CN109840883A - 一种训练物体识别神经网络的方法、装置及计算设备 - Google Patents

一种训练物体识别神经网络的方法、装置及计算设备 Download PDF

Info

Publication number
CN109840883A
CN109840883A CN201910022601.5A CN201910022601A CN109840883A CN 109840883 A CN109840883 A CN 109840883A CN 201910022601 A CN201910022601 A CN 201910022601A CN 109840883 A CN109840883 A CN 109840883A
Authority
CN
China
Prior art keywords
target object
fish eye
region
eye images
distortion
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.)
Granted
Application number
CN201910022601.5A
Other languages
English (en)
Other versions
CN109840883B (zh
Inventor
王文琦
廉士国
南一冰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cloudminds Robotics Co Ltd
Original Assignee
Cloudminds Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Cloudminds Inc filed Critical Cloudminds Inc
Priority to CN201910022601.5A priority Critical patent/CN109840883B/zh
Publication of CN109840883A publication Critical patent/CN109840883A/zh
Priority to US16/738,804 priority patent/US11281939B2/en
Priority to JP2020003251A priority patent/JP6947856B2/ja
Application granted granted Critical
Publication of CN109840883B publication Critical patent/CN109840883B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/772—Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及计算机视觉技术领域，尤其公开了一种训练物体识别神经网络的方法、装置及计算设备，其中，方法包括：获取畸变鱼眼图像，其中，所述畸变鱼眼图像中包含有至少一个目标物体；将所述畸变鱼眼图像按照畸变程度划分成若干个区域；确定所述目标物体所属区域；根据所述目标物体所属区域，对所述至少一个目标物体进行分类；将所述畸变鱼眼图像及各所述目标物体所属的类别输入物体识别神经网络，对所述物体识别神经网络进行训练。由此可见，利用本发明方案，可以提高物体识别神经网络基于畸变鱼眼图像识别目标物体的识别效果。

Description

一种训练物体识别神经网络的方法、装置及计算设备
技术领域
本发明实施例涉及计算机视觉技术领域，特别是涉及一种训练物体识别神经网络的方法、装置及计算设备。
背景技术
鱼眼镜头是比标准镜头视角更大、焦距更短的一种特殊镜头，鱼眼镜头由于其视角大焦距短的自身结构特点，导致其采集到的鱼眼图像具有畸变。目前鱼眼镜头主要用在视频监控场景中，针对鱼眼镜头采集到的畸变图像进行校正，将其校正成符合人眼视觉效果的图片，然后使用拼接算法将校正后的鱼眼图像拼接，将拼接完成后的图像使用目标检测识别算法识别。
本发明的发明人在实现本发明的过程中，发现：现有技术需要将畸变鱼眼图像校正成为符合人眼效果的图像，过程繁琐，无法直接识别畸变鱼眼图像。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种训练物体识别神经网络的方法、装置及计算设备。
为解决上述技术问题，本发明实施例采用的一个技术方案是：提供一种训练物体识别神经网络的方法，基于畸变鱼眼图像，包括：获取畸变鱼眼图像，其中，所述畸变鱼眼图像中包含有至少一个目标物体；将所述畸变鱼眼图像按照畸变程度划分成若干个区域；确定所述目标物体所属区域；根据所述目标物体所属区域，对所述至少一个目标物体进行分类；将所述畸变鱼眼图像及各所述目标物体所属的类别输入物体识别神经网络，对所述物体识别神经网络进行训练。
可选的，所述确定所述目标物体所属区域包括：对所述畸变鱼眼图像中各目标物体设置外切框；分别计算各所述目标物体的外切框与各区域的重叠面积；获取各所述目标物体对应的最大重叠区域，其中，所述最大重叠区域为与所述目标物体的外切框之间重叠面积最大的区域；判断所述目标物体对应的最大重叠区域的数量是否大于一个；若所述目标物体对应的最大重叠区域的数量为一个，则将所述最大重叠区域作为所述目标物体所属区域；若所述目标物体对应的最大重叠区域的数量大于一个，则从所述最大重叠区域中选择最优区域，并且将所述最优区域作为所述目标物体所属区域，其中，所述最优区域为在最大重叠区域中距离所述畸变鱼眼图像中心最近的区域。
可选的，所述根据所述目标物体所属区域，对所述至少一个目标物体进行分类包括：将属于同一区域的相同目标物体归为一类。
可选的，在同一个所述区域内，所述目标物体畸变程度相同。
可选的，本发明还提供了一种物体识别的方法，包括：接收输入的畸变鱼眼图像；基于一种训练物体识别神经网络的方法得到的物体识别神经网络，对所述畸变鱼眼图像进行识别，得到所述畸变鱼眼图像中所含的目标物体的物体信息。
本发明实施例采用的另一个技术方案是：提供一种训练物体识别神经网络的装置，包括：获取模块：用于获取畸变鱼眼图像，其中，所述畸变鱼眼图像中包含有至少一个目标物体；划分模块：用于将所述畸变鱼眼图像按照畸变程度划分成若干个区域；确定模块：用于确定所述目标物体所属区域；分类模块：用于根据所述目标物体所属区域，对所述至少一个目标物体进行分类；训练模块：用于将所述畸变鱼眼图像及各所述目标物体所属的类别输入物体识别神经网络，对所述物体识别神经网络进行训练。
可选的，所述确定模块包括：设置单元：用于对所述畸变鱼眼图像中各目标物体设置外切框；计算单元：用于分别计算各所述目标物体的外切框与各区域的重叠面积；获取单元：用于获取各所述目标物体对应的最大重叠区域，其中，所述最大重叠区域为与所述目标物体的外切框之间重叠面积最大的区域；判断单元：用于判断所述目标物体对应的最大重叠区域的数量是否大于一个；第一确定单元：用于当所述目标物体对应的最大重叠区域的数量为一个时，将所述最大重叠区域作为所述目标物体所属区域；第二确定单元：用于当所述目标物体对应的最大重叠区域的数量大于一个，则从所述最大重叠区域中选择最优区域，并且将所述最优区域作为所述目标物体所属区域，其中，所述最优区域为在最大重叠区域中距离所述畸变鱼眼图像中心最近的区域。
可选的，所述分类模块包括分类单元，用于将属于同一区域的相同目标物体归为一类。
可选的，在同一个所述区域内，所述目标物体畸变程度相同。
可选的，本实施例提供了一种物体识别装置，所述装置包括：接收模块：用于接收输入的畸变鱼眼图像；识别模块：用于基于一种训练物体识别神经网络的装置得到的物体识别神经网络，对所述畸变鱼眼图像进行识别，得到所述畸变鱼眼图像中所含的目标物体的物体信息。
本发明实施例采用的再一技术方案是提供一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如一种训练物体识别神经网络的方法对应的操作。
本发明实施例采用的又一技术方案是提供一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如一种训练物体识别神经网络的方法对应的操作。
本发明实施例的有益效果是：区别于现有技术的情况，本发明实施例通过对畸变鱼眼图像按照畸变程度划分成若干个区域，对每一个所述区域的目标物体进行分类，将所述畸变鱼眼图像和所述目标物体所述类别输入物体识别神经网络进行训练，得到训练好的物体识别神经网络，所述训练好的物体识别神经网络可以直接对畸变鱼眼图像中的目标物体进行识别。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施例。
附图说明
通过阅读下文优选实施例的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施例的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1是本发明实施例的一种训练物体识别神经网络的方法流程图；
图2是本发明实施例的一种训练物体识别神经网络的方法中确定目标物体所属区域的示意图；
图3是本发明实施例的一种训练物体识别神经网络的装置的功能框图；
图4是本发明实施例的一种计算设备的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
图1为本发明一种训练物体识别神经网络的方法实施例的流程图。如图1所示，该方法包括以下步骤：
步骤S101：获取畸变鱼眼图像，其中，所述畸变鱼眼图像中包含有至少一个目标物体。
在本步骤中，所述畸变鱼眼图像是使用鱼眼镜头拍摄的图片，鱼眼镜头由于其视角大焦距短的自身结构特点，导致其采集到的鱼眼图像具有畸变。
步骤S102：将所述畸变鱼眼图像按照畸变程度划分成若干个区域。
由于鱼眼镜头畸变的弯曲程度没有固定的规律，但是其畸变程度分布呈现一定的规律，因此，可以根据鱼眼镜头的畸变特点，对鱼眼镜头视角范围内的畸变情况进行分析，将畸变程度一样的划分为一个区域。在本发明实施例中，使用若干个大小不同的同心圆将所述畸变鱼眼图像划分成若干个区域。需要说明的是，在同一所述区域内，所述目标物体畸变程度相同。
步骤S103：确定所述目标物体所属区域。
在本步骤中，所述目标物体所属区域通过以下方式确定，如图2所示，确定目标物体所述区域包括以下步骤：
步骤S1031：对所述畸变鱼眼图像中各目标物体设置外切框。
外切框是指能够完全包括所述畸变鱼眼图像中的目标物体的最小方框。
步骤S1032：分别计算各所述目标物体的外切框与各区域的重叠面积。
重叠面积是指各区域包括在所述外切框中的面积。在进行计算重叠面积时，可以使用积分算法计算，也可以使用所述外切框与所述区域重叠部分的像素点计算，对于计算重叠面积的具体方法，在本发明实施方式中不做限定。另外，由于所述积分算法是一种计算不规则区域面积的方法，属于公知技术，在此不做赘述。
步骤S1033：获取各所述目标物体对应的最大重叠区域，其中，所述最大重叠区域为与所述目标物体的外切框之间重叠面积最大的区域。
在本步骤中，将所述外切框与每一个所述区域的重叠面积按照由大到小的顺序排序，得到所述重叠面积最大值对应的重叠区域。
步骤S1034：判断所述目标物体对应的最大重叠区域的数量是否大于一个，若是，执行步骤S1035，若否，执行步骤S1036。
在本步骤中，当一个目标物体的外切框位于多个所述区域时，所述重叠面积最大值可能不止一个，对应的重叠区域的数量也不止一个，如，当所述外切框与两个区域的重叠面积相等且最大时，所述目标物体对应的最大重叠区域的数量大于一个。
步骤S1035：从所述最大重叠区域中选择最优区域，并且将所述最优区域作为所述目标物体所属区域。
在本步骤中，所述最优区域为在最大重叠区域中距离所述畸变鱼眼图像中心最近的区域。当所述目标物体对应的最大重叠区域的数量大于一个时，将距离所述畸变鱼眼图像中心最近的区域作为目标物体所属区域。
步骤S1036：将所述最大重叠区域作为所述目标物体所属区域。
在本步骤中，当所述目标物体对应的最大重叠区域的数量仅为一个时，将所述最大重叠区域作为所述目标物体所述区域。
步骤S104：根据所述目标物体所属区域，对所述至少一个目标物体进行分类。
在本步骤中，所述根据所述目标物体所属区域，对所述至少一个目标物体进行分类包括：将属于同一区域的相同目标物体归为一类。如，所述畸变鱼眼图像中包含两种目标物体A和B，其中，所述目标物体A有3个，分别记为目标物体A1、目标物体A2及目标物体A3，目标物体B有一个，记为目标物体B，所述区域包括三个，由所述畸变鱼眼图像中心向外依次为Area_1、Area_2和Area_3，其中，所述目标物体A1与所述目标物体A2确定所属区域均为Area_1，所述目标物体A3确定所属区域为Area_2，所述目标物体B确定所属区域为Area_3，因此，将所述目标物体A1与所述目标物体A2分为一类，记为A-1，将所述目标物体A3分为一类，记为A-2，将所述目标物体B分为一类，记为B-3。
步骤S105：将所述畸变鱼眼图像及各所述目标物体所属的类别输入物体识别神经网络，对所述物体识别神经网络进行训练。
目标物体在所述畸变鱼眼图像中的不同区域畸变程度不同，将目标物体按照所述区域及目标物体类别分类输入物体识别神经网络进行训练，相比于不进行分类直接进行训练的物体识别神经网络，本发明实施例根据畸变程度将目标物体进行分类，可以提高目标物体识别神经网络基于畸变鱼眼图像的识别效果。
在本步骤中，将获取到的大量物体类别及对应的畸变鱼眼图像输入物体识别神经网络进行训练，得到训练好的物体识别神经网络。所述目标物体识别神经网络为现有的主流的神经网络，具体神经网络的类别在此不做限定，所述训练好的物体识别神经网络可以识别在训练神经网络时使用的各目标物体类别。
在本发明实施例中，通过对畸变鱼眼图像按照畸变程度划分成若干个区域，对每一个所述区域的目标物体进行分类，将所述畸变鱼眼图像和所述目标物体所述类别输入物体识别神经网络进行训练，得到训练好的物体识别神经网络，所述训练好的物体识别神经网络可以直接对畸变鱼眼图像中的目标物体进行识别。
在一个实施例中，提供了一种物体识别的方法，包括：接收输入的畸变鱼眼图像；基于上述训练物体识别神经网络的方法得到的物体识别神经网络，对所述畸变鱼眼图像进行识别，得到所述畸变鱼眼图像中所含的目标物体的物体信息。
通过上述训练物体识别神经网络的方法得到的物体识别神经网络，其识别畸变鱼眼图像中所含的目标物体的物体信息的识别效果更优，因此，利用该物体识别神经网络来识别畸变鱼眼图像中所含的目标物体时，可以提高物体识别的识别效果。
图3示出了本发明实施例一种训练物体识别神经网络的装置的功能框图，如图3所示，所述装置包括：获取模块301、划分模块302、确定模块303、分类模块304及训练模块305，其中，所述获取模块301，用于获取畸变鱼眼图像，其中，所述畸变鱼眼图像中包含有至少一个目标物体；划分模块302，用于将所述畸变鱼眼图像按照畸变程度划分成若干个区域；确定模块303，用于确定所述目标物体所属区域；分类模块304，用于根据所述目标物体所属区域，对所述至少一个目标物体进行分类；训练模块305，用于将所述畸变鱼眼图像及各所述目标物体所属的类别输入物体识别神经网络，对所述物体识别神经网络进行训练。
其中，所述确定模块包括：设置单元3031、计算单元3032、获取单元3033、判断单元3034、第一确定单元3035及第二确定单元3036，其中，所述设置单元3031，用于对所述畸变鱼眼图像中各目标物体设置外切框；所述计算单元3032，用于分别计算各所述目标物体的外切框与各区域的重叠面积；所述获取单元3033，用于获取各所述目标物体对应的最大重叠区域，其中，所述最大重叠区域为与所述目标物体的外切框之间重叠面积最大的区域；所述判断单元3034，用于判断所述目标物体对应的最大重叠区域的数量是否大于一个；所述第一确定单元3035，用于当所述目标物体对应的最大重叠区域的数量为一个时，将所述最大重叠区域作为所述目标物体所属区域；所述第二确定单元3036，用于当所述目标物体对应的最大重叠区域的数量大于一个，则从所述最大重叠区域中选择最优区域，并且将所述最优区域作为所述目标物体所属区域，其中，所述最优区域为在最大重叠区域中距离所述畸变鱼眼图像中心最近的区域。
其中，所述分类模块304包括分类单元3041，用于将属于同一区域的相同目标物体归为一类。
其中，在同一个所述区域内，所述目标物体畸变程度相同。
在一个实施例中，提供一种物体识别装置，所述装置包括接收模块和识别模块，其中，所述接收模块用于接收输入的畸变鱼眼图像；所述识别模块用于基于所述一种训练物体识别神经网络的装置得到的物体识别神经网络，对所述畸变鱼眼图像进行识别，得到所述畸变鱼眼图像中所含的目标物体的物体信息。
在本发明实施例中，通过划分模块对畸变鱼眼图像按照畸变程度划分成若干个区域，对每一个所述区域的目标物体通过分类模块进行分类，并通过训练模块将所述畸变鱼眼图像和所述目标物体所述类别输入物体识别神经网络进行训练，得到训练好的物体识别神经网络，所述训练好的物体识别神经网络可以直接对畸变鱼眼图像中的目标物体进行识别。
本申请实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的一种训练物体识别神经网络的方法。
图4为本发明计算设备实施例的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
如图4所示，该计算设备可以包括：处理器(processor)402、通信接口(Communications Interface)404、存储器(memory)406、以及通信总线408。
其中：
处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。
通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器402，用于执行程序410，具体可以执行上述一种训练物体识别神经网络的方法实施例中的相关步骤。
具体地，程序410可以包括程序代码，该程序代码包括计算机操作指令。
处理器402可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器406，用于存放程序410。存储器406可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序410具体可以用于使得处理器402执行以下操作：
获取畸变鱼眼图像，其中，所述畸变鱼眼图像中包含有至少一个目标物体；将所述畸变鱼眼图像按照畸变程度划分成若干个区域；确定所述目标物体所属区域；根据所述目标物体所属区域，对所述至少一个目标物体进行分类；将所述畸变鱼眼图像及各所述目标物体所属的类别输入物体识别神经网络，对所述物体识别神经网络进行训练。
在一种可选的方式中，程序410具体可以进一步用于使得处理器402执行以下操作：
对所述畸变鱼眼图像中各目标物体设置外切框；分别计算各所述目标物体的外切框与各区域的重叠面积；获取各所述目标物体对应的最大重叠区域，其中，所述最大重叠区域为与所述目标物体的外切框之间重叠面积最大的区域；判断所述目标物体对应的最大重叠区域的数量是否大于一个；若所述目标物体对应的最大重叠区域的数量为一个，则将所述最大重叠区域作为所述目标物体所属区域；若所述目标物体对应的最大重叠区域的数量大于一个，则从所述最大重叠区域中选择最优区域，并且将所述最优区域作为所述目标物体所属区域，其中，所述最优区域为在最大重叠区域中距离所述畸变鱼眼图像中心最近的区域。
在一种可选的方式中，程序410具体可以进一步用于使得处理器402执行以下操作：所述根据所述目标物体所属区域，对所述至少一个目标物体进行分类包括：将属于同一区域的相同目标物体归为一类。
在一种可选的方式中：在同一个所述区域内，所述目标物体畸变程度相同。
在一种可选的方式中，程序410具体可以进一步用于使得处理器402执行以下操作：接收输入的畸变鱼眼图像；基于一种训练物体识别神经网络的方法得到的物体识别神经网络，对所述畸变鱼眼图像进行识别，得到所述畸变鱼眼图像中所含的目标物体的物体信息。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施例。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施例的权利要求书由此明确地并入该具体实施例，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一种训练物体识别神经网络装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (12)

1.一种训练物体识别神经网络的方法，基于畸变鱼眼图像，其特征在于，包括：
获取畸变鱼眼图像，其中，所述畸变鱼眼图像中包含有至少一个目标物体；
将所述畸变鱼眼图像按照畸变程度划分成若干个区域；
确定所述目标物体所属区域；
根据所述目标物体所属区域，对所述至少一个目标物体进行分类；
将所述畸变鱼眼图像及各所述目标物体所属的类别输入物体识别神经网络，对所述物体识别神经网络进行训练。
2.根据权利要求1所述的方法，其特征在于，
所述确定所述目标物体所属区域包括：
对所述畸变鱼眼图像中各目标物体设置外切框；
分别计算各所述目标物体的外切框与各区域的重叠面积；
获取各所述目标物体对应的最大重叠区域，其中，所述最大重叠区域为与所述目标物体的外切框之间重叠面积最大的区域；
判断所述目标物体对应的最大重叠区域的数量是否大于一个；
若所述目标物体对应的最大重叠区域的数量为一个，则将所述最大重叠区域作为所述目标物体所属区域；
若所述目标物体对应的最大重叠区域的数量大于一个，则从所述最大重叠区域中选择最优区域，并且将所述最优区域作为所述目标物体所属区域，其中，所述最优区域为在最大重叠区域中距离所述畸变鱼眼图像中心最近的区域。
3.根据权利要求1所述的方法，其特征在于，所述根据所述目标物体所属区域，对所述至少一个目标物体进行分类包括：
将属于同一区域的相同目标物体归为一类。
4.根据权利要求1-3中任意一项所述的方法，其特征在于，在同一个所述区域内，所述目标物体畸变程度相同。
5.一种物体识别的方法，其特征在于，所述方法包括：
接收输入的畸变鱼眼图像；
基于权利要求1-4中任意一项得到的物体识别神经网络，对所述畸变鱼眼图像进行识别，得到所述畸变鱼眼图像中所含的目标物体的物体信息。
6.一种训练物体识别神经网络的装置，其特征在于，包括：
获取模块：用于获取畸变鱼眼图像，其中，所述畸变鱼眼图像中包含有至少一个目标物体；
划分模块：用于将所述畸变鱼眼图像按照畸变程度划分成若干个区域；
确定模块：用于确定所述目标物体所属区域；
分类模块：用于根据所述目标物体所属区域，对所述至少一个目标物体进行分类；
训练模块：用于将所述畸变鱼眼图像及各所述目标物体所属的类别输入物体识别神经网络，对所述物体识别神经网络进行训练。
7.根据权利要求6所述的装置，其特征在于，所述确定模块包括：
设置单元：用于对所述畸变鱼眼图像中各目标物体设置外切框；
计算单元：用于分别计算各所述目标物体的外切框与各区域的重叠面积；
获取单元：用于获取各所述目标物体对应的最大重叠区域，其中，所述最大重叠区域为与所述目标物体的外切框之间重叠面积最大的区域；
判断单元：用于判断所述目标物体对应的最大重叠区域的数量是否大于一个；
第一确定单元：用于当所述目标物体对应的最大重叠区域的数量为一个时，将所述最大重叠区域作为所述目标物体所属区域；
第二确定单元：用于当所述目标物体对应的最大重叠区域的数量大于一个，则从所述最大重叠区域中选择最优区域，并且将所述最优区域作为所述目标物体所属区域，其中，所述最优区域为在最大重叠区域中距离所述畸变鱼眼图像中心最近的区域。
8.根据权利要求6所述的装置，其特征在于，所述分类模块包括分类单元，用于将属于同一区域的相同目标物体归为一类。
9.根据权利要求6-8中任意一项所述的装置，其特征在于，在同一个所述区域内，所述目标物体畸变程度相同。
10.一种物体识别装置，其特征在于，所述装置包括：
接收模块：用于接收输入的畸变鱼眼图像；
识别模块：用于基于权利要求1-4中任意一项得到的物体识别神经网络，对所述畸变鱼眼图像进行识别，得到所述畸变鱼眼图像中所含的目标物体的物体信息。
11.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-4中任一项所述的一种训练物体识别神经网络的方法对应的操作。
12.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-4中任一项所述的一种训练物体识别神经网络的方法对应的操作。
CN201910022601.5A 2019-01-10 2019-01-10 一种训练物体识别神经网络的方法、装置及计算设备 Active CN109840883B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910022601.5A CN109840883B (zh) 2019-01-10 2019-01-10 一种训练物体识别神经网络的方法、装置及计算设备
US16/738,804 US11281939B2 (en) 2019-01-10 2020-01-09 Method and apparatus for training an object identification neural network, and computer device
JP2020003251A JP6947856B2 (ja) 2019-01-10 2020-01-10 物体認識ニューラルネットワークの訓練方法、装置及びコンピューティングデバイス

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910022601.5A CN109840883B (zh) 2019-01-10 2019-01-10 一种训练物体识别神经网络的方法、装置及计算设备

Publications (2)

Publication Number Publication Date
CN109840883A true CN109840883A (zh) 2019-06-04
CN109840883B CN109840883B (zh) 2022-12-23

Family

ID=66883724

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910022601.5A Active CN109840883B (zh) 2019-01-10 2019-01-10 一种训练物体识别神经网络的方法、装置及计算设备

Country Status (3)

Country Link
US (1) US11281939B2 (zh)
JP (1) JP6947856B2 (zh)
CN (1) CN109840883B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111275020A (zh) * 2020-03-12 2020-06-12 青梧桐有限责任公司 一种房间状态识别方法
CN112001229A (zh) * 2020-07-09 2020-11-27 浙江大华技术股份有限公司 视频行为识别的方法、装置、系统和计算机设备
CN112733677A (zh) * 2020-12-31 2021-04-30 桂林海威科技股份有限公司 一种人流量统计系统及方法
CN112784815A (zh) * 2021-02-19 2021-05-11 苏州市大智无疆智能科技有限公司 一种无人机巡航目标识别方法、装置及云服务器
WO2021102911A1 (zh) * 2019-11-29 2021-06-03 深圳市大疆创新科技有限公司 一种图像检测方法、图像检测设备及存储介质
CN113791055A (zh) * 2021-08-17 2021-12-14 北京农业信息技术研究中心 一种鱼肉新鲜度检测方法及系统
CN114004986A (zh) * 2021-10-29 2022-02-01 北京百度网讯科技有限公司 图像处理方法、检测模型的训练方法、装置、设备和介质
CN118417199A (zh) * 2024-07-02 2024-08-02 湖南辰铭竹木制品有限公司 一种基于多目标视觉检测的竹筷色选机控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831386A (zh) * 2011-04-26 2012-12-19 日立信息通讯工程有限公司 物体识别方法及识别装置
US20140177947A1 (en) * 2012-12-24 2014-06-26 Google Inc. System and method for generating training cases for image classification
US10019654B1 (en) * 2017-06-28 2018-07-10 Accenture Global Solutions Limited Image object recognition
CN108932697A (zh) * 2017-05-26 2018-12-04 杭州海康威视数字技术股份有限公司 一种失真图像的去失真方法、装置及电子设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102015205502A1 (de) * 2015-03-26 2016-09-29 Mando Corporation Bildverarbeitungsverfahren und Bildverarbeitungssystem zum Extrahieren verzerrter kreisförmiger Bildelemente
US20190130215A1 (en) * 2016-04-21 2019-05-02 Osram Gmbh Training method and detection method for object recognition
US10733697B2 (en) * 2016-12-27 2020-08-04 Intel IP Corporation Convolutional neural network for wide-angle camera images
JP6799325B2 (ja) * 2017-05-29 2020-12-16 地方独立行政法人東京都立産業技術研究センター 画像補正装置、画像補正方法、注目点認識装置、注目点認識方法及び異常検知システム
TWI657378B (zh) * 2017-09-22 2019-04-21 財團法人資訊工業策進會 複數非線性扭曲鏡頭下之目標追蹤方法及系統

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831386A (zh) * 2011-04-26 2012-12-19 日立信息通讯工程有限公司 物体识别方法及识别装置
US20140177947A1 (en) * 2012-12-24 2014-06-26 Google Inc. System and method for generating training cases for image classification
CN108932697A (zh) * 2017-05-26 2018-12-04 杭州海康威视数字技术股份有限公司 一种失真图像的去失真方法、装置及电子设备
US10019654B1 (en) * 2017-06-28 2018-07-10 Accenture Global Solutions Limited Image object recognition

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021102911A1 (zh) * 2019-11-29 2021-06-03 深圳市大疆创新科技有限公司 一种图像检测方法、图像检测设备及存储介质
CN111275020A (zh) * 2020-03-12 2020-06-12 青梧桐有限责任公司 一种房间状态识别方法
CN112001229A (zh) * 2020-07-09 2020-11-27 浙江大华技术股份有限公司 视频行为识别的方法、装置、系统和计算机设备
CN112733677A (zh) * 2020-12-31 2021-04-30 桂林海威科技股份有限公司 一种人流量统计系统及方法
CN112784815A (zh) * 2021-02-19 2021-05-11 苏州市大智无疆智能科技有限公司 一种无人机巡航目标识别方法、装置及云服务器
CN112784815B (zh) * 2021-02-19 2024-05-03 苏州科知律信息科技有限公司 一种无人机巡航目标识别方法、装置及云服务器
CN113791055A (zh) * 2021-08-17 2021-12-14 北京农业信息技术研究中心 一种鱼肉新鲜度检测方法及系统
CN113791055B (zh) * 2021-08-17 2024-05-14 北京农业信息技术研究中心 一种鱼肉新鲜度检测方法及系统
CN114004986A (zh) * 2021-10-29 2022-02-01 北京百度网讯科技有限公司 图像处理方法、检测模型的训练方法、装置、设备和介质
CN118417199A (zh) * 2024-07-02 2024-08-02 湖南辰铭竹木制品有限公司 一种基于多目标视觉检测的竹筷色选机控制方法

Also Published As

Publication number Publication date
US11281939B2 (en) 2022-03-22
JP6947856B2 (ja) 2021-10-13
CN109840883B (zh) 2022-12-23
US20200320342A1 (en) 2020-10-08
JP2020113274A (ja) 2020-07-27

Similar Documents

Publication Publication Date Title
CN109840883A (zh) 一种训练物体识别神经网络的方法、装置及计算设备
Fujita et al. Basic investigation on a robust and practical plant diagnostic system
CN105809146B (zh) 一种图像场景识别方法和装置
CN108875486A (zh) 目标对象识别方法、装置、系统和计算机可读介质
CN112465909B (zh) 基于卷积神经网络的类激活映射目标定位方法及系统
CN109285149A (zh) 人脸图像质量的评估方法、装置及计算设备
CN113012054B (zh) 基于抠图的样本增强方法和训练方法及其系统和电子设备
CN108961180B (zh) 红外图像增强方法及系统
EP3005236A1 (en) Evaluating image sharpness
CN110023989B (zh) 一种素描图像的生成方法及装置
CN109376757B (zh) 一种多标签分类方法及系统
CN111091739B (zh) 自动驾驶场景的生成方法、装置和存储介质
CN108876813A (zh) 用于视频中物体检测的图像处理方法、装置及设备
CN107977927A (zh) 基于图像数据的身材调整方法及装置、计算设备
CN108230234A (zh) 图像虚化处理方法、装置、存储介质及电子设备
CN109542562A (zh) 界面图片的识别方法及装置
CN109034086A (zh) 车辆重识别方法、装置及系统
CN106650743A (zh) 图像强反光检测方法和装置
CN111311565A (zh) 基于眼部oct图像的视杯和视盘定位点检测方法及装置
CN110490056A (zh) 对包含算式的图像进行处理的方法和装置
CN108734712A (zh) 背景分割的方法、装置及计算机存储介质
CN109685015A (zh) 图像的处理方法、装置、电子设备和计算机存储介质
CN109087344A (zh) 三维重建中的图像选择方法及装置
CN206649533U (zh) 车载图像识别装置和车辆
CN106296580A (zh) 一种图像拼接的方法及装置

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
TA01 Transfer of patent application right

Effective date of registration: 20210122

Address after: 200000 second floor, building 2, no.1508, Kunyang Road, Minhang District, Shanghai

Applicant after: Dalu Robot Co.,Ltd.

Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.)

Applicant before: CLOUDMINDS (SHENZHEN) ROBOTICS SYSTEMS Co.,Ltd.

TA01 Transfer of patent application right
CB02 Change of applicant information

Address after: 201111 Building 8, No. 207, Zhongqing Road, Minhang District, Shanghai

Applicant after: Dayu robot Co.,Ltd.

Address before: 200000 second floor, building 2, no.1508, Kunyang Road, Minhang District, Shanghai

Applicant before: Dalu Robot Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant