【技术实现步骤摘要】
本申请涉及目标检测领域，特别地，涉及一种基于逻辑判定的目标检测方法、装置以及机器人系统。
技术介绍
1、随着人工智能技术的发展，目标检测领域越来越多地应用ai算法。但是，深度学习模型的效果很大程度上取决于训练集，实际表现存在较大差异性，通常情况下，训练集很难覆盖所有情况。样本数量不足和分布不均衡是常见问题，数据集采集也面临困难，导致深度学习这种端到端的预测方法容易出现漏检和误检等情况。目前的ai算法在进行目标检测过程中存在训练难度大，结果精度差等弊端。
2、另一方面，现有的目标检测方案尚未解决不同场景下的普适性问题。例如需要在厨房场景或工厂场景中检测工作人员是否穿戴工作服、佩戴口罩；在交通场景中检测驾驶员是否有打电话、疲劳驾驶等行为。此外，还面临不易获取图像数据场景下的目标检测，如在太空对卫星位姿检测任务等。
3、如何提高模型在不同场景中的泛化能力，避免对具体场景的过度依赖，并降低数据采集和模型训练难度，以及提高目标检测的准确性对于ai技术的发展具有重要意义。
4、应当理解的是，该
技术介绍
内容的描述仅适用于帮助理解本申请所公开的技术方案，该内容并不一定属于本申请的现有技术。
技术实现思路
1、本申请一方面提供了一种逻辑判定的目标检测方法，其特征在于，所述方法包括：形成数据集；采用所述数据集对检测模型进行训练；以及基于逻辑判定策略对目标行为的发生与否进行直接判定。
2、在一个实施方式中，所述数据集经由混合数据增强形成，所述混合数据包括真
3、在一个实施方式中，所述逻辑判定策略包括第一逻辑策略和第二逻辑策略，以及所述第一逻辑策略用于非异常场景下的所述目标行为的判定，所述第二逻辑策略用于异常场景下的所述目标行为的判定，其中，所述异常场景与所述目标行为的不发生相对应。
4、在一个实施方式中，基于所述第一逻辑策略对所述目标行为判定的方法包括：对单个帧的特征进行提取和处理，生成逐帧特征图；采用光流估计网络对附近帧与目标帧之间的光流场进行估计；根据所述光流场的信息将所述附近帧的特征映射到所述目标帧进行特征聚合以生成第一聚合特征图；以及将所述第一聚合特征图输入到所述检测模型，并在所述目标帧上进行目标检测。
5、在一个实施方式中，响应于基于所述第一逻辑策略判定所述目标行为发生，输出判定结果；或者响应于基于所述第一逻辑策略判定所述目标行为未发生，采用所述第二逻辑策略对所述目标行为的发生与否进行补充判定。
6、在一个实施方式中，采用所述第二逻辑策略对所述目标行为进行补充判定的方法包括：在视频流中抽取连续的多帧序列得到多帧图像；将所述多帧图像中的每帧图像输入所述检测模型的主干网络，获取多帧特征图并形成特征图序列；将所述目标帧的特征图与所述特征图序列中不同时刻的图像分别组合成图像对，并输入所述光流估计网络，得到光流场序列；经过所述光流场引导完成特征变换以获得变换后的特征图序列；采用自适应加权网络将所述变换后的特征图序列和所述目标帧的特征图进行聚合生成第二聚合特征图；以及将所述第二聚合特征图输入所述检测模型，获得判定结果。
7、在一个实施方式中，获得所述变换后的特征图序列的方法包括：采用双线性插值函数，根据所述光流场的像素坐标将所述特征图序列通过邻近像素的插值计算进行所述目标帧上的特征变换。
8、在一个实施方式中，所述逐帧特征图包括目标信息，以及所述目标信息为所述光流估计网络进行光流估计和所述目标检测提供数据基础，其中，所述目标信息包括目标语义信息和目标空间信息中的至少一种。
9、在一个实施方式中，所述方法还包括基于推理预测的后处理步骤，以及所述后处理步骤包括：设置置信度阈值以过滤掉可信度较低的检测结果；获得关于目标尺寸大小范围的先验并设定先验阈值，以过滤掉尺寸大小不在范围内的预测结果；检测所述数据集中的目标预测框与相邻预测框的交并比，以过滤掉目标预测框野值，其中，所述先验阈值通过计算所述交并比范围获得的先验知识而确定。
10、在一个实施方式中，其特征在于，形成所述数据集的步骤包括数据标注，以及所述数据标注包括标注多个行为标签，其中，所述目标行为的判定结果与所述行为标签中的至少一个相对应。
11、本申请另一方面提供了一种逻辑判定的目标检测装置，其特征在于，所述装置包括：数据源模块，用于数据的获取和数据集的制作；以及检测模块，包括检测模型和逻辑判定策略，其中，所述检测模型进行训练的数据源来自所述数据集，所述逻辑判定策略直接判定目标行为的发生与否。
12、在一个实施方式中，所述数据集包括真实数据、合成数据以及开源数据中的至少一种。
13、在一个实施方式中，其特征在于，所述逻辑判定策略包括第一逻辑策略和第二逻辑策略，以及所述第一逻辑策略用于非异常场景下的所述目标行为的判定，所述第二逻辑策略用于异常场景下的所述目标行为的判定，其中，所述异常场景与所述目标行为的不发生相对应。
14、在一个实施方式中，所述检测模块还包括推理预测部，所述推理预测部设置有置信度阈值、先验阈值以及交并比，其中，所述交并比基于所述数据集中的目标预测框与相邻预测框确定，所述先验阈值基于计算所述交并比范围获得的先验知识确定。
15、本申请再一方面提供了一种机器人系统，其特征在于，所述机器人系统包括：处理器；信息采集器，用于记录目标信息并将所述目标信息发送至所述处理器；以及存储器，与所述处理器通信连接并存储有可被执行的计算机程序指令，其中，所述计算机程序指令被执行，以将所述目标信息作为数据源进行如上述任一实施方式中的所述目标行为发生与否的判定。
16、本专利技术提供的逻辑判定的目标检测方法可具有以下有益效果：
17、通过逻辑判定策略对检测模型进行训练，可以直接判定目标行为的发生与否，使检测模型对所要获得的事件结果进行直接输出，而不必关注数据集中影响事件的具体因素，大大简化了逻辑流程，从而降低了模型的冗余度、减小了数据处理量及对算力的要求，更具高效性。
18、本专利技术实施方式的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术实施方式的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构和/或功能来实现和获得。
本文档来自技高网...【技术保护点】
1.一种逻辑判定的目标检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述数据集经由混合数据增强形成，所述混合数据包括真实数据、合成数据以及开源数据中的至少一种。
3.根据权利要求1所述的方法，其特征在于，所述逻辑判定策略包括第一逻辑策略和第二逻辑策略，以及
4.根据权利要求3所述的方法，其特征在于，基于所述第一逻辑策略对所述目标行为判定的方法包括：
5.根据权利要求4所述的方法，其特征在于，响应于基于所述第一逻辑策略判定所述目标行为发生，输出判定结果；或者
6.根据权利要求5所述的方法，其特征在于，采用所述第二逻辑策略对所述目标行为进行补充判定的方法包括：
7.根据权利要求6所述的方法，其特征在于，获得所述变换后的特征图序列的方法包括：
8.根据权利要求4所述的方法，其特征在于，所述逐帧特征图包括目标信息，以及所述目标信息为所述光流估计网络进行光流估计和所述目标检测提供数据基础，
9.根据权利要求1所述的方法，其特征在于，所述方法还包括基于推理预测的后
10.根据权利要求1所述的方法，其特征在于，形成所述数据集的步骤包括数据标注，以及所述数据标注包括标注多个行为标签，其中，所述目标行为的判定结果与所述行为标签中的至少一个相对应。
11.一种逻辑判定的目标检测装置，其特征在于，所述装置包括：
12.根据权利要求11所述的装置，其特征在于，所述数据集包括真实数据、合成数据以及开源数据中的至少一种。
13.根据权利要求11所述的装置，其特征在于，所述逻辑判定策略包括第一逻辑策略和第二逻辑策略，以及
14.根据权利要求13所述的装置，其特征在于，所述检测模块还包括推理预测部，所述推理预测部设置有置信度阈值、先验阈值以及交并比，
15.一种机器人系统，其特征在于，所述机器人系统包括：
...【技术特征摘要】
1.一种逻辑判定的目标检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述数据集经由混合数据增强形成，所述混合数据包括真实数据、合成数据以及开源数据中的至少一种。
3.根据权利要求1所述的方法，其特征在于，所述逻辑判定策略包括第一逻辑策略和第二逻辑策略，以及
4.根据权利要求3所述的方法，其特征在于，基于所述第一逻辑策略对所述目标行为判定的方法包括：
5.根据权利要求4所述的方法，其特征在于，响应于基于所述第一逻辑策略判定所述目标行为发生，输出判定结果；或者
6.根据权利要求5所述的方法，其特征在于，采用所述第二逻辑策略对所述目标行为进行补充判定的方法包括：
7.根据权利要求6所述的方法，其特征在于，获得所述变换后的特征图序列的方法包括：
8.根据权利要求4所述的方法，其特征在于，所述逐帧特征图包括目标信息，以及所述目标信息为所述光流估计网络...
【专利技术属性】
技术研发人员：陈震，王志臣，邹睿，叶鲁斌，李桓，
申请(专利权)人：享刻智能技术北京有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。