CN110287943A - 图像的对象识别方法、装置、电子设备及存储介质 - Google Patents
图像的对象识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110287943A CN110287943A CN201910597095.2A CN201910597095A CN110287943A CN 110287943 A CN110287943 A CN 110287943A CN 201910597095 A CN201910597095 A CN 201910597095A CN 110287943 A CN110287943 A CN 110287943A
- Authority
- CN
- China
- Prior art keywords
- image
- line segment
- matched
- profile
- target
- 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
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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/752—Contour matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种图像的对象识别方法、装置、电子设备及存储介质,涉及图像识别技术领域。该方法包括:获取目标图像,对所述目标图像进行预处理,得到所述目标图像中目标对象的轮廓,所述目标图像的轮廓包括:所述目标图像中目标对象的轮廓;获取待匹配图像,对所述待匹配图像进行预处理,得到所述待匹配图像中待匹配对象的轮廓;对所述目标对象图像的轮廓和所述待匹配对象图像的轮廓进行匹配,得到匹配结果;其中,所述匹配结果用于表示所述待匹配图像中所述待匹配目标对象的识别结果。相对于现有技术,解决了在识别目标是简单纹理的情况下,由于简单纹理可提取的特征点很少,造成常常检测不出被识别物体的问题。
Description
技术领域
本申请涉及图像识别领域,具体而言,涉及一种图像的对象识别方法、装置、电子设备及存储介质。
背景技术
物体识别在很多场景下都会用到,由于被识别物体的特征很难由人工提取与描述,同时被识别物体可能会存在部分遮挡,旋转或光照变化等问题,使得物体识别存在一定的挑战。
现有技术在进行物体识别时,常常用到的方法基于图像特征分别提取目标图像和待检测图像的特征点,并对提取的特征点进行检测与匹配。
但是由于简单纹理可提取的特征点很少,所以在识别目标是简单纹理的情况下,这种方法常常会检测不出被识别物体。
发明内容
本申请的目的在于,针对上述现有技术中的不足,提供一种图像的对象识别方法,以解决现有技术中在识别目标是简单纹理的情况下,由于简单问题可提取的特征点很少,常常检测不出被识别物体的问题。
为实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请一实施例提供了一种图像的对象识别方法,包括:
对目标图像进行处理,得到所述目标图像的轮廓,所述目标图像的轮廓包括:所述目标图像中目标对象的轮廓;
对待匹配图像进行处理,得到所述待匹配图像的轮廓;
对所述目标图像的轮廓和所述待匹配图像的轮廓进行匹配,得到所述待匹配图像的匹配结果;其中,所述待匹配图像的匹配结果用于表示所述待匹配图像中所述目标对象的识别结果。
进一步地,所述对所述目标图像的轮廓和所述待匹配图像的轮廓进行匹配,得到所述待匹配图像的匹配结果包括:
根据预设线段划分规则,对所述目标图像的轮廓进行线段划分,得到多个所述目标图像的线段;
根据所述线段划分规则,对所述待匹配图像的轮廓进行线段划分,得到多个所述待匹配图像的线段;
获取多个线段对,并逐一对所述线段对进行匹配,得到每个所述线段对的匹配结果,所述线段对的匹配结果包括:每个所述线段对中,所述目标图像的一个线段与所述目标图像的所有线段的匹配结果;
所述待匹配图像的匹配结果包括:多个所述线段对的匹配结果。
进一步地,所述获取多个线段对,并逐一对线段对进行匹配,得到每个所述线段对的匹配结果,包括:
获取所述目标图像的每个线段的描述子、所述待匹配图像的每个线段的描述子;
分别对所述目标图像的所有线段的描述子,和所述待匹配图像的一个线段的描述子,进行匹配,得到每个所述线段对的匹配结果;
若多个所述线段对的匹配结果中,匹配成功的线段对的个数大于或等于预设值,则对所述匹配成功的线段对进行单应性变换,并对变换后的每个所述线段对进行匹配,得到变换后的每个所述线段对的匹配结果;
所述待匹配图像的匹配结果还包括:变换后的每个所述线段对的匹配结果。
进一步地,所述线段的描述子包括下述一项或多项内容:线段的长度、线段的方向、线段的邻域梯度总和、线段的曲率积分。
进一步地,所述若匹配成功的线段对的个数大于或等于预设值,则对所述匹配成功的线段对进行单应性变换,并对变换后的每个所述线段对进行匹配,得到变换后的每个所述线段对的匹配结果,包括:
若匹配成功的线段对的个数大于或等于预设值,则提取每个线段对的中点,并对所述线段对进行单应性变换,并对变换后的每个所述线段对进行匹配,得到变换后的每个所述线段对的匹配结果。
进一步地,所述对目标图像进行处理,得到所述目标图像的轮廓,包括:
根据至少一个缩放参数,对所述目标图像进行缩放处理,获取至少一个第一采样图像,其中,一个所述缩放参数对应一个所述第一采样图像;
对每个所述第一采样图像进行高斯模糊处理,得到每个所述第一采样图像的轮廓;其中,每个所述第一采样图像的轮廓包括:所述目标对象的轮廓。
进一步地,所述对待匹配图像进行处理,得到所述待匹配图像的轮廓,包括:
根据至少一个缩放参数,对所述待匹配图像进行缩放处理,获取至少一个第二采样图像,其中,一个所述缩放参数对应一个所述第二采样图像;
对每个所述第二采样图像进行高斯模糊处理,得到每个所述第二采样图像的轮廓。
第二方面,本申请另一实施例提供了一种图像的对象识别装置,包括:第一获取模块、第二获取模块、匹配模块,其中:
所述第一获取模块,用于对目标图像进行处理,得到所述目标图像的轮廓,所述目标图像的轮廓包括:所述目标图像中目标对象的轮廓;
所述第二获取模块,用于对待匹配图像进行处理,得到所述待匹配图像的轮廓;
所述匹配模块,对所述目标图像的轮廓和所述待匹配图像的轮廓进行匹配,得到所述待匹配图像的匹配结果;其中,所述待匹配图像的匹配结果用于表示所述待匹配图像中所述目标对象的识别结果。
第三方面,本申请另一实施例提供了一种电子设备,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如上述第一方面任一所述方法的步骤。
第四方面,本申请另一实施例提供了一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如上述第一方面任一所述方法的步骤。
本申请提供的图像的对象识别方法、装置、电子设备及存储介质,可以通过分别对目标图像和待匹配图像进行处理,得到目标图像和待匹配图像的轮廓,其中,该目标图像的轮廓包括目标对象的轮廓,并对目标图像的轮廓和待匹配图像的轮廓进行匹配,得到匹配结果。本申请中,通过图像轮廓的匹配得到图像中目标对象的识别结果,可避免简单纹理由于提取的特征点较少所引起的对象难以识别的问题,从而实现简单纹理的对象识别。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请一实施例提供的图像的对象识别方法的流程示意图;
图2为本申请一实施例提供的图像的对象识别方法的流程示意图;
图3为本申请一实施例提供的图像的对象识别方法的流程示意图;
图4为本申请一实施例提供的图像的对象识别方法的流程示意图;
图5为本申请一实施例提供的图像的对象识别装置的结构示意图;
图6为本申请一实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。
本申请提供一种图像的对象识别方法,可避免由于简单纹理可提取的特征点很少,造成的对象难以识别问题,有效实现简单纹理的对象识别。该方法可由手机、平板电脑、穿戴设备等任一具有图像识别功能的电子设备执行,也可由电子设备中图像应用程序对应的应用服务器执行,如下以电子设备的执行过程进行实例说明,针对服务器执行的方法其相似之处,本申请不再赘述。
图1为本申请一实施例提供的一种图像的对象识别方法的流程示意图,如图1所示,该方法包括:
S101:对目标图像进行处理,得到目标图像中目标图像的轮廓。
其中,该目标图像的轮廓包括:该目标图像中目标对象的轮廓。
在对目标图像进行处理之前,需要先获取该目标图像。以电子设备为例:可从执行该方法的电子设备预设的存储器中获取该目标图像,也可从该电子设备中的图像应用程序对应的应用服务器中获取该图像目标,在此不做任何限制。
需要说明的是,该目标图像可以是由电子设备拍摄得到;或者,经过计算机绘制之后,预先存储在预设的存储器或者应用服务器中,在此不做任何限制。
可选地,该目标图像中的目标对象可以为人、建筑物、动物、植物等任一类型的识别对象,在此不做任何限制。
具体地,目标图像中,目标对象占主要内容,即在目标图像中目标对象的占比大于或等于预设阈值。在一个实施方式中,目标图像是纯净没有背景的图像,即该目标图像中目标对象的占比可以为100%;如果该目标图像为拍摄得到,则需要对拍摄得到的图像进行处理,以抠除图像背景,得到一个纯净的目标图像;在另一个实施方式中,目标图像中可以存在少量的背景,即该目标图像中目标对象的占比小于100%,但大于或等于预设阈值。例如:该预设阈值可以为80%,该目标图像中目标对象的占比可大于或等于80%,也就是说,目标对象至少需要占据目标图像的80%,但具体预设阈值的设置并不以此为限,也可以为85%或90%,具体根据用户需要设置。
本申请的方案中,在目标图像中目标对象的占比大于或等于预设阈值,可有效保证后续对象识别的识别准确度。
S102:对待匹配图像进行处理,得到待匹配图像的轮廓。
在对待匹配图像进行处理之前,需要先获取待匹配图像。可选地,待匹配图像可以直接由电子设备拍摄得到;也可基于输入的操作指令,从电子设备的相册中选取一张图像作为待匹配图像。
S103:对目标图像的轮廓和待匹配图像的轮廓进行匹配,得到待匹配图像的匹配结果。
其中,待匹配图像的匹配结果用于表示待匹配图像中目标对象的识别结果。
具体地,可通过对目标图像的轮廓和待匹配图像的轮廓进行匹配,以确定该待匹配图像的轮廓中是否存在与该目标对象的轮廓匹配成功的部分,并且匹配成功的部分是否大于预设阈值;如果存在匹配成功的部分,且大于预设阈值,则可确定该待匹配图像中具有目标对象;否则,可确定该待匹配图像中不具有目标对象。
也就是说,该匹配结果为该待匹配图像中具有目标对象的识别结果,或者,该待匹配图像中不具有目标对象的识别结果。
本实施例中,通过分别对目标图像和待匹配图像进行处理,得到目标图像和待匹配图像的轮廓,其中,该目标图像的轮廓包括目标对象的轮廓,并对目标图像的轮廓和待匹配图像的轮廓进行匹配,得到匹配结果。本申请中,通过图像轮廓的匹配得到图像中目标对象的识别结果,可避免简单纹理由于提取的特征点较少所引起的对象难以识别的问题,有效实现简单纹理的对象识别。
图2为本申请另一实施例提供的图片的对象识别方法的流程示意图。如图2所示,可选的,上述S103中对目标图像的轮廓和待匹配图像的轮廓进行匹配,得到待匹配图像的匹配结果,可包括:
S201:根据预设线段划分规则,对目标图像的轮廓进行线段划分,得到多个目标图像的线段。
该预设线段划分规则可以为预设目标对象对应的线段划分规则,不同类型的目标对象,可具有不同的线段划分规则。例如:若目标对象是人物,对应的预设线段划分规则即为第一规则;若目标对象是植物,对应的预设线段划分规则即为不同于该第一规则的第二规则。
可选地,预设线段划分规则可以为:划分后的线段总长度不超过L,划分后的线段每一处的曲率不超过预设曲率,划分后的线段在预设范围内的梯度总和不高于线段本身。
S202:根据线段划分规则,对待匹配图像的轮廓进行线段划分,得到多个待匹配图像的线段。
上述S201中对该目标图像进行划分所采用的线段划分规则,和该S202中对待匹配图像的轮廓进行划分所采用的线段划分规则可以为同一个线段划分规则。
该目标图像与该待匹配图像分别为不同的图像,所以采用同一线段划分规则进行线段划分后,所得到的待匹配图像的线段和目标图像的线段的个数通常不相等。通常情况下,待匹配图像的线段个数会多于目标图像的线段个数。
S203:获取多个线段对,并逐一对线段对进行匹配,得到每个线段对的匹配结果。
其中,待匹配图像的匹配结果包括:多个线段对的匹配结果。
其中,线段对的匹配结果包括:每个线段对中,待匹配图像的一个线段与目标图像的所有线段的匹配结果。
其中,一个线段对包括待匹配图像的一个线段以及目标图像的所有线段。一个线段对的匹配结果为:该匹配图像的一个线段与目标图像的多有线段的匹配结果,该匹配结果可以为待匹配图像的一个线段与目标图像的一个线段匹配成功,或者,待匹配图像的一个线段与目标图像的所有线段均匹配失败。
具体地,线段对的匹配可以为:按照预设相似度算法,分别计算每个线段对中待匹配图像的线段与目标图像的线段之间的距离;并根据该距离,确定每个线段对中待匹配图像的一个线段与目标图像的所有线段的匹配结果。
若该一个线段与该目标图像的一个线段的距离,为该一个线段与该目标图像的所有线段的距离中最小的线段距离,并且,该一个线段与该目标图像的一个线段的距离小于或等于预设阈值,则可确定该匹配结果为:该待匹配图像的一个线段与目标图像的一个线段匹配成功。
反之,若该一个线段与该目标图像的一个线段的距离,并非该一个线段与该目标图像的所有线段的距离中最小的线段距离,或者,为最小的线段距离但该距离大于该预设阈值,则可确定该一个线段与该目标图像的一个线段匹配失败;若该一个线段与该目标图像的所有线段均匹配失败,可确定该匹配结果为:该待匹配图像的一个一个线段与目标图像的所有线段均匹配失败。
其中,预设相似度算法可以为下述任一项:欧氏距离算法、余弦距离算法、内积算法,具体算法的设置根据用户需要选择,在此不做任何限制。
具体地,以欧式距离算法为例,若待匹配图像中的线段A和目标图像中的线段B的距离,是待匹配图像和目标图像中所有线段中距离最短的,且距离小于预设阈值,则可确定该线段A所在的线段对的匹配结果为:线段A和线段B的匹配成功。若待匹配图像中的线段A和目标图像中的线段B的距离,不是线段A和目标图像中所有线段的距离中距离最短的,或者,该距离大于预设阈值,则可确定该线段A所在的线段对的匹配结果为:线段A和线段B匹配失败。
该实施例提供的方法中,根据待匹配图像中的线段和目标图像中的线段进行匹配,可使得匹配结果的精确度更高,从而使得对象识别更准确。
图3为本申请另一实施例提供的图片的对象识别方法的流程示意图,如图3所示,可选的,上述S203中获取多个线段对,并逐一对线段对进行匹配,得到每个线段对的匹配结果可包括:
S301:获取目标图像的每个线段的描述子、待匹配图像的每个线段的描述子。
需要说明的是,描述子是对其对应线段的一维向量描述,具体地,描述子可包括下述一项或多项的内容:线段的长度、线段的方向、线段的邻域梯度总和、线段的曲率积分。
S302:分别对目标图像的所有线段的描述子,和待匹配图像的一个线段的描述子,进行匹配,得到每个线段对的匹配结果。
该实施例提供的方法中,可根据预设相似度算法,分别计算该每个线段对中待匹配图像的线段的描述子,和该目标图像的每个线段的描述子之间的相似度,并根据该相似度,确定该待匹配图像的线段与该目标图像的每个线段的距离;继而根据该距离,确定每个线段对中待匹配图像的一个线段与目标图像的所有线段的匹配结果。
S303:若多个线段对的匹配结果中,匹配成功的线段对的个数大于或等于预设值,则对匹配成功的线段对进行单应性变换,并对变换后的每个线段对进行匹配,得到变换后的每个线段对的匹配结果。
其中,待匹配图像的匹配结果还包括:变换后的每个线段对的匹配结果。
需要指出的是,对该变换后的线段对进行匹配的具体实现可与上述S302中线段的描述子的匹配实现类似,具体参照上述,在此不再赘述。
描述子的匹配是线段对之间的粗略匹配,在此基础上匹配成功的线段的精确度并不高,为了提高匹配精度,还可对满足描述子匹配的线段对进一步进行单应性变换的约束,单应性变换的约束可以过滤掉可能是错误的匹配,留下更可能是正确的匹配结果,使得匹配结果的精确度更高。
图4为本申请另一实施例提供的图片的对象识别方法的流程示意图,如图4所示,可选的,如上所示的S303对匹配成功的线段对进行单应性变换,并对变换后的线段对进行匹配可包括:
S304:若匹配成功的线段对的个数大于或等于预设值,则提取每个线段对的中点,并对线段对进行单应性变换,并对变换后的每个线段对进行匹配,得到变换后的每个线段对的匹配结果。
需要说明的是,单应性变换是针对一群点对的变化,所以在单应性变换之前,需要将所有通过描述子匹配的线段对转化为点对,再进行单应性变换。
其中,四个点对可以计算得到一个单应性矩阵,该矩阵描述了图像的变化。
需要说明的是,若匹配成功的线段对的个数不足四个,则直接返回匹配失败的结果,即认为待匹配图像中不包含目标对象。
若匹配成功的线段对的个数大于或等于四个,则对通过描述子匹配的线段对进行单应性变换,其中,单应性变换的具体过程为:在通过描述子匹配的点对中,随机选取四对点对,计算它们对应的单应性矩阵,并对它们通过单应性矩阵进行变换,获取经过变换后的点对中重合点对的个数,其中,如果重合的点对个数大于预设值(可选地,不同图像的匹配时,预设值的数量设置不同,一般重合的点对个数需要在10个以上,具体根据用户需要设计,在此并不做任何限制),则返回通过匹配的结果,即待匹配图像中包含目标对象;否则继续随机选取四对点对重复上述过程,如果重复选取点对的次数超过预设阈值,则返回匹配失败的结果,即待匹配图像中不包含目标对象。
可选的,线段的描述子包括下述一项或多项内容:线段的长度、线段的方向、线段的邻域梯度总和、线段的曲率积分。
可选的,上述步骤S101可包括:对目标图像的处理,需要根据至少一个缩放参数,对目标图像进行缩放处理,获取至少一个第一采样图像。
其中,缩放参数用于指示目标图像的缩放程度,缩放参数的选择根据用户需要设置,在此并不做任何限制;一个缩放参数对应一个第一采样图像。
对每个第一采样图像进行高斯模糊处理,得到每个第一采样图像的轮廓;其中,每个第一采样图像的轮廓包括:目标对象的轮廓。
同样地,步骤S102还包括:对待匹配图像的处理,也需要根据至少一个缩放参数,对待匹配图像进行缩放处理,获取至少一个第二采样图像,其中,一个缩放参数对应一个所第二采样图像;对每个第二采样图像进行高斯模糊处理,得到所述第二采样图像的轮廓。
本实施例中,通过分别对目标图像和待匹配图像进行处理,得到目标图像和待匹配图像的轮廓,其中,该目标图像的轮廓包括目标对象的轮廓,并对目标图像的轮廓和待匹配图像的轮廓进行匹配,得到匹配结果。本申请中,通过图像轮廓的匹配得到图像中目标对象的识别结果,可避免简单纹理由于提取的特征点较少所引起的对象难以识别的问题,有效实现简单纹理的对象识别。
图5为本申请一实施例提供的对象识别装置,如图5所示,该装置包括:第一获取模块401、第二获取模块402、匹配模块403,其中:
第一获取模块401,用于对目标图像进行处理,得到目标图像的轮廓,目标图像的轮廓包括:目标图像中目标对象的轮廓。
第二获取模块402,用于对待匹配图像进行处理,得到待匹配图像的轮廓。
匹配模块403,用于对目标图像的轮廓和待匹配图像的轮廓进行匹配,得到待匹配图像的匹配结果;其中,待匹配图像的匹配结果用于表示待匹配图像中目标对象的识别结果。
进一步地,匹配模块403具体用于,根据预设线段划分规则,对目标图像的轮廓进行线段划分,得到多个目标图像的线段;根据线段划分规则,对待匹配图像的轮廓进行线段划分,得到多个待匹配图像的线段;获取多个线段对,并逐一对线段对进行匹配,得到每个线段对的匹配结果,线段对的匹配结果包括:每个线段对中,待匹配图像的一个线段与目标图像的所有线段的匹配结果;待匹配图像的匹配结果包括:多个线段对的匹配结果。
进一步地,匹配模块403具体用于,获取目标图像的每个线段的描述子、待匹配图像的每个线段的描述子;分别对目标图像的所有线段的描述子,和待匹配图像的一个线段的描述子,进行匹配,得到每个线段对的匹配结果;若多个线段对的匹配结果中,匹配成功的线段对的个数大于或等于预设值,则对匹配成功的线段对进行单应性变换,并对变换后的每个线段对进行匹配,得到每个线段对的匹配结果;待匹配图像的匹配结果还包括:变换后的每个线段对的匹配结果。
进一步地,匹配模块403具体用于,若匹配成功的线段对的个数大于或等于预设值,则提取每个线段对的中点,并对线段对进行单应性变换,并对变换后的每个线段对进行匹配,得到变换后的每个线段对的匹配结果。
进一步地,第二获取模块402具体用于,根据至少一个缩放参数,对目标图像进行缩放处理,获取至少一个第一采样图像,其中,一个缩放参数对应一个第一采样图像;对每个第一采样图像进行高斯模糊处理,得到每个第一采样图像的轮廓;其中,每个第一采样图像的轮廓包括:目标对象的轮廓。
进一步地,第二获取模块402具体用于,根据至少一个缩放参数,对待匹配图像进行缩放处理,获取至少一个第二采样图像,其中,一个缩放参数对应一个第二采样图像;对每个第二采样图像进行高斯模糊处理,得到每个第二采样图像的轮廓。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(digital singnal processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(CentralProcessing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
图6为本申请另一实施例提供的电子设备的结构示意图,如图6所示,该电子设备可以集成于终端设备或者终端设备的芯片,该终端可以是具备图像处理功能的计算设备。
电子设备600包括:处理器601、存储器602、和总线603。存储器602存储有处理器601可执行的机器可读指令,当电子设备600运行时,处理器601与存储器602之间通过总线603通信,处理器601执行机器可读指令,以执行如前述方法实施例所提供的图像的对象识别方法的步骤。
具体地,存储器602中所存储的机器可读指令为本申请前述实施例所述的图像的对象识别方法的执行步骤,处理器601可执行该图像的对象识别方法,因此,该电子设备同样具备前述方法实施例中所述的全部有益效果,本申请亦不再重复描述。
可选地,本申请还提供一种程序产品,例如存储介质,包括程序,该程序在被处理器执行时用于执行上述方法实施例。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述定位处理方法,从而,解决现有技术中存在的由于语言表达组合形式多种多样,大量信息会导致句库规模过大,占用过多的资源的问题,进而达到减小资源占用的效果。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种图像的对象识别方法,其特征在于,包括:
对目标图像进行处理,得到所述目标图像的轮廓,所述目标图像的轮廓包括:所述目标图像中目标对象的轮廓;
对待匹配图像进行处理,得到所述待匹配图像的轮廓;
对所述目标图像的轮廓和所述待匹配图像的轮廓进行匹配,得到所述待匹配图像的匹配结果;其中,所述待匹配图像的匹配结果用于表示所述待匹配图像中所述目标对象的识别结果。
2.根据权利要求1所述的方法,其特征在于,所述对所述目标图像的轮廓和所述待匹配图像的轮廓进行匹配,得到所述待匹配图像的匹配结果包括:
根据预设线段划分规则,对所述目标图像的轮廓进行线段划分,得到多个所述目标图像的线段;
根据所述线段划分规则,对所述待匹配图像的轮廓进行线段划分,得到多个所述待匹配图像的线段;
获取多个线段对,并逐一对所述线段对进行匹配,得到每个所述线段对的匹配结果,所述线段对的匹配结果包括:每个所述线段对中,所述待匹配图像的一个线段与所述目标图像的所有线段的匹配结果;
所述待匹配图像的匹配结果包括:多个所述线段对的匹配结果。
3.根据权利要求2所述的方法,其特征在于,所述获取多个线段对,并逐一对线段对进行匹配,得到每个所述线段对的匹配结果,包括:
获取所述目标图像的每个线段的描述子、所述待匹配图像的每个线段的描述子;
分别对所述目标图像的所有线段的描述子,和所述待匹配图像的一个线段的描述子,进行匹配,得到每个所述线段对的匹配结果;
若多个所述线段对的匹配结果中,匹配成功的线段对的个数大于或等于预设值,则对所述匹配成功的线段对进行单应性变换,并对变换后的每个所述线段对进行匹配,得到变换后的每个所述线段对的匹配结果;
所述待匹配图像的匹配结果还包括:变换后的每个所述线段对的匹配结果。
4.如权利要求3所述的方法,其特征在于,所述线段的描述子包括下述一项或多项内容:线段的长度、线段的方向、线段的邻域梯度总和、线段的曲率积分。
5.如权利要求3所述的方法,其特征在于,所述若匹配成功的线段对的个数大于或等于预设值,则对所述匹配成功的线段对进行单应性变换,并对变换后的每个所述线段对进行匹配,得到变换后的每个所述线段对的匹配结果,包括:
若匹配成功的线段对的个数大于或等于预设值,则提取每个线段对的中点,并对所述线段对进行单应性变换,并对变换后的每个所述线段对进行匹配,得到变换后的每个所述线段对的匹配结果。
6.如权利要求1-5中任一所述的方法,其特征在于,所述对目标图像进行处理,得到所述目标图像的轮廓,包括:
根据至少一个缩放参数,对所述目标图像进行缩放处理,获取至少一个第一采样图像,其中,一个所述缩放参数对应一个所述第一采样图像;
对每个所述第一采样图像进行高斯模糊处理,得到每个所述第一采样图像的轮廓;其中,每个所述第一采样图像的轮廓包括:所述目标对象的轮廓。
7.如权利要求1-5中任一所述的方法,其特征在于,所述对待匹配图像进行处理,得到所述待匹配图像的轮廓,包括:
根据至少一个缩放参数,对所述待匹配图像进行缩放处理,获取至少一个第二采样图像,其中,一个所述缩放参数对应一个所述第二采样图像;
对每个所述第二采样图像进行高斯模糊处理,得到每个所述第二采样图像的轮廓。
8.一种图像的对象识别装置,其特征在于,包括:第一获取模块、第二获取模块、匹配模块,其中:
所述第一获取模块,用于对目标图像进行处理,得到所述目标图像的轮廓,所述目标图像的轮廓包括:所述目标图像中目标对象的轮廓;
所述第二获取模块,用于对待匹配图像进行处理,得到所述待匹配图像的轮廓;
所述匹配模块,对所述目标图像的轮廓和所述待匹配图像的轮廓进行匹配,得到所述待匹配图像的匹配结果;其中,所述待匹配图像的匹配结果用于表示所述待匹配图像中所述目标对象的识别结果。
9.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1至7任一所述方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至7任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910597095.2A CN110287943B (zh) | 2019-07-03 | 2019-07-03 | 图像的对象识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910597095.2A CN110287943B (zh) | 2019-07-03 | 2019-07-03 | 图像的对象识别方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110287943A true CN110287943A (zh) | 2019-09-27 |
CN110287943B CN110287943B (zh) | 2022-04-12 |
Family
ID=68020519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910597095.2A Active CN110287943B (zh) | 2019-07-03 | 2019-07-03 | 图像的对象识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110287943B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734837A (zh) * | 2020-12-29 | 2021-04-30 | 上海商汤临港智能科技有限公司 | 图像匹配的方法及装置、电子设备及车辆 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012024516A2 (en) * | 2010-08-18 | 2012-02-23 | Nearbuy Systems, Inc. | Target localization utilizing wireless and camera sensor fusion |
US20160371847A1 (en) * | 2014-07-24 | 2016-12-22 | Bonanza.com, LLC | Background profiles |
CN107590772A (zh) * | 2017-07-18 | 2018-01-16 | 西北大学 | 一种基于自适应邻域匹配的文物碎片自动拼接方法 |
CN108874145A (zh) * | 2018-07-04 | 2018-11-23 | 深圳美图创新科技有限公司 | 一种图像处理方法、计算设备及存储介质 |
CN109478317A (zh) * | 2016-07-26 | 2019-03-15 | 高通股份有限公司 | 用于合成图像的系统和方法 |
-
2019
- 2019-07-03 CN CN201910597095.2A patent/CN110287943B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012024516A2 (en) * | 2010-08-18 | 2012-02-23 | Nearbuy Systems, Inc. | Target localization utilizing wireless and camera sensor fusion |
US20160371847A1 (en) * | 2014-07-24 | 2016-12-22 | Bonanza.com, LLC | Background profiles |
CN109478317A (zh) * | 2016-07-26 | 2019-03-15 | 高通股份有限公司 | 用于合成图像的系统和方法 |
CN107590772A (zh) * | 2017-07-18 | 2018-01-16 | 西北大学 | 一种基于自适应邻域匹配的文物碎片自动拼接方法 |
CN108874145A (zh) * | 2018-07-04 | 2018-11-23 | 深圳美图创新科技有限公司 | 一种图像处理方法、计算设备及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734837A (zh) * | 2020-12-29 | 2021-04-30 | 上海商汤临港智能科技有限公司 | 图像匹配的方法及装置、电子设备及车辆 |
WO2022142206A1 (zh) * | 2020-12-29 | 2022-07-07 | 上海商汤临港智能科技有限公司 | 图像匹配的方法及装置、电子设备及车辆 |
CN112734837B (zh) * | 2020-12-29 | 2024-03-22 | 上海商汤临港智能科技有限公司 | 图像匹配的方法及装置、电子设备及车辆 |
Also Published As
Publication number | Publication date |
---|---|
CN110287943B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241895B (zh) | 密集人群计数方法及装置 | |
CN108710847B (zh) | 场景识别方法、装置及电子设备 | |
JP5602940B2 (ja) | 事前計算されたスケール空間からのデイジー記述子生成 | |
WO2020024744A1 (zh) | 一种图像特征点检测方法、终端设备及存储介质 | |
CN110378235A (zh) | 一种模糊人脸图像识别方法、装置及终端设备 | |
US10937016B2 (en) | Method and apparatus for binding bank card in payment application | |
CN110309836B (zh) | 图像特征提取方法、装置、存储介质和设备 | |
CN108921181B (zh) | 一种局部图像特征提取方法、装置、系统及可读存储介质 | |
CN110532413A (zh) | 基于图片匹配的信息检索方法、装置、计算机设备 | |
CN109376743A (zh) | 图像处理方法、装置、图像识别设备及储存介质 | |
WO2022166258A1 (zh) | 行为识别方法、装置、终端设备及计算机可读存储介质 | |
CN112465801A (zh) | 一种分尺度提取掩码特征的实例分割方法 | |
CN111797971A (zh) | 应用卷积神经网络进行数据处理的方法、装置和电子系统 | |
CN111027455A (zh) | 行人特征提取方法、装置、电子设备及存储介质 | |
CN111598176B (zh) | 一种图像匹配处理方法及装置 | |
CN111339884A (zh) | 图像识别方法以及相关设备、装置 | |
CN113869282A (zh) | 人脸识别方法、超分模型训练方法及相关设备 | |
CN114187333A (zh) | 一种图像对齐方法、图像对齐装置及终端设备 | |
CN111145196A (zh) | 图像分割方法、装置及服务器 | |
CN110287943A (zh) | 图像的对象识别方法、装置、电子设备及存储介质 | |
CN113157962B (zh) | 图像检索方法、电子装置和存储介质 | |
CN109145987A (zh) | 模型生成方法及装置 | |
CN115273123B (zh) | 一种票据识别方法、装置、设备及计算机存储介质 | |
CN111414823A (zh) | 人体特征点的检测方法、装置、电子设备以及存储介质 | |
CN115546271A (zh) | 基于深度联合表征的视觉分析方法、装置、设备及介质 |
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 |