位置预测方法、装置、电子设备及可读存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112836568A(43)申请公布日2021.05.25(21)申请号202011461849.0(22)申请日2020.12.08(71)申请人北京迈格威科技有限公司地址100090北京市海淀区科学院南路2号融科资讯中心A座316-318(72)发明人邹佳辰(74)专利代理机构北京超凡宏宇专利代理事务所(特殊普通合伙)11463代理人何少岩(51)Int.Cl.G06K9/00(2006.01)G06N3/08(2006.01)权利要求书2页说明书14页附图1页(54)发明名称位置预测方法、装置、电子设备及可读存储介质(57)摘要本申请提供一种位置预测方法、装置、电子设备及可读存储介质，涉及图像处理技术领域。该方法包括：针对多帧图像中的第一目标帧图像，通过神经网络模型预测所述第一目标帧图像中目标物体的预测位置；针对所述多帧图像中的第二目标帧图像，基于其之前的第一历史帧图像中所述目标物体的最新预测位置预测所述第二目标帧图像中所述目标物体的预测位置；其中，相邻两张第一目标帧图像之间包括至少一张第二目标帧图像。本方案可使得神经网络模型无需对所有图像中的物体进行位置预测，只需对其中一部分的图像进行位置预测即可，一方面减少了神经网络模型的运算量，降低了神经网络模型的功耗，另一方面又减少了对每帧图像的位置检测的时延。CN112836568ACN112836568A权利要求书1/2页1.一种位置预测方法，其特征在于，所述方法包括：针对多帧图像中的第一目标帧图像，通过神经网络模型预测所述第一目标帧图像中目标物体的预测位置；针对所述多帧图像中的第二目标帧图像，基于其之前的第一历史帧图像中所述目标物体的预测位置预测所述第二目标帧图像中所述目标物体的预测位置；其中，相邻两张第一目标帧图像之间包括至少一张第二目标帧图像。2.根据权利要求1所述的方法，其特征在于，所述通过神经网络模型预测所述第一目标帧图像中目标物体的预测位置，包括：基于所述第一目标帧图像之前的第二历史帧图像中所述目标物体的最新预测位置获得所述目标物体在所述第一目标帧图像中的第一预测位置；通过神经网络模型预测所述第一目标帧图像中所述目标物体的第二预测位置；根据所述第一预测位置对所述第二预测位置进行修正，获得通过所述神经网络模型预测的所述第一目标帧图像中所述目标物体的预测位置。3.根据权利要求2所述的方法，其特征在于，所述根据所述第一预测位置对所述第二预测位置进行修正，获得通过所述神经网络模型预测的所述第一目标帧图像中所述目标物体的预测位置，包括：确定所述第二预测位置与所述第一预测位置之间的位置误差；基于所述位置误差确定卡尔曼系数；基于所述卡尔曼系数、所述第一预测位置以及所述第二预测位置，获得通过所述神经网络模型预测的所述第一目标帧图像中所述目标物体的预测位置。4.根据权利要求3所述的方法，其特征在于，所述基于所述位置误差确定卡尔曼系数，包括：基于所述位置误差确定对应的位置方差；根据所述位置方差确定卡尔曼系数。5.根据权利要求4所述的方法，其特征在于，采用如下公式确定所述位置方差：其中，Ppred为所述位置方差，Q为所述神经网络模型的初始方差，C为预设系数，S为所述位置误差，P为所述神经网络模型的方差。6.根据权利要求3‑5任一所述的方法，其特征在于，所述方法还包括：在每次通过所述神经网络模型预测获得所述目标物体的预测位置后，对所述神经网络模型的方差进行更新。7.根据权利要求6所述的方法，其特征在于，对所述神经网络模型的方法进行更新的方式如下：P＝(1‑K)Ppred+K×Q；其中，K为所述卡尔曼系数。8.根据权利要求4‑7任一所述的方法，其特征在于，采用如下公式计算所述卡尔曼系数：2CN112836568A权利要求书2/2页其中，K为所述卡尔曼系数，Ppred为位置方差，Q为所述神经网络模型的初始方差。9.根据权利要求3‑8任一所述的方法，其特征在于，采用如下公式计算获得所述第一目标帧图像中所述目标物体的预测位置：X'＝(1‑K)×Xpred+K×Xdetector；其中，X'为目标物体在所述第一目标帧图像中最终的预测位置，K为所述卡尔曼系数，Xdetector为所述第一预测位置，Xpred为所述第二预测位置。10.根据权利要求3‑9任一所述的方法，其特征在于，所述第二目标帧图像的帧数或所述第一目标帧图像与下一第一目标帧图像之间的时间间隔为基于所述卡尔曼系数确定的。11.一种位置预测装置，其特征在于，所述装置包括：第一预测模块，用于针对多帧图像中的第一目标帧图像，通过神经网络模型预测所述第一目标帧图像中目标物体的预测位置；第二预测模块，用于针对所述多帧图像中的第二目标帧图像，基于其之前的第一历史帧图像中所述