67.在操作s230，通过提取待测事件图像的特征信息，得到待测图像。
68.根据本公开的实施例，由于目标检测环境中一般存在噪声，会对目标检测的结果造成干扰。因此，可以通过对生成的待测事件图像进行去噪处理，以提取特征信息，得到待测图像。例如：在养殖场中，待检测的目标可以为养殖的动物，但是在检测区域中可能存在植物、喂食用具等对象也会被动态视觉传感器采集到，出现在待测事件图像中。可以利用图
像去噪处理的方法，例如：均值滤波法、自适应维纳滤波法、中值滤波法、形态学噪声滤波法、小波去噪法等等。虚化待测事件图像中的非目标对象，凸显目标对象的特征信息。
69.在操作s240，将待测图像输入预先训练好的卷积神经网络模型，输出目标检测结果。
70.根据本公开的实施例，目标检测结果可以包括表征待测图像中包含目标的置信度，置信度可以为0～1中的任意数，置信度越接近于1，则表明待检测图像中包含目标，置信度越接近于0，则表明待检测图像中不包含目标。目标检测结果还可以包括目标的像素位置坐标，例如：目标a的像素位置坐标(x1，y1)，目标b的像素位置坐标(x2，y2)，其中目标a和目标b都是检测目标，可以利用像素坐标的数量确定检测目标的数量。目标的像素位置坐标还可以是含有目标a的最小面积矩形的四个顶点的坐标，也可以利用最小面积矩形的数量确定检测目标的数量。
71.根据本公开的实施例，通过将动态视觉传感器输出的待测事件流生成待测事件图像，由于待测事件流是在目标位置，亮度变化累计达到预设阈值时输出的待测时序像素信号，减少了冗余数据，降低了数据传输量，再通过提取待测事件图像的特征信息。再提取待测事件图像的特征信息得到待测图像，将待测图像输入预先训练好的卷积神经网络模型，输出目标检测结果，提高了复杂场景中的目标检测效率，有效避免目标误检或漏检的问题。
72.根据本公开的实施例，该实施例生成待测事件图像的方法包括：
73.根据预设时长内n个时刻的待测时序像素信号，构建n个待测像素矩阵；
74.按照产生待测时序像素信号的时间顺序，依次将第n-1个像素矩阵中的每一个像素点的像素亮度变化数据与第n个像素矩阵中的每一个像素点的像素亮度变化数据累计加和，得到待测事件图像。
75.图3a～图3f示意性示出了根据本公开实施例的生成待测事件图像的流程图。
76.如图3a所示，t1时刻的像素矩阵是4
×
4像素矩阵中，每一个元素表示一个像素位置的像素点。在图3a中，第2行第2列的像素点的亮度变化可以为+m，第4行第4列的像素点的亮度变化可以为+n。由于此时接收到的事件仅由t1时刻的像素信号，因此，显示的事件图像与接收到的像素信号相同，如图3b所示。
77.如图3c所示，在t2时刻的像素矩阵中，第1行第2列的像素点的亮度变化可以为-p，第2行第4列的像素点的亮度变化可以为-q。以预设时长为t1～t2时刻为例，可以将t1时刻的待测像素矩阵中每一个元素与t2时刻的待测像素矩阵中每一个元素的亮度变化数据对应累计加和，得到预设时长t1～t2的待测事件图像。待测事件图像如图3d所示，在待测事件图像中，第2行第2列的像素点的亮度变化可以为+m，第4行第4列的像素点的亮度变化可以为+n，第1行第2列的像素点的亮度变化可以为-p，第2行第4列的像素点的亮度变化可以为-q。
78.如图3e所示，在t3时刻的像素矩阵中，第1行第1列的像素点的亮度变化可以为+h，第4行第4列的像素点的亮度变化可以为+k。以预设时长为t1～t3时刻为例，可以将t1时刻的待测像素矩阵中每一个元素与t2时刻的待测像素矩阵中每一个元素的亮度变化数据、t3时刻的待测像素矩阵中每一个元素的亮度变化数据对应累计加和，得到预设时长t1～t3的待测事件图像。待测事件图像如图3f所示，在待测事件图像中，第2行第2列的像素点的亮度变化可以为+m，第1行第2列的像素点的亮度变化可以为-p，第2行第4列的像素点的亮度变
化可以为-q，第1行第1列的像素点的亮度变化可以为+h，第4行第4列的像素点的亮度变化可以为k+n。
79.根据本公开的实施例，在上述像素矩阵中，没有亮度变化的像素点，在像素矩阵中，均可以表示为空白，其亮度变化数据可以表示为零。
80.根据本公开的实施例，通过将预设时长的事件流中包含的像素点的亮度变化数据累计加和得到待测事件图像，由于事件流是在像素点的亮度变化预设阈值时才输出的有效像素，在将有效像素点的亮度变化数据累计加和生成待测事件图像，减少了冗余数据的输入。
81.根据本公开的实施例，通过提取待测事件图像的特征信息，得到待测图像，包括：
82.将待测事件图像进行小波分解，得到每一层的小波信号；
83.利用小波阈值函数，对每一分解层内的小波信号进行去噪处理，得到待测图像，其中，待测图像中包括待测事件图像的特征信息。
84.根据本公开的实施例，将待测事件图像进行小波分解，得到每一层的小波信号，可以通过matlab软件进行。
85.根据本公开的实施例，利用小波阈值函数，对每一分解层内的小波信号进行去噪处理的过程如图4所示。
86.图4示意性示出了根据本公开实施例的利用小波阈值函数处理待测事件图像的逻辑框图。
87.如图4所示，该实施例的利用小波阈值函数处理待测事件图像的方法包括操作s410～s470。
88.在操作s410，将待测事件图像进行小波分解，得到每一层的小波信号；
89.在操作s420，针对每一层的小波信号的小波系数，确定是否满足预设条件，预设条件可以为大尺度低分辨率，若是则执行s430，若不是则执行s440。
90.在操作s430，保留该层小波系数，该层小波系数用于执行操作s470。
91.在操作s440，针对不满足预设条件的对应层的小波信号，确定其小波系数是否大于阈值系数，若是，则执行s450，若不是，则执行s460。
92.在操作s450，保留小波系数，该层小波系数用于执行操作s470。
93.在操作s460，将小波系数设置为零，该层小波系数用于执行操作s470。
94.在操作s470，利用上述针对每一层的小波系数的判断结果，针对相应的分解层的小波信号进行小波逆变换，得到待测图像。
95.根据本公开的实施例，通过小波变化对待测事件图像进行去噪处理，具有去相关性、多分辨率、低熵性、灵活性的有点，在去噪的同时，较好的保留原待测事件图像中的细节特征，用于目标检测，提高检测的准确率。
96.根据本公开的实施例，上述目标检测方法还包括：
97.根据目标像素位置坐标，构建待测图像中的目标检测框；
98.通过统计目标检测框的数量，确定待测图像中的目标数量。
99.根据本公开的实施例，目标的像素位置坐标，例如：目标a的像素位置坐标(x01，y01)，目标b的像素位置坐标(x02，y02)，可以以目标a的像素位置坐标(x01，y01)为中心点构建面积最小的矩形，作为目标检测框a，例如：目标检测框a的四个顶点坐标可以为a(x1，
y1)，b(x2，y2)，c(x3，y3)，d(x4，y4)。可以以目标b的像素位置坐标(x02，y02)为中心点构建面积最小的矩形，作为目标检测框b，目标检测框b的四个顶点可以为a(x11，y11)，b(x22，y22)，c(x33，y33)，d(x44，y44)。
100.根据本公开的实施例，通过统计目标检测框的数量，确定待测图像中的目标数量。例如：在一个检测区域内，通过本公开实施例提供的目标检测方法，在待测图像构建目标检测框n个，则可以确定该待测图像的目标数量为n。
101.根据本公开的实施例，通过根据目标位置坐标，构建目标检测框，通过统计目标检测框的数量，确定待测图像中的目标数量，可以实现对目标检测区域内目标的数量的精准统计。
102.根据本公开的实施例，通过统计目标检测框的数量，确定待测图像中的目标数量，包括：
103.分别统计每一个待测图像中的目标检测框的数量；
104.通过计算将多个待测图像中的目标检测框的数量的平均值，确定待测图像中的目标数量。
105.根据本公开的实施例，在实际应用场景中，对于同一检测区域可以架设多个动态视觉传感器，可以将每一个动态视觉传感器输出的事件流，根据本公开实施例提供的目标检测方法，转化为事件图像后输入卷积神经网络进行检测，输出目标检测结果。可以将多个动态视觉传感器在同一时间段内生成的待测图像，分别统计目标检测框的数量，再通过计算多个目标检测框数量统计结果的平均值，确定待测图像中的目标数量。例如：在同一时间段内，动态时间传感器a输出的事件流处理得到的待测图像中目标检测框的数量为m，动态时间传感器b输出的事件流处理得到的待测图像中目标检测框的数量为n，可以将m和n的平均值作为该检测区域的目标数量。
106.根据本公开的实施例，通过计算多个待测图像中的目标检测框的数量的平均值，确定待测图像中的目标数量，可以提高目标数据统计的精度。
107.图5示意性示出了根据本公开实施例的预先训练好的卷积神经网络的训练方法流程图。
108.如图5所示，该实施例的预先训练好的卷积神经网络的训练方法包括操作s510～s540。
109.在操作s510，接收由动态视觉传感器输出的历史事件流，其中，历史事件流表征在在目标位置，亮度变化累计达到预设阈值时输出的历史时序像素信号，历史时序像素信号包括历史目标像素位置信息和历史目标像素亮度变化信息。
110.在操作s520，根据历史目标像素位置信息和历史目标像素亮度变化信息，将预没时长内的历史事件流生成历史事件图像；
111.在操作s530，通过提取历史事件图像的特征信息，得到样本数据集；
112.在操作s540，利用样本数据集训练待训练的卷积神经网络模型，得到预先训练好的卷积神经网络模型。
113.根据本公开的实施例，卷积神经网络模型可以选择yolo v5卷积神经网络模型。但由于yolo v5卷积神经网络模型中的网络结构是基于dardent-53作为网络的基础架构，基于dardent-53作为网络的基础架构存在网络参数过多，计算量较大的问题，为了使网络轻
量化，本公开实施例中卷积神经网络模型中的基础网络架构可以选择mobilenet v2。mobilenet v2主要的网络层是深度可分离卷积层，可以将yolo v5卷积神经网络模型的中深层网络层中的卷积核为3
×
3的标准卷积层替换为mobilenet v2的深度可分离卷积层，并采用mobilenet v2网络架构中的relu激活函数，以降低本公开实施例中卷积神经网络模型中的参数量和计算量，达到轻量化计算的目的。
114.根据本公开的实施例，利用样本数据集训练待训练的卷积神经网络模型，可以以样本数据是否含有目标以及目标的像素坐标作为样本标签，进行有监督的模型训练。
115.根据本公开的实施例，由于样本数据是将动态视觉传感器输出的事件流转化为事件图像，再经过去噪处理得到的，样本数据中冗余数据少，特征突出，提高了模型训练的效率。
116.基于上述目标检测方法，本公开还提供了一种目标检测装置。以下将结合图6对该装置进行详细描述。
117.图6示意性示出了根据本公开实施例的目标检测装置的结构框图。
118.如图6所示，该实施例的目标检测装置600包括接收模块610、生成模块620、提取模块630、检测模块640。
119.接收模块610用于接收由动态视觉传感器输出的待测事件流，其中，事件流表征在在目标位置，亮度变化累计达到预设阈值时输出的待测时序像素信号，待测时序像素信号包括目标像素位置信息和目标像素亮度变化信息。在一实施例中，接收模块61o可以用于执行前文描述的操作s210，在此不再赘述。
120.生成模块620用于根据目标像素位置信息和目标像素亮度变化信息，将预设时长内的待测事件流生成待测事件图像。在一实施例中，生成模块620可以用于执行前文描述的操作s220，在此不再赘述。
121.提取模块630用于提取待测事件图像的特征信息，得到待测图像。在一实施例中，提取模块630可以用于执行前文描述的操作s230，在此不再赘述。
122.检测模块640用于将待测图像输入预先训练好的卷积神经网络模型，输出目标检测结果。在一实施例中，检测模块640可以用于执行前文描述的操作s240，在此不再赘述。
123.根据本公开的实施例，生成模块包括构建单元和生成单元。其中，构建单元，用于根据预设时长内n个时刻的待测时序像素信号，构建n个待测像素矩阵。生成单元，用于按照产生待测时序像素信号的时间顺序，依次将第n-1个像素矩阵中的每一个像素点的像素亮度变化数据与第n个像素矩阵中的每一个像素点的像素亮度变化数据累计加和，得到待测事件图像。
124.根据本公开的实施例，第一提取模块包括分解单元和去噪单元，其中，分解单元，用于将待测事件图像进行小波分解，得到每一层的小波信号。去噪单元，用于利用小波阈值函数，对每一分解层内的小波信号进行去噪处理，得到待测图像，其中，待测图像中包括待测事件图像的特征信息。
125.根据本公开的实施例，上述目标检测装置还包括构建模块和统计模块。其中，构建模块，用于根据目标像素位置坐标，构建待测图像中的目标检测框。统计模块，用于通过统计目标检测框的数量，确定待测图像中的目标数量。
126.根据本公开的实施例，统计模块包括统计单元和计算单元。其中，统计单元，用于
分别统计每一个待测图像中的目标检测框的数量。计算单元，用于通过计算将多个待测图像中的目标检测框的数量的平均值，确定待测图像中的目标数量。
127.根据本公开的实施例，上述目标检测装置还包括训练模块，用于训练好的卷积神经网络模型。其中，训练模块包括接收单元、生成单元、提取单元和训练单元。其中，接收单元，用于接收由动态视觉传感器输出的历史事件流，其中，历史事件流表征在在目标位置，亮度变化累计达到预设阈值时输出的历史时序像素信号，历史时序像素信号包括历史目标像素位置信息和历史目标像素亮度变化信息。生成单元，用于根据历史目标像素位置信息和历史目标像素亮度变化信息，将预设时长内的历史事件流生成历史事件图像。提取单元，用于通过提取历史事件图像的特征信息，得到样本数据集。训练单元，用于利用样本数据集训练待训练的卷积神经网络模型，得到预先训练好的卷积神经网络模型。
128.根据本公开的实施例，接收模块610、生成模块620、提取模块630、检测模块640中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，接收模块610、生成模块620、提取模块630、检测模块640中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，接收模块610、生成模块620、提取模块630、检测模块640中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
129.图7示意性示出了根据本公开实施例的适于实现目标检测方法的电子设备的方框图。
130.如图7所示，根据本公开实施例的电子设备700包括处理器701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如cpu)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(asic))等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
131.在ram 703中，存储有电子设备700操作所需的各种程序和数据。处理器701、rom 702以及ram 703通过总线704彼此相连。处理器701通过执行rom 702和/或ram 703中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除rom 702和ram 703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
132.根据本公开的实施例，电子设备700还可以包括输入/输出(i/o)接口705，输入/输出(i/o)接口705也连接至总线704。电子设备700还可以包括连接至i/o接口705的以下部件中的一项或多项：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、
半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
133.本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
134.根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的rom 702和/或ram 703和/或rom 702和ram 703以外的一个或多个存储器。
135.本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的上述方法。
136.在该计算机程序被处理器701执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
137.在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分709被下载和安装，和/或从可拆卸介质711被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
138.在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
139.根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如java，c++，python，“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
140.附图中的流程图和框图，图示了按照本公开各种实施例的系统、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，上述模块、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，两个接连地表示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，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操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。
141.本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
142.以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。