CN109272016B - 目标检测方法、装置、终端设备和计算机可读存储介质 - Google Patents
目标检测方法、装置、终端设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN109272016B CN109272016B CN201810896562.7A CN201810896562A CN109272016B CN 109272016 B CN109272016 B CN 109272016B CN 201810896562 A CN201810896562 A CN 201810896562A CN 109272016 B CN109272016 B CN 109272016B
- Authority
- CN
- China
- Prior art keywords
- target
- confidence
- pixel
- image
- detected
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种目标检测方法，涉及人工神经网络领域，该方法包括步骤：将待检测图像输入目标检测网络，得到标记有所述待检测图像的每个像素的置信度的目标置信图；其中，每个像素的置信度是指每个像素作为目标区域的组成部分的置信度；从所述目标置信图中选取置信度符合预设标准的目标像素，判定以所述目标像素为中心的预设形状的区域为所述待检测图像的目标区域。另外，本发明还公开了一种目标检测装置、终端设备和存储介质，能有效提高目标检测结果的可靠性，同时降低目标检测算法的复杂度，提高目标检测的效率。
Description
技术领域
本发明涉及人工神经网络领域，尤其涉及一种目标检测方法、装置、终端设备和计算机可读存储介质。
背景技术
目标检测，是指从给定的图像中检测出目标对象的所在的目标区域。时下流行的人脸识别、人脸美妆、年龄估计等人脸相关任务，都需要以包括人脸检测在内的目标检测为前提。
在现有技术中，通常采用二分类方法来完成目标检测的任务。通过多个二分类器对待检测图像进行检测，其中第一个二分类器从所述待检测图像中检测出大量疑似的目标区域，后续的多个所述二分类器依次对所述大量的疑似的目标区域进行多次二分类筛选，最后由一个回归网络计算出目标区域的窗口，以确定所述待检测图像中的目标区域。
在实现本发明的过程中，发明人发现现有技术至少存在以下问题：
1、采用二分类方法处理目标检测任务，容易发生歧义，无法在目标图像不完整的情况下作出可靠判断，如在人脸检测中，人脸的部分图像受到遮挡等情况，采用同一二分类方法对同一待检测图像进行检测可能会得到不同的结果；
2、由于需要多个二分类器对待检测图像进行检测，导致算法的复杂度较高；
3、由于二分类方法无法确定目标区域的确切范围，所以还需要额外的一个回归网络用于回归出目标区域所在的窗口，进一步增加了算法的复杂度。
发明内容
本发明实施例的目的是提供一种目标检测方法、装置、终端设备和存储介质，能有效提高目标检测结果的可靠性，同时降低目标检测算法的复杂度，提高目标检测的效率。
为实现上述目的，本发明实施例提供了一种目标检测方法，包括步骤：
将待检测图像输入预设的目标检测网络，得到标记有所述待检测图像的每个像素的置信度的目标置信图；其中，每个像素的置信度是指每个像素作为目标区域的组成部分的置信度；
从所述目标置信图中选取置信度符合预设标准的目标像素，判定以所述目标像素为中心的预设形状的区域为所述待检测图像的目标区域；
其中，所述从所述目标置信图中选取置信度符合预设标准的目标像素，判定以所述目标像素为中心的预设形状的区域为所述待检测图像的目标区域，具体包括：
从所述目标置信图中选取符合预设标准的目标像素作为所述待检测图像的目标区域的中心点；
对以所述中心点为中心的预设形状的区域中的所有像素的置信度进行拟合，并求解出所述拟合对应的函数参数；其中，所述函数参数为满足置信度函数关系的函数参数；所述置信度函数关系为像素的位置与像素的置信度之间的置信度函数关系；
根据预设的函数关系以及所述函数参数计算目标区域的形状参数，确定所述待检测图像的目标区域的形状，并结合所述中心点的位置以及所述待检测图像的目标区域的形状，得到所述待检测图像的目标区域；其中，所述预设的函数关系为所述函数参数与所述目标区域的形状参数之间的函数关系。
与现有技术相比，本发明实施例公开的一种目标检测方法，通过目标检测网络输出待检测图像的目标置信图，根据所述目标置信图上的所述待检测图像的每个像素的置信度，选取出置信度符合预设标准的目标像素，并以所述目标像素为中心，根据预设的形状判定出所述待检测图像的目标区域所在的位置，完成目标检测任务。由于在检测过程中，以所述目标置信图上标记的所述每个像素的置信度作为所述目标区域的判断依据，解决了由于二分类方法的局限性而导致的检测结果不稳定的问题，提高了目标检测结果的可靠性；由于在检测过程中不需要多个二分类器进行多次检测，解决了多个二分类器导致的算法复杂度较高的问题，同时也解决了需要额外的回归网络配合二分类器的问题，降低了目标检测算法的复杂度，并提高了目标检测的效率。
与现有技术相比，本发明实施例公开的一种目标检测方法，在上一实施例的基础上，通过拟合所述所有像素的置信度，并由拟合结果得到的函数参数计算对应的目标区域的形状参数，使输出的待检测图像的目标区域的形状与所述所有像素的置信度的变化趋势相结合，提高了检测结果的精度。
作为上述方案的改进，通过如下步骤预先得到所述目标检测网络：
读取样本图像，计算所述样本图像中的每个像素的置信度，得到标记有每个所述像素的置信度的训练置信图；其中，所述样本图像中包含目标区域；
以所述样本图像作为训练输入，以所述训练置信图作为训练输出对全卷积网络进行训练，得到训练后的全卷积网络；其中，训练后的所述全卷积网络作为所述目标检测网络。
与现有技术相比，本发明实施例公开的一种目标检测方法，在上一实施例的基础上，通过计算样本图像中每个像素的置信度，得到标记有所述样本图像上每个像素的置信度的训练置信图，并以所述训练置信图作为所述样本图像对应的训练标签，采用全卷积网络进行训练，并将训练后的所述全卷积网络作为目标检测网络，对待检测图像进行目标区域检测。以置信图作为标签对全卷积网络进行训练来获取目标检测网络，代替现有技术的二分类器的技术方案，解决了现有技术中，由于二分类器的局限性导致的目标检测网络可靠性低、算法复杂度高和训练周期长的技术问题，能够在提高目标检测网络的可靠性的同时，降低目标检测网络的算法复杂度，并且缩短目标检测网络的训练周期。
作为上述方案的改进，所述读取样本图像，计算所述样本图像中的每个像素的置信度，得到标记有每个所述像素的置信度的训练置信图，具体包括：
读取样本图像；
将所述样本图像的非目标区域的像素的置信度赋零；
设所述样本图像的目标区域的中心像素的置信度为最高值，设所述样本图像的目标区域的边缘像素的置信度为最低值，根据预设的函数模型确定所述目标区域的每个所述像素的置信度；
根据所述样本图像中的每个像素的置信度，生成相应的训练置信图。
与现有技术相比，本发明实施例公开的一种目标检测方法，在上一实施例的基础上，通过对样本图像的非目标区域的置信度置零，并且根据所述目标区域内的每个像素所处的位置不同，对所述目标区域内的所述每个像素赋予不同的置信度，使所述非目标区域与目标区域的像素的置信度差距最大化，并且在样本中体现不同位置的像素对目标区域检测的权重不同，使训练具有更高鲁棒性，并提高了目标检测网络对待检测图像的目标区域的检测能力。
作为上述方案的改进，所述设所述样本图像的目标区域的中心像素的置信度为最高值，设所述样本图像的目标区域的边缘像素的置信度为最低值，根据预设的函数模型确定所述目标区域的每个所述像素的置信度，具体包括：
根据所述样本图像的目标区域的形状参数计算高斯分布的标准差，确定高斯分布模型；
选取所述样本图像的目标区域的中心像素作为所述高斯分布模型的中心，根据所述高斯分布模型为所述目标区域的每个所述像素的置信度赋值。
与现有技术相比，本发明实施例公开的一种目标检测方法，在上一实施例的基础上，通过采用高斯分布，进一步加大了目标区域的中心像素在训练中的权重，进一步强化了训练的鲁棒性，并且进一步提高了目标检测网络对于待检测图像的目标区域的检测能力。
作为上述方案的改进，所述样本图像的目标区域的形状参数包括所述目标区域所在的最小矩形的长度值和宽度值；对应地，所述高斯分布模型为二维高斯分布模型，且所述高斯分布模型的y方向标准差与所述最小矩形的长度值成正比，所述高斯分布模型的x方向标准差与所述最小矩形的宽度值成正比。
与现有技术相比，本发明实施例公开的一种目标检测方法，在上一实施例的基础上，通过选取样本图像的目标区域所在的最小矩形，以所述最小矩形对应的二维高斯分布模型计算所述样本图像中的目标区域的所有像素的置信度，在取得理想的训练效果的基础上，减少了训练过程的工作量，提高对所述目标检测网络的训练效率。
作为上述方案的改进，所述从所述目标置信图中选取符合预设标准的目标像素作为目标区域的中心点，具体包括：
对所述目标置信图进行非极大值抑制处理，得到处理后的目标置信图；
从所述处理后的目标置信图中选取符合预设标准的目标像素作为目标区域的中心点。
与现有技术相比，本发明实施例公开的一种目标检测方法，在上一实施例的基础上，通过对所述目标置信图进行非极大值抑制处理，排除了非极大值的所述像素的置信度的干扰，提高了对所述待测图像的目标区域的检测精度。
本发明实施例还提供了一种目标检测装置，包括测试模块和判断模块；所述测试模块用于将待检测图像输入目标检测网络，得到标记有所述待检测图像的每个像素的置信度的目标置信图；其中，每个像素的置信度是指每个像素作为目标区域的组成部分的置信度；所述判断模块用于从所述目标置信图中选取置信度符合预设标准的目标像素，判定以所述目标像素为中心的预设形状的区域为所述待检测图像的目标区域；
其中，所述测试模块具体用于：
从所述目标置信图中选取符合预设标准的目标像素作为所述待检测图像的目标区域的中心点；
对以所述中心点为中心的预设形状的区域中的所有像素的置信度进行拟合，并求解出所述拟合对应的函数参数；其中，所述函数参数为满足置信度函数关系的函数参数；所述置信度函数关系为像素的位置与像素的置信度之间的置信度函数关系；
根据预设的函数关系以及所述函数参数计算目标区域的形状参数，确定所述待检测图像的目标区域的形状，并结合所述中心点的位置以及所述待检测图像的目标区域的形状，得到所述待检测图像的目标区域；其中，所述预设的函数关系为所述函数参数与所述目标区域的形状参数之间的函数关系。
与现有技术相比，本发明实施例公开的一种目标检测装置，由目标检测网络输出待检测图像的目标置信图，根据所述目标置信图上的所述待检测图像的每个像素的置信度，选取出置信度符合预设标准的目标像素，并以所述目标像素为中心，根据预设的形状判定出所述待检测图像的目标区域所在的位置，完成目标检测任务。由于在检测过程中，以所述目标置信图上标记的所述每个像素的置信度作为所述目标区域的判断依据，解决了由于二分类方法的局限性而导致的检测结果不稳定的问题，提高了目标检测结果的可靠性；由于在检测过程中不需要多个二分类器进行多次检测，解决了多个二分类器导致的算法复杂度较高的问题，同时也解决了需要额外的回归网络配合二分类器的问题，降低了目标检测算法的复杂度，并提高了目标检测的效率。
本发明实施例还提供了一种检测终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上任一项所述的检测方法。
与现有技术相比，本发明实施例提供的一种检测终端设备，通过执行所述存储器中的计算机程序，由目标检测网络输出待检测图像的目标置信图，根据所述目标置信图上的所述待检测图像的每个像素的置信度，选取出置信度符合预设标准的目标像素，并以所述目标像素为中心，根据预设的形状判定出所述待检测图像的目标区域所在的位置，完成目标检测任务。由于在检测过程中，以所述目标置信图上标记的所述每个像素的置信度作为所述目标区域的判断依据，解决了由于二分类方法的局限性而导致的检测结果不稳定的问题，提高了目标检测结果的可靠性；由于在检测过程中不需要多个二分类器进行多次检测，解决了多个二分类器导致的算法复杂度较高的问题，同时也解决了需要额外的回归网络配合二分类器的问题，降低了目标检测算法的复杂度，并提高了目标检测的效率。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任一项所述的检测方法。
与现有技术相比，本发明实施例提供的一种计算机可读存储介质，通过执行所述存储介质中存储的计算机程序，由目标检测网络输出待检测图像的目标置信图，根据所述目标置信图上的所述待检测图像的每个像素的置信度，选取出置信度符合预设标准的目标像素，并以所述目标像素为中心，根据预设的形状判定出所述待检测图像的目标区域所在的位置，完成目标检测任务。由于在检测过程中，以所述目标置信图上标记的所述每个像素的置信度作为所述目标区域的判断依据，解决了由于二分类方法的局限性而导致的检测结果不稳定的问题，提高了目标检测结果的可靠性；由于在检测过程中不需要多个二分类器进行多次检测，解决了多个二分类器导致的算法复杂度较高的问题，同时也解决了需要额外的回归网络配合二分类器的问题，降低了目标检测算法的复杂度，并提高了目标检测的效率。
附图说明
图1是本发明实施例1提供的一种目标检测方法的流程图。
图2是本发明实施例2提供的一种目标检测方法的目标检测网络的训练流程图。
图3是如图2所示的训练流程的步骤S210的具体流程图。
图4是如图3所示的步骤S213的具体流程图。
图5是如图1所示的步骤S120的具体流程图。
图6是如图5所示的步骤S121的具体流程图。
图7是本发明实施例7提供的一种目标检测装置的结构示意图。
图8是本发明实施例8提供的一种检测终端设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，本发明实施例1提供的一种目标检测方法包括步骤：
S110、将待检测图像输入预设的目标检测网络，得到标记有所述待检测图像的每个像素的置信度的目标置信图；其中，每个像素的置信度是指每个像素作为目标区域的组成部分的置信度。
所述目标检测网络对所述待检测图像进行处理，输出所述待检测图像相应的目标置信图。其中，所述目标置信图标记有所述待检测图像的每个像素的置信度。所述每个像素的置信度，代表了所述每个像素作为所述目标区域的组成部分的置信度。例如，在人脸检测中，所述每个像素的置信度，代表了所述每个像素属于人脸图像区域的置信度；可以理解地，在其他情况下，如树叶检测中，所述每个像素的置信度也可以是所述每个像素属于树叶图像区域的置信度，不影响本发明取得的有益效果。
S120、从所述目标置信图中选取置信度符合预设标准的目标像素，判定以所述目标像素为中心的预设形状的区域为所述待检测图像的目标区域。
根据步骤110中得到的所述待检测图像相应的所述目标置信图，从所述目标置信图中选取置信度符合预设标准的像素，记为目标像素。根据所述目标像素的所在位置，以所述目标像素为中心，根据预设形状，确定所述待检测图像的目标区域的位置和形状。
作为举例，所述预设标准可以是预设的具体的置信度数值，如以置信度高于具体数值A的所述像素作为目标像素；所述预设标准也可以是预设的比例阈值，如以置信度最高的5％或10％的像素作为目标像素；所述预设标准也可以是多种条件的结合，如以置信度高于具体数值B的所有所述像素中，置信度最高的5％的部分作为目标像素。可以理解地，也可以选取置信度低于所述具体数值A的所述像素作为目标像素或选取置信度最低的部分像素作为目标像素，均不影响本发明取得的有益效果。
作为举例，所述预设形状可以是矩形，以所述目标像素作为中心的预设大小的矩形作为所述待检测图像的目标区域。可以理解地，所述预设形状也可以是圆形、三角形、多边形或是不规则形状，不影响本发明取得的有益效果。
本发明实施例1提供的一种目标检测方法，通过目标检测网络输出待检测图像的目标置信图，根据所述目标置信图上的所述待检测图像的每个像素的置信度，选取出置信度符合预设标准的目标像素，并以所述目标像素为中心，根据预设的形状判定出所述待检测图像的目标区域所在的位置，完成目标检测任务。由于在检测过程中，以所述目标置信图上标记的所述每个像素的置信度作为所述目标区域的判断依据，解决了由于二分类方法的局限性而导致的检测结果不稳定的问题，提高了目标检测结果的可靠性；由于在检测过程中不需要多个二分类器进行多次检测，解决了多个二分类器导致的算法复杂度较高的问题，同时也解决了需要额外的回归网络配合二分类器的问题，降低了目标检测算法的复杂度，并提高了目标检测的效率。
参见图2，本发明实施例2提供的一种目标检测方法，在实施例1的基础上，通过如下步骤预先得到所述目标检测网络：
S210、读取样本图像，计算所述样本图像中的每个像素的置信度，得到标记有每个所述像素的置信度的训练置信图；其中，所述样本图像中包含目标区域。
通过对所述样本图像的每个像素的置信度进行计算，并将所述每个像素的置信度记录到训练置信图中，得到所述样本图像对应的训练置信图，所述样本图像对应的训练置信图即作为所述样本图像对应的训练标签。
S220、以所述样本图像作为训练输入，以所述训练置信图作为训练输出对全卷积网络进行训练，得到训练后的全卷积网络；其中，训练后的所述全卷积网络作为所述目标检测网络。
根据步骤S210获得所述样本图像对应的训练置信图，以所述训练置信图作为所述样本图像的对应输出，对全卷积网络进行训练，得到训练后的所述全卷积网络，并将训练后的所述全卷积网络作为所述检测网络。可以理解地，所述样本图像的数量可以是一个或多个，且每个所述样本图像对应一个所述训练置信图。
作为举例，所述全卷积网络为包括三个隐含层的全卷积网络，输入的所述样本图像为RGB三通道图像，对所述全卷积网络训练采用的训练标签为所述样本图像对应的训练置信图，使用所述全卷积网络进行训练不会受到所述样本图像的尺寸大小的约束，能够取得更好的训练效果。可以理解地，所述全卷积网络也可以包括更多隐含层或是更少的隐含层，如四个隐含层或是两个隐含层，不影响本发明取得的有益效果。
本发明实施例2提供的一种目标检测方法，在取得如实施例1的有益效果的基础上，通过计算样本图像中每个像素的置信度，得到标记有所述样本图像上每个像素的置信度的训练置信图，并以所述训练置信图作为所述样本图像对应的训练标签，采用全卷积网络进行训练，并将训练后的所述全卷积网络作为目标检测网络，对待检测图像进行目标区域检测。以置信图作为标签对全卷积网络进行训练来获取目标检测网络，代替现有技术的二分类器的技术方案，解决了现有技术中，由于二分类器的局限性导致的目标检测网络可靠性低、算法复杂度高和训练周期长的技术问题，能够在提高目标检测网络的可靠性的同时，降低目标检测网络的算法复杂度，并且缩短目标检测网络的训练周期。
参见图3，本发明实施例3提供的一种目标检测方法与实施例2提供的目标检测的区别在于，实施例3提供的一种目标检测方法的通过如下步骤实现如实施例2中的步骤S210的效果：
S211、读取样本图像。
S212、将所述样本图像的非目标区域的像素的置信度赋零。
从所述样本图像中获取非目标区域的位置和形状，将所述非目标区域中的每一像素的置信度置零。
S213、设所述样本图像的目标区域的中心像素的置信度为最高值，设所述样本图像的目标区域的边缘像素的置信度为最低值，根据预设的函数模型确定所述目标区域的每个所述像素的置信度。
从所述样本图像中获取所述样本图像的目标区域的位置和形状，确定所述样本图像的目标区域的中心像素所在位置，并将所述中心像素的置信度设为最高值，作为举例，所述最高值可以是100；确定所述样本图像的目标区域的边缘像素所在的位置，并将所述边缘像素的置信度设为最低值，作为举例，所述最低值可以是1。根据设置好的所述中心像素的置信度和所述边缘像素的置信度，依据预设的函数模型对位于所述中心像素和所述边缘像素之间的中间像素的置信度进行计算，以确定所述中间像素的置信度，作为举例，所述预设函数可以是二元一次函数或一元二次函数等，不影响本发明取得的有益效果。
S214、根据所述样本图像中的每个像素的置信度，生成相应的训练置信图。
根据步骤S212和步骤S213得到的所述样本图像中所有像素的置信度，在所述训练置信图中的对应位置记录所述每个像素的置信度，得到所述样本图像对应的训练置信图。
本发明实施例3提供的一种目标检测方法，在取得如实施例2的有益效果的基础上，通过对样本图像的非目标区域的置信度置零，并且根据所述目标区域内的每个像素所处的位置不同，对所述目标区域内的所述每个像素赋予不同的置信度，使所述非目标区域与目标区域的像素的置信度差距最大化，并且在样本中体现不同位置的像素对目标区域检测的权重不同，使训练具有更高鲁棒性，并提高了目标检测网络对待检测图像的目标区域的检测能力。
参见图4，本发明实施例4提供的一种目标检测方法，在实施例3的基础上，对步骤S213进行改进。在本发明实施例4提供的一种检测网络的训练方法中，通过如下步骤实现如实施例3中的步骤S213的效果：
S213a、根据所述样本图像的目标区域的形状参数计算高斯分布的标准差，确定高斯分布模型。
根据所述样本图像的目标区域的形状得到所述目标区域的形状参数，并通过所述形状参数和预设的函数关系计算高斯分布的标准差，以确定所述样本图像的目标区域对应的高斯分布模型。
优选地，通过确定所述样本图像的目标区域的形状，获取所述样本图像的目标区域所在的最小矩形，计算所述最小矩形的长度值和宽度值，并以所述长度值和所述宽度值作为形状参数，以在取得理想训练效果的基础上，减少训练过程的运算量。对应地选取二维高斯分布模型作为所述高斯分布模型，通过所述预设的函数关系求取所述高斯分布的两个标准差。作为举例，所述预设的函数关系为正比例关系，所述高斯分布模型的y方向标准差通过所述长度值除以预设的比例系数获得，所述高斯分布模型的x方向标准差通过所述宽度值除以所述预设的比例系数获得。
可以理解地，所述形状参数也可以是所述目标区域的其他参数，如所述样本图像的目标区域的周长或面积等，所述高斯分布模型的维度也可以是三维或是更高维度，所述预设的函数关系也可以是线性或非线性的函数关系，不影响本发明取得的有益效果。
S213b、选取所述样本图像的目标区域的中心像素作为所述高斯分布模型的中心，根据所述高斯分布模型为所述目标区域的每个所述像素的置信度赋值。
在上述优选方案的基础上，由于高斯分布的99.75％的情况分布在三倍标准差的范围，考虑到所述中心像素为所述二维高斯分布模型的中心，为覆盖左右两侧，所述长度值应为所述y方向标准差的六倍，所述宽度值应为所述x方向标准差的六倍。因此，更优选地，所述y方向标准差为所述长度值的六分之一，所述x方向标准差为所述宽度值的六分之一。
作为实施例4的更优选实施方案，确定所述样本图像的目标区域所在的最小矩形，获得所述最小矩形的长度值h和宽度值w，并且所述样本图像的目标区域的中心像素的坐标为o(x0，y0)。根据所述长度值h和宽度值w，计算所述σx＝w/6，σy＝h/6，构建二维高斯函数g(x，y)：
根据所述二维高斯函数g(x，y)对所述样本图像的目标区域的所有像素进行置信度赋值，如对人脸检测中的人脸区域图像的所有像素进行置信度赋值，得到所述人脸区域图像的所有像素的置信度，并生成对应的目标置信图，以提高训练效果，使训练得到的目标检测网络能够得到更加精细的检测结果。
本发明实施例4提供的一种目标检测方法，在取得如实施例3的有益效果的基础上，通过采用高斯分布，进一步加大了目标区域的中心像素在训练中的权重，进一步强化了训练的鲁棒性，并且进一步提高了目标检测网络对于待检测图像的目标区域的检测能力。
参照图5，本发明实施例5提供的一种目标检测方法，在实施例1提供的目标检测方法的基础上，通过如下步骤实现如实施例1的步骤S120的效果：
S121、从所述目标置信图中选取符合预设标准的目标像素作为所述待检测图像的目标区域的中心点。
S122、对以所述中心点为中心的预设形状的区域中的所有像素的置信度进行拟合，并求解出所述拟合对应的函数参数。
以所有像素的置信度作为函数值，以所述所有像素的位置作为自变量，对所述自变量和所述函数值之间的置信度函数关系进行求解，获得满足所述置信度函数关系的函数参数。
S123、根据预设的函数关系以及所述函数参数计算目标区域的形状参数，确定所述待检测图像的目标区域的形状，并结合所述中心点的位置以及所述待检测图像的目标区域的形状，得到所述待检测图像的目标区域；其中，所述预设的函数关系为所述函数参数与所述目标区域的形状参数之间的函数关系。
所述预设的函数关系中，规定了所述函数参数与所述目标区域的形状参数之间的函数关系，根据所述预设的函数关系与所述函数参数，计算出对应的所述目标区域的形状参数，进而可以确定所述待检测图像的目标区域的形状，由于在步骤S121中已经确定了所述中心点，结合所述中心点的位置，可以确定所述待检测图像的目标区域。
可以理解地，本发明实施例5可以与上述任一实施例结合以作为本发明的优选实施例。
本发明实施例5提供的一种目标检测方法，在取得如实施例1的有益效果的基础上，通过拟合所述所有像素的置信度，并由拟合结果得到的函数参数计算对应的目标区域的形状参数，使输出的待检测图像的目标区域的形状与所述所有像素的置信度的变化趋势相结合，提高了检测结果的精度。
参照图6，本发明实施例6提供的一种目标检测方法，在实施例5提供的目标检测方法的基础上，通过如下步骤实现如实施例5的步骤S121的效果：
S121a、对所述目标置信图进行非极大值抑制处理，得到处理后的目标置信图。
对所述目标置信图标记的所有像素的置信度中，非极大值的所述像素的置信度均置零，以减少对检测结果的干扰。
S121b、从所述处理后目标置信图中选取符合预设标准的目标像素作为目标区域的中心点。
可以理解地，本发明实施例6可与上述任一实施例结合以作为本发明的优选实施例。
更优选地，本发明实施例6可与实施例4的更优选实施方案结合，对步骤S121b取得的所述中心点中心的预设区域，以40px*40px的方形区域为例，对所述方形区域进行二维高斯拟合，求解出所述方形区域的二维高斯拟合的标准差σ`x和σ`y，并且根据所述σ`x＝w`/6和σ`y＝h`/6，计算出可能的目标框为所述中心点附近h`*w`的矩形区域。再根据检测目标的可能高宽范围，如人脸的可能高宽范围，滤除不符合所述可能高宽范围的所述目标框，余下的所述目标框所确定的区域即可作为所述待检测图像的目标区域。由于在进行目标检测过程中，结合训练所述目标检测网络的过程中涉及的函数关系，并且通过选取所述方形区域以进一步降低图像中干扰信息对结果的影响，使目标检测的结果的准确度得到更大的提高。
本发明实施例6提供的一种目标检测方法，在取得如实施例5的有益效果的基础上，通过对所述目标置信图进行非极大值抑制处理，排除了非极大值的所述像素的置信度的干扰，提高了对所述待测图像的目标区域的检测精度。
参见图7，本发明实施例7提供的一种目标检测装置70，包括测试模块71和判断模块72；所述测试模块71用于将待检测图像输入目标检测网络，得到标记有所述待检测图像的每个像素的置信度的目标置信图；其中，每个像素的置信度是指每个像素作为目标区域的组成部分的置信度；所述判断模块72用于从所述目标置信图中选取置信度符合预设标准的目标像素，判定以所述目标像素为中心的预设形状的区域为所述待检测图像的目标区域。所述目标检测装置的通过如上任一实施例所述的目标检测方法进行工作，在此不作赘述。
优选地，所述目标检测装置70还包括训练装置73，所述训练装置73用于读取样本图像，计算所述样本图像中的每个像素的置信度，得到标记有每个所述像素的置信度的训练置信图，以所述样本图像作为训练输入，以所述训练置信图作为训练输出对全卷积网络进行训练，得到训练后的全卷积网络；其中，所述样本图像中包含目标区域，训练后的所述全卷积网络作为目标检测网络。本优选实施方案，通过目标检测网络输出待检测图像的目标置信图，根据所述目标置信图上的所述待检测图像的每个像素的置信度，选取出置信度符合预设标准的目标像素，并以所述目标像素为中心，根据预设的形状判定出所述待检测图像的目标区域所在的位置，完成目标检测任务。由于在检测过程中，以所述目标置信图上标记的所述每个像素的置信度作为所述目标区域的判断依据，解决了由于二分类方法的局限性而导致的检测结果不稳定的问题，提高了目标检测结果的可靠性；由于在检测过程中不需要多个二分类器进行多次检测，解决了多个二分类器导致的算法复杂度较高的问题，同时也解决了需要额外的回归网络配合二分类器的问题，降低了目标检测算法的复杂度，并提高了目标检测的效率。
本发明实施例7公开的一种目标检测装置，由目标检测网络输出待检测图像的目标置信图，根据所述目标置信图上的所述待检测图像的每个像素的置信度，选取出置信度符合预设标准的目标像素，并以所述目标像素为中心，根据预设的形状判定出所述待检测图像的目标区域所在的位置，完成目标检测任务。由于在检测过程中，以所述目标置信图上标记的所述每个像素的置信度作为所述目标区域的判断依据，解决了由于二分类方法的局限性而导致的检测结果不稳定的问题，提高了目标检测结果的可靠性；由于在检测过程中不需要多个二分类器进行多次检测，解决了多个二分类器导致的算法复杂度较高的问题，同时也解决了需要额外的回归网络配合二分类器的问题，降低了目标检测算法的复杂度，并提高了目标检测的效率。
参见图8，本发明实施例8提供的一种检测终端设备80，包括处理器81、存储器82以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器81执行所述计算机程序时实现如实施例1至3任一项所述的训练方法，或实现如实施例4至5任一项所述的检测方法，在此不作赘述。
另外，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行所述计算机程序时实现如实施例1至3任一项所述的训练方法，或实现如实施例4至5任一项所述的检测方法，在此不作赘述。
参见图8，是本发明一实施例提供的检测终端设备80的示意图。所述检测终端设备80包括：处理器81、存储器82以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如目标检测程序。所述处理器执行所述计算机程序时实现上述各个目标检测方法实施例中的步骤，例如图1所示的目标检测方法的步骤。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块的功能，例如实施例7所述的目标检测装置的各模块的功能。
示例性的，所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述检测终端设备中的执行过程。例如，所述计算机程序可以被分割成测试模块和判断模块，各模块具体功能如下：测试模块，用于将待检测图像输入目标检测网络，得到标记有所述待检测图像的每个像素的置信度的目标置信图；其中，每个像素的置信度是指每个像素作为目标区域的组成部分的置信度；判断模块，用于从所述目标置信图中选取置信度符合预设标准的目标像素，判定以所述目标像素为中心的预设形状的区域为所述待检测图像的目标区域。
所述检测终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述检测终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是检测终端设备的示例，并不构成对检测终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述检测终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述检测终端设备的控制中心，利用各种接口和线路连接整个检测终端设备的各个部分。
所述存储器可用于存储所述计算机程序或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序或模块，以及调用存储在存储器内的数据，实现所述检测终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital，SD)卡，闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述检测终端设备集成的模块或单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明实施例8提供的一种检测终端设备，通过执行所述存储器中的计算机程序，由目标检测网络输出待检测图像的目标置信图，根据所述目标置信图上的所述待检测图像的每个像素的置信度，选取出置信度符合预设标准的目标像素，并以所述目标像素为中心，根据预设的形状判定出所述待检测图像的目标区域所在的位置，完成目标检测任务。由于在检测过程中，以所述目标置信图上标记的所述每个像素的置信度作为所述目标区域的判断依据，解决了由于二分类方法的局限性而导致的检测结果不稳定的问题，提高了目标检测结果的可靠性；由于在检测过程中不需要多个二分类器进行多次检测，解决了多个二分类器导致的算法复杂度较高的问题，同时也解决了需要额外的回归网络配合二分类器的问题，降低了目标检测算法的复杂度，并提高了目标检测的效率。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任一项所述的检测方法。
本发明实施例提供的一种计算机可读存储介质，通过执行所述存储介质中存储的计算机程序，由目标检测网络输出待检测图像的目标置信图，根据所述目标置信图上的所述待检测图像的每个像素的置信度，选取出置信度符合预设标准的目标像素，并以所述目标像素为中心，根据预设的形状判定出所述待检测图像的目标区域所在的位置，完成目标检测任务。由于在检测过程中，以所述目标置信图上标记的所述每个像素的置信度作为所述目标区域的判断依据，解决了由于二分类方法的局限性而导致的检测结果不稳定的问题，提高了目标检测结果的可靠性；由于在检测过程中不需要多个二分类器进行多次检测，解决了多个二分类器导致的算法复杂度较高的问题，同时也解决了需要额外的回归网络配合二分类器的问题，降低了目标检测算法的复杂度，并提高了目标检测的效率。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种目标检测方法，其特征在于，包括步骤：
将待检测图像输入预设的目标检测网络，得到标记有所述待检测图像的每个像素的置信度的目标置信图；其中，每个像素的置信度是指每个像素作为目标区域的组成部分的置信度；
从所述目标置信图中选取置信度符合预设标准的目标像素，判定以所述目标像素为中心的预设形状的区域为所述待检测图像的目标区域；
其中，所述从所述目标置信图中选取置信度符合预设标准的目标像素，判定以所述目标像素为中心的预设形状的区域为所述待检测图像的目标区域，具体包括：
从所述目标置信图中选取符合预设标准的目标像素作为所述待检测图像的目标区域的中心点；
对以所述中心点为中心的预设形状的区域中的所有像素的置信度进行拟合，并求解出所述拟合对应的函数参数；其中，所述函数参数为满足置信度函数关系的函数参数；所述置信度函数关系为像素的位置与像素的置信度之间的置信度函数关系；
根据预设的函数关系以及所述函数参数计算目标区域的形状参数，确定所述待检测图像的目标区域的形状，并结合所述中心点的位置以及所述待检测图像的目标区域的形状，得到所述待检测图像的目标区域；其中，所述预设的函数关系为所述函数参数与所述目标区域的形状参数之间的函数关系。
2.如权利要求1所述的目标检测方法，其特征在于，通过如下步骤预先得到所述目标检测网络：
读取样本图像，计算所述样本图像中的每个像素的置信度，得到标记有每个所述像素的置信度的训练置信图；其中，所述样本图像中包含目标区域；
以所述样本图像作为训练输入，以所述训练置信图作为训练输出对全卷积网络进行训练，得到训练后的全卷积网络；其中，训练后的所述全卷积网络作为所述目标检测网络。
3.如权利要求2所述的目标检测方法，其特征在于，所述读取样本图像，计算所述样本图像中的每个像素的置信度，得到标记有每个所述像素的置信度的训练置信图，具体包括：
读取样本图像；
将所述样本图像的非目标区域的像素的置信度赋零；
设所述样本图像的目标区域的中心像素的置信度为最高值，设所述样本图像的目标区域的边缘像素的置信度为最低值，根据预设的函数模型确定所述目标区域的每个所述像素的置信度；
根据所述样本图像中的每个像素的置信度，生成相应的训练置信图。
4.如权利要求3所述的目标检测方法，其特征在于，所述设所述样本图像的目标区域的中心像素的置信度为最高值，设所述样本图像的目标区域的边缘像素的置信度为最低值，根据预设的函数模型确定所述目标区域的每个所述像素的置信度，具体包括：
根据所述样本图像的目标区域的形状参数计算高斯分布的标准差，确定高斯分布模型；
选取所述样本图像的目标区域的中心像素作为所述高斯分布模型的中心，根据所述高斯分布模型为所述目标区域的每个所述像素的置信度赋值。
5.如权利要求4所述的目标检测方法，其特征在于，所述样本图像的目标区域的形状参数包括所述目标区域所在的最小矩形的长度值和宽度值；对应地，所述高斯分布模型为二维高斯分布模型，且所述高斯分布模型的y方向标准差与所述最小矩形的长度值成正比，所述高斯分布模型的x方向标准差与所述最小矩形的宽度值成正比。
6.如权利要求1所述的目标检测方法，其特征在于，所述从所述目标置信图中选取符合预设标准的目标像素作为目标区域的中心点，具体包括：
对所述目标置信图进行非极大值抑制处理，得到处理后的目标置信图；
从所述处理后的目标置信图中选取符合预设标准的目标像素作为目标区域的中心点。
7.一种目标检测装置，其特征在于，包括：
测试模块，用于将待检测图像输入目标检测网络，得到标记有所述待检测图像的每个像素的置信度的目标置信图；其中，每个像素的置信度是指每个像素作为目标区域的组成部分的置信度；
判断模块，用于从所述目标置信图中选取置信度符合预设标准的目标像素，判定以所述目标像素为中心的预设形状的区域为所述待检测图像的目标区域；
其中，所述测试模块具体用于：
从所述目标置信图中选取符合预设标准的目标像素作为所述待检测图像的目标区域的中心点；
对以所述中心点为中心的预设形状的区域中的所有像素的置信度进行拟合，并求解出所述拟合对应的函数参数；其中，所述函数参数为满足置信度函数关系的函数参数；所述置信度函数关系为像素的位置与像素的置信度之间的置信度函数关系；
根据预设的函数关系以及所述函数参数计算目标区域的形状参数，确定所述待检测图像的目标区域的形状，并结合所述中心点的位置以及所述待检测图像的目标区域的形状，得到所述待检测图像的目标区域；其中，所述预设的函数关系为所述函数参数与所述目标区域的形状参数之间的函数关系。
8.一种检测终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述目标检测方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任一项所述目标检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810896562.7A CN109272016B (zh) | 2018-08-08 | 2018-08-08 | 目标检测方法、装置、终端设备和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810896562.7A CN109272016B (zh) | 2018-08-08 | 2018-08-08 | 目标检测方法、装置、终端设备和计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109272016A CN109272016A (zh) | 2019-01-25 |
| CN109272016B true CN109272016B (zh) | 2021-03-23 |
Family
ID=65153266
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810896562.7A Active CN109272016B (zh) | 2018-08-08 | 2018-08-08 | 目标检测方法、装置、终端设备和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109272016B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111666958A (zh) * | 2019-03-05 | 2020-09-15 | 中科院微电子研究所昆山分所 | 基于图像识别的设备状态检测方法、装置、设备及介质 |
| CN111833398B (zh) * | 2019-04-16 | 2023-09-08 | 杭州海康威视数字技术股份有限公司 | 一种图像中的像素点标记方法及装置 |
| CN110276767B (zh) * | 2019-06-28 | 2021-08-31 | Oppo广东移动通信有限公司 | 图像处理方法和装置、电子设备、计算机可读存储介质 |
| CN110334635B (zh) * | 2019-06-28 | 2021-08-31 | Oppo广东移动通信有限公司 | 主体追踪方法、装置、电子设备和计算机可读存储介质 |
| CN110795998B (zh) * | 2019-09-19 | 2023-03-24 | 深圳云天励飞技术有限公司 | 人流量的检测方法、装置、电子设备及可读存储介质 |
| CN111127440A (zh) * | 2019-12-22 | 2020-05-08 | 上海眼控科技股份有限公司 | 轮胎规格的检测方法、装置、电子设备及可读存储介质 |
| CN111353490B (zh) * | 2020-02-28 | 2023-10-31 | 创新奇智(重庆)科技有限公司 | 发动机编号牌质量分析方法、装置、电子设备及存储介质 |
| CN111401424B (zh) * | 2020-03-10 | 2024-01-26 | 北京迈格威科技有限公司 | 目标检测方法、装置和电子系统 |
| CN111557692B (zh) * | 2020-04-26 | 2022-11-22 | 深圳华声医疗技术股份有限公司 | 目标器官组织的自动测量方法、超声测量装置及介质 |
| CN112052787B (zh) * | 2020-09-03 | 2021-07-30 | 腾讯科技（深圳）有限公司 | 基于人工智能的目标检测方法、装置及电子设备 |
| CN112214402B (zh) * | 2020-09-23 | 2023-07-18 | 深圳大学 | 一种代码验证算法的选择方法、装置及存储介质 |
| CN113869310A (zh) * | 2021-09-27 | 2021-12-31 | 北京达佳互联信息技术有限公司 | 对话框检测方法、装置、电子设备及存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101867699B (zh) * | 2010-05-25 | 2012-05-30 | 中国科学技术大学 | 基于分块的非特定目标实时跟踪方法 |
| CN104346620B (zh) * | 2013-07-25 | 2017-12-29 | 佳能株式会社 | 对输入图像中的像素分类的方法和装置及图像处理系统 |
| US9805294B2 (en) * | 2015-02-12 | 2017-10-31 | Mitsubishi Electric Research Laboratories, Inc. | Method for denoising time-of-flight range images |
| CN106326828B (zh) * | 2015-11-08 | 2019-07-19 | 北京巴塔科技有限公司 | 人脸识别中的眼睛定位方法 |
| CN106295678B (zh) * | 2016-07-27 | 2020-03-06 | 北京旷视科技有限公司 | 神经网络训练与构建方法和装置以及目标检测方法和装置 |
| CN107665333A (zh) * | 2017-08-28 | 2018-02-06 | 平安科技（深圳）有限公司 | 一种基于卷积神经网络的不雅图片识别方法、终端、设备及计算机可读存储介质 |
-
2018
- 2018-08-08 CN CN201810896562.7A patent/CN109272016B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109272016A (zh) | 2019-01-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109272016B (zh) | 目标检测方法、装置、终端设备和计算机可读存储介质 | |
| CN108121986B (zh) | 目标检测方法及装置、计算机装置和计算机可读存储介质 | |
| CN110660066B (zh) | 网络的训练方法、图像处理方法、网络、终端设备及介质 | |
| CN110020592B (zh) | 物体检测模型训练方法、装置、计算机设备及存储介质 | |
| CN108805023B (zh) | 一种图像检测方法、装置、计算机设备及存储介质 | |
| CN110378235B (zh) | 一种模糊人脸图像识别方法、装置及终端设备 | |
| CN110969046B (zh) | 人脸识别方法、设备及计算机可读存储介质 | |
| CN112336342B (zh) | 手部关键点检测方法、装置及终端设备 | |
| CN110570442A (zh) | 一种复杂背景下轮廓检测方法、终端设备及存储介质 | |
| CN112966654B (zh) | 唇动检测方法、装置、终端设备及计算机可读存储介质 | |
| CN110969200A (zh) | 基于一致性负样本的图像目标检测模型训练方法及装置 | |
| CN111582032A (zh) | 行人检测方法、装置、终端设备及存储介质 | |
| CN110796250A (zh) | 应用于卷积神经网络的卷积处理方法、系统及相关组件 | |
| CN113781510A (zh) | 边缘检测方法、装置及电子设备 | |
| CN111444807A (zh) | 目标检测方法、装置、电子设备和计算机可读介质 | |
| CN108960247B (zh) | 图像显著性检测方法、装置以及电子设备 | |
| CN111597845A (zh) | 一种二维码检测方法、装置、设备及可读存储介质 | |
| CN111144425A (zh) | 检测拍屏图片的方法、装置、电子设备及存储介质 | |
| US9679219B2 (en) | Image feature classification | |
| CN110765843A (zh) | 人脸验证方法、装置、计算机设备及存储介质 | |
| CN107844803B (zh) | 一种图片比对的方法和装置 | |
| CN113269752A (zh) | 一种图像检测方法、装置终端设备及存储介质 | |
| CN111898408A (zh) | 一种快速人脸识别方法及装置 | |
| CN111062341A (zh) | 视频图像区域的分类方法、装置、设备及存储介质 | |
| CN110738678A (zh) | 脸部细纹检测方法、装置、电子设备及可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |