CN102184417A - 一种数字图像中物体检测方法及装置 - Google Patents
一种数字图像中物体检测方法及装置 Download PDFInfo
- Publication number
- CN102184417A CN102184417A CN2011101201305A CN201110120130A CN102184417A CN 102184417 A CN102184417 A CN 102184417A CN 2011101201305 A CN2011101201305 A CN 2011101201305A CN 201110120130 A CN201110120130 A CN 201110120130A CN 102184417 A CN102184417 A CN 102184417A
- Authority
- CN
- China
- Prior art keywords
- engine
- different
- image
- similar
- conjunction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种数字图像中物体检测方法,包括以下步骤:A)统计分析同类物体的特征信息,获取各个特征的不同权重;B)利用各种摄像器材采集待检测物体的具体图像信息;C)以统计分析后同类物体的特征信息为指导,提取待检测物体的图像的相关特征;D)将检测窗口划过全部待检测物体的图像,利用相关特征出现的高概率来确定检测物体。本发明通过采集大量同类物体的不同图像信息,利用数学模型统计计算其共同图像特征的权重,把一个复杂问题分解为若干个简单问题进行运算,可对该类物体做出更为精确、更为完整的描述,利用同类物体不同特征权重的信息相互补充、相互印证的特点,按照一定规则将不同权重信息融合起来,提高物体检测可靠性。
Description
技术领域
本发明涉及一种数字图像中物体检测方法及装置,属于图像处理中物体检测领域。
背景技术
目标物体检测在日常生活中有着各种各样的重要应用。现有的方法趋向于用单一的模板来描述同类物体。而在现实世界中,同类物体在不同的数字图像中存在着一定的差异性。对同类客观事物在不同光照,角度下得到该客观事物的数字图像信息存在着明显不同,很难用单一的模板将其描述出来。以手势检测为例,同类手势存在着以下不同点:1)大小差异:不同人的同类手势大小不同;2)光照差异:同类手势在不同光照条件下在图像上的表现不同;3)角度差异:同类手势在不同角度下在图像上的表现不同;4)肤色差异:不同肤色的同类手势呈现不同颜色的图像。基于上述差异,单一的模板是对该类物体的不完整描述,难以容忍该类物体的内部差异,其描述具有不确定性,不完备性。使用单一模板进行匹配和检测,其结果会受到外部环境的影响而表现出不稳定性。另外现有的物体检测装置使用通用数字信号处理器来实现该算法。该算法本质上是串行处理,串行处理得慢速缺点会导致人机交互不够及时,此外当数据从片外存储器加载到片内存储器时,由于通用DSP采用固定的内存架构,其缓慢的处理速度也大大影响了高速缓存的速度。
发明内容
本发明的目的在于克服现有技术存在的不足,提供一种数字图像中物体检测方法。
本发明的目的是通过以下方案来实现的:
一种数字图像中物体检测方法,包括以下步骤:
A)统计分析同类物体的特征信息,获取各个特征的不同权重;
B)利用各种摄像器材采集待检测物体的具体图像信息;
C)以统计分析后同类物体的特征信息为指导,提取待检测物体的图像的相关特征;
D)将检测窗口划过全部待检测物体的图像,利用相关特征出现的高概率来确定检测物体。
步骤A)中,同类物体的特征信息为同类物体在不同背景、不同角度、不同光照情况下成像内容之间相似的特征信息。
步骤C)中,将待检测物体的图像划分不同的子图像并提取相关特征。
步骤D)中,检测窗口依从左到右、从上到上的顺序划过全部待检测物体的图像。
本发明的另一目的在于提供一种数字图像中物体检测装置。
一种数字图像中物体检测装置,包括主控制器、摄像仪、片外存储器和图像处理芯片,所述主控制器与摄像仪连接,片外存储器与图像处理芯片连接,所述图像处理芯片包括第一片内高速缓存、第二片内高速缓存、均值缓存、存储控制器、CE引擎、CM引擎和结合引擎,所述第一内片高速缓存、第二内片高速缓存、均值缓存的一端并行接于存储控制器上,其另一端分别与CE引擎、CM引擎和结合引擎的一端连接,所述CE引擎的另一端通过CM引擎与结合引擎连接,所述结合引擎与主控制器连接。
在上述基础上,本发明所述结合引擎与主控制器之间通过SPI接口连接。
本发明的优点在于:与现有技术相比较,本发明的有益效果是:本发明通过采集大量同类物体的不同图像信息,利用数学模型统计计算其共同图像特征的权重,把一个复杂问题分解为若干个简单问题进行运算,可对该类物体做出更为精确、更为完整的描述。利用同类物体不同特征权重的信息相互补充、相互印证的特点,按照一定规则将不同权重信息融合起来,提高物体检测可靠性。同时,本发明采用了两个专用的特征提取和匹配的并行硬件结构,大大降低了芯片面积及成本,并且处理速度有着几个数量级的加快,由于CE引擎和CM引擎在模块层上采用了并行结构,处理速度可以额外提升2倍。
附图说明
图1是本发明的数字图像中物体检测方法流程图;
图2是本发明的数字图像中物体检测装置结构图。
具体实施方式
下面结合附图对本发明做进一步说明。
如图1所示,本发明的数字图像中物体检测方法,包括以下步骤:
A)统计分析同类物体的在不同背景、不同角度、不同光照情况下成像内容之间相似的特征信息,获取各个特征的不同权重:
2、统计大量学习样本中的所有的一阶导数的局部最大值,并记录对应的位置。以3*3的区域搜索为例,点(x,y)为局部最大值当且仅当I′(x,y)大于等于其它任何邻域的点I′(x±1,y±1)。
3、对于每个位置的局部最大值,计算其权重,其权重有训练学习的样本中该点具有局部大值的样本数量来决定。该权重可以这样计算(不局限于):以n个学习样本为例,每个学习样本共有m个点,则点(xk,yk)(其中1≤k≤m)的权重为(n个学习样本中(xk,yk)为局部最大值的个数)/n。
B)利用各种摄像器材采集待检测物体的具体图像信息;
C)以统计分析后同类物体的特征信息为指导,将待检测物体的图像划分不同的子图像并提取相关特征:
对于检测窗口中的每个点,记录下其位置,是否为局部极大值,以及权重。其综合特征描述在本实例中采取累加的方式来实现。设训练的样本和检测窗口大小都为10*10,检测窗口的4个局部最大值出现的位置,则该检测窗口为待检测物体的概率为其中wi为第i个点在第一步中计算出来的权重。
D)将检测窗口依从左到右、从上到上的顺序划过全部待检测物体的图像,利用相关特征出现的高概率来确定检测物体:
把检测窗口从左到右,从上到下划过全部的待检测图像,记录下每个位置的概率。越高的概率则表明越有可能是待检测物体。靠该概率来完成对目标物体的检测。
如图2所示,为了配合上述方法的高效运行,本发明的数字图像中物体检测装置,包括主控制器1、摄像仪2、片外存储器3和图像处理芯片4,所述主控制器1与摄像仪2连接,片外存储器3与图像处理芯片4连接,所述图像处理芯片4包括第一片内高速缓存5,用于存储部分输入图像,第二片内高速缓存6,用于存储部分检测窗口样本,第一片内高速缓存5和第二片内高速缓存6的规模将会设定在使得他们可以存储约20%的输入图像和检查窗口样本,还包括均值缓存7,用于检查窗口结合的平均值,存储控制器8、CE引擎9、CM引擎10和结合引擎11,所述第一内片高速缓存5、第二内片高速缓存6、均值缓存7的一端并行接于存储控制器8上,其另一端分别与CE引擎9、CM引擎10和结合引擎11的一端连接,所述CE引擎9的另一端通过CM引擎10与结合引擎11连接,所述结合引擎10与主控制器1通过SPI接口12连接。当装置运行时,第一片内缓存5和第二片内缓存6可以分别为CE引擎9和CM引擎10提供支持,进行计算分析,加快了计算速度。
最后应当说明的是,以上内容仅用以说明本发明的技术方案,而非对本发明保护范围的限制,本领域的普通技术人员对本发明的技术方案进行的简单修改或者等同替换,均不脱离本发明技术方案的实质和范围。
Claims (6)
1.一种数字图像中物体检测方法,其特征在于包括以下步骤:
A)统计分析同类物体的特征信息,获取各个特征的不同权重;
B)利用各种摄像器材采集待检测物体的具体图像信息;
C)以统计分析后同类物体的特征信息为指导,提取待检测物体的图像的相关特征;
D)将检测窗口划过全部待检测物体的图像,利用相关特征出现的高概率来确定检测物体。
2.根据权利要求1所述的数字图像中物体检测方法,其特征在于步骤A)中,同类物体的特征信息为同类物体在不同背景、不同角度、不同光照情况下成像内容之间相似的特征信息。
3.根据权利要求2所述的数字图像中物体检测方法,其特征在于步骤C)中,将待检测物体的图像划分不同的子图像并提取相关特征。
4.根据权利要求3所述的数字图像中物体检测方法,其特征在于步骤D)中,检测窗口依从左到右、从上到上的顺序划过全部待检测物体的图像。
5.一种数字图像中物体检测装置,其特征在于包括主控制器、摄像仪、片外存储器和图像处理芯片,所述主控制器与摄像仪连接,片外存储器与图像处理芯片连接,所述图像处理芯片包括第一片内高速缓存、第二片内高速缓存、均值缓存、存储控制器、CE引擎、CM引擎和结合引擎,所述第一内片高速缓存、第二内片高速缓存、均值缓存的一端并行接于存储控制器上,其另一端分别与CE引擎、CM引擎和结合引擎的一端连接,所述CE引擎的另一端通过CM引擎与结合引擎连接,所述结合引擎与主控制器连接。
6.根据权利要求5所述的数字图像中物体检测装置,其特征在于所述结合引擎与主控制器之间通过SPI接口连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011101201305A CN102184417A (zh) | 2011-05-10 | 2011-05-10 | 一种数字图像中物体检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011101201305A CN102184417A (zh) | 2011-05-10 | 2011-05-10 | 一种数字图像中物体检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102184417A true CN102184417A (zh) | 2011-09-14 |
Family
ID=44570590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011101201305A Pending CN102184417A (zh) | 2011-05-10 | 2011-05-10 | 一种数字图像中物体检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102184417A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104424634A (zh) * | 2013-08-23 | 2015-03-18 | 株式会社理光 | 对象跟踪方法和装置 |
CN110119454A (zh) * | 2019-05-05 | 2019-08-13 | 重庆科芮智能科技有限公司 | 证据管理方法及装置 |
-
2011
- 2011-05-10 CN CN2011101201305A patent/CN102184417A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104424634A (zh) * | 2013-08-23 | 2015-03-18 | 株式会社理光 | 对象跟踪方法和装置 |
CN104424634B (zh) * | 2013-08-23 | 2017-05-03 | 株式会社理光 | 对象跟踪方法和装置 |
CN110119454A (zh) * | 2019-05-05 | 2019-08-13 | 重庆科芮智能科技有限公司 | 证据管理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | High-speed drone detection based on yolo-v8 | |
US8792722B2 (en) | Hand gesture detection | |
US8750573B2 (en) | Hand gesture detection | |
CN111476827B (zh) | 目标跟踪方法、系统、电子装置及存储介质 | |
CN111460968B (zh) | 基于视频的无人机识别与跟踪方法及装置 | |
CN110047095B (zh) | 基于目标检测的跟踪方法、装置及终端设备 | |
CN109543606A (zh) | 一种加入注意力机制的人脸识别方法 | |
CN112580664A (zh) | 一种基于ssd网络的小目标检测方法 | |
CN108564049A (zh) | 一种基于深度学习的快速人脸检测识别方法 | |
CN109241982A (zh) | 基于深浅层卷积神经网络的目标检测方法 | |
CN116168240A (zh) | 基于注意力增强的任意方向密集舰船目标检测方法 | |
CN116258940A (zh) | 一种多尺度特征及自适应权重的小目标检测方法 | |
CN113361475A (zh) | 一种基于多阶段特征融合信息复用的多光谱行人检测方法 | |
CN115100497A (zh) | 基于机器人的通道异常物体巡检方法、装置、设备及介质 | |
CN102184417A (zh) | 一种数字图像中物体检测方法及装置 | |
Wu et al. | Deep-rice: Deep multi-sensor image recognition for grading rice | |
CN114170642A (zh) | 图像检测的处理方法、装置、设备及存储介质 | |
CN118038494A (zh) | 一种损坏场景鲁棒的跨模态行人重识别方法 | |
CN109241942B (zh) | 图像处理方法、装置、人脸识别设备及存储介质 | |
CN117456389A (zh) | 一种基于YOLOv5s的改进型无人机航拍图像密集和小目标识别方法、系统、设备及介质 | |
CN116883981A (zh) | 一种车牌定位识别方法、系统、计算机设备及存储介质 | |
Wang et al. | Design of Intelligent Detection System for Smoking Based on Improved YOLOv4. | |
Li et al. | Human behavior recognition based on attention mechanism | |
Xu et al. | A-RetinaNet: A novel RetinaNet with an asymmetric attention fusion mechanism for dim and small drone detection in infrared images | |
CN114638785A (zh) | 图像中的强光区域检测方法、系统、介质、设备及终端 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20110914 |