CN110334657B - 一种鱼眼畸变图像的训练样本生成方法、系统及电子设备 - Google Patents
一种鱼眼畸变图像的训练样本生成方法、系统及电子设备 Download PDFInfo
- Publication number
- CN110334657B CN110334657B CN201910611812.2A CN201910611812A CN110334657B CN 110334657 B CN110334657 B CN 110334657B CN 201910611812 A CN201910611812 A CN 201910611812A CN 110334657 B CN110334657 B CN 110334657B
- Authority
- CN
- China
- Prior art keywords
- image
- fisheye
- point
- sample
- coordinates
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种鱼眼畸变图像的训练样本生成方法、系统及电子设备,该方法通过获取一具有主点坐标及第一样本物体的鱼眼畸变图像,获取所述鱼眼畸变图像中的第一样本物体的边界,记录第一样本物体对应的多个像素点的第一坐标,输入一初始距离值,计算获得所述第一样本物体在鱼眼畸变图像中另一位置对应的多个像素点的第二坐标,并基于所述第二坐标,在鱼眼畸变图像中另一位置生成第二样本物体,获得第一样本物体在不同畸变状态下对应的训练样本,提高了图像识别神经网络的训练效率,降低了对大量真实的鱼眼畸变图像训练样本的依赖,减少训练成本。
Description
【技术领域】
本发明涉及神经网络训练样本生成领域,特别涉及一种鱼眼畸变图像的训练样本生成方法、系统及电子设备。
【背景技术】
机器视觉领域,通过神经网络进行图像识别,需要对神经网络进行训练后才能对特定物体进行准确识别,在进行训练的图像样本中,获取的图像样本可能存在畸变,例如鱼眼镜头拍摄获得的鱼眼畸变图像,特别是在现有的智能售货机中,通常使用的是鱼眼镜头获取实时图像,获取的鱼眼畸变图像中售卖物体产生了不同程度的畸变,使得训练样本需要进行矫正,大大降低了对鱼眼畸变图像中物体识别的效率和准确度。
在现有的鱼眼畸变图像的训练样本获取方法中,通常都是通过鱼眼镜头拍摄直接获取不同的训练样本,使得获取训练样本的效率较低,且增加了成本。
【发明内容】
为了克服目前现有鱼眼畸变图像的训练样本获取方法中样本获取效率较低的问题,本发明提供一种鱼眼畸变图像的训练样本生成方法、系统及电子设备。
本发明为解决上述技术问题,提供一技术方案如下:一种鱼眼畸变图像的训练样本生成方法,包括如下步骤:步骤S1:获取一具有主点坐标及第一样本物体的鱼眼畸变图像;步骤S2:获取所述鱼眼畸变图像中的第一样本物体的边界,基于所述边界,记录所述第一样本物体对应的多个像素点的第一坐标;及步骤S3:输入一初始距离值,计算获得所述第一样本物体在鱼眼畸变图像中另一位置对应的多个像素点的第二坐标,并基于所述第二坐标,在鱼眼畸变图像中另一位置生成第二样本物体,获得第一样本物体在不同畸变状态下对应的训练样本。
优选地,步骤S3具体包括如下步骤:步骤S31:获取输入的一初始距离值,并基于每一像素点对应的第一坐标与主点的距离,计算每个像素点对应的第二坐标;及步骤S32:基于预设的鱼眼畸变图像对应的径向畸变公式及多个第二坐标,多个像素点根据对应的第二坐标移动至对应的畸变位置以生成第二样本物体,获得所述第一样本物体在不同畸变状态下对应的训练样本。
优选地,步骤S31中具体包括如下步骤:步骤S311:选取所述第一样本物体中任一个像素点作为代表点,获得所述代表点与所述主点之间的偏移距离值;步骤S312:在所述鱼眼畸变图像上选取一待测点,并输入该待测点距离所述主点的初始距离值;及步骤S313:基于所述初始距离值与偏移距离值的比值,获得每一像素点对应的第二坐标。
优选地,上述步骤S32中,将多个第二坐标中含有小数的第三坐标进行内插值计算,以对所述第三坐标进行矫正。
优选地,步骤S1具体包括如下步骤:步骤S11:获取一具有圆形有效区域及背景区域的初始鱼眼畸变图像,并基于所述鱼眼畸变图像的长边和宽边建立直角坐标系;步骤S12:基于圆形有效区域边缘的像素值,定位所述圆形有效区域的边缘;及步骤S13:基于圆形有效区域,获取圆形有效区域的主点及主点坐标。
优选地,步骤S2具体包括如下步骤:步骤S21:获取所述鱼眼畸变图像中预先标注的第一样本物体的边界;及步骤S22:选取所述边界内的所有像素点,并记录所有像素点的第一坐标。
本发明还提供一种鱼眼畸变图像的训练样本生成系统,包括:图像获取单元,用于获取一具有主点坐标及第一样本物体的鱼眼畸变图像;像素定位单元,用于获取所述鱼眼畸变图像中的第一样本物体的边界,基于所述边界,记录所述第一样本物体对应的多个像素点的第一坐标;及样本生成单元,用于输入一初始距离值,计算获得所述第一样本物体在鱼眼畸变图像中另一位置对应的多个像素点的第二坐标,并基于所述第二坐标,在鱼眼畸变图像中另一位置生成第二样本物体,获得第一样本物体在不同畸变状态下对应的训练样本。
优选地,所述样本生成单元还包括:距离值获取单元,用于获取输入的一初始距离值,并基于每一像素点对应的第一坐标与主点的距离,计算每个像素点对应的第二坐标;及畸变计算单元,用于基于预设的鱼眼畸变图像对应的径向畸变公式及多个第二坐标,多个像素点根据对应的第二坐标移动至对应的畸变位置以生成第二样本物体,获得所述第一样本物体在不同畸变状态下对应的训练样本。
优选地,所述距离值获取单元包括:偏移值获取单元,用于选取所述第一样本物体中任一个像素点作为代表点,获得所述代表点与所述主点之间的偏移距离值;初始距离值获取单元,用于在所述鱼眼畸变图像上选取一待测点,并输入该待测点距离所述主点的初始距离值;及坐标获取单元,用于基于所述初始距离值与偏移距离值的比值,获得每一像素点对应的第二坐标。
本发明还提供一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被设置为运行时执行上述任一项中所述的一种鱼眼畸变图像的训练样本生成方法;所述处理器被设置为通过所述计算机程序执行上述任一项中所述的一种鱼眼畸变图像的训练样本生成方法。
与现有技术相比,本发明提供的一种鱼眼畸变图像的训练样本生成方法、系统及电子设备,具有以下优点:
1、通过输入一初始距离值,计算获得第一样本物体在鱼眼畸变图像中另一位置的第二样本物体,以获得第一样本物体在不同畸变状态下对应的训练样本,提高了图像识别神经网络的训练效率,降低了对大量真实的鱼眼畸变图像训练样本的依赖,降低了训练成本。进一步,经本发明提供的一种鱼眼畸变图像的训练样本生成方法获得的训练样本可输入至图像识别神经网络中进行训练,使得图像识别神经网络可直接对鱼眼畸变图像中的物体进行识别,减少了在图像识别过程中对鱼眼畸变图像的矫正计算,避免了因矫正不准确而导致的识别精度不足的问题。同时,基于获得的训练样本对图像识别神经网络进行训练,避免了获取大量用于训练的真实鱼眼畸变图像样本的成本,降低了对真实鱼眼畸变图像样本的需求。
2、通过预设的鱼眼畸变图像对应的径向畸变公式及输入的初始距离值,获得所述第一样本物体在不同畸变状态下对应的训练样本。
3、通过设定代表点与待测点,并计算代表点与待测点的比值,以换算获得所述第二坐标,使得无需依次输入每一像素值与主点之间的距离值,使得数据输入的更方便。
4、通过对多个第二坐标中含有小数的第三坐标进行内插值计算,以对所述第三坐标进行矫正,以使对生成的第二样本物体边缘进行平滑处理,以获得更加连贯的输出图像。
5、通过基于圆形有效区域边缘的像素值,定位所述圆形有效区域的边缘,以确认所述圆形有效区域的圆形边缘,去除背景区域的干扰,提高计算效率。
6、通过对所述鱼眼畸变图像中的第一样本物体的边界进行预先标注,提高了第一样本物体的边界定位的准确度,提高训练样本的成像质量。
7、基于鱼眼畸变图像的训练样本生成系统及电子设备,可将鱼眼畸变图像中的第一样本物体进行处理,获得第一样本物体在不同畸变状态下对应的训练样本,提高了图像识别神经网络的训练效率,降低了对大量真实的鱼眼畸变图像训练样本的依赖,降低了训练成本。
【附图说明】
图1为本发明第一实施例提供的一种鱼眼畸变图像的训练样本生成方法的整体流程图。
图2为本发明第一实施例提供的一种鱼眼畸变图像的训练样本生成方法中步骤S1的细节流程图。
图3为本发明第一实施例提供的一种鱼眼畸变图像的训练样本生成方法的步骤S1实施过程的示意图。
图4为本发明第一实施例提供的一种鱼眼畸变图像的训练样本生成方法中步骤S2的细节流程图。
图5为本发明第一实施例提供的一种鱼眼畸变图像的训练样本生成方法中步骤S3的细节流程图。
图6为本发明第一实施例提供的一种鱼眼畸变图像的训练样本生成方法中步骤S3中步骤S31的细节流程图。
图7为本发明第二实施例提供的一种鱼眼畸变图像的训练样本生成系统的模块图。
图8为本发明第二实施例提供的一种鱼眼畸变图像的训练样本生成系统中样本生成单元的模块图。
图9为本发明第二实施例提供的一种鱼眼畸变图像的训练样本生成系统中距离值获取单元的模块图。
图10为本发明第三实施例提供的一种电子设备的模块图。
附图标记说明:
1、图像获取单元;2、像素定位单元;3、样本生成单元;
31、距离值获取单元;32、畸变计算单元;
311、偏移值获取单元;312、初始距离值获取单元;313、坐标获取单元;
10、存储器;20、处理器;
100、鱼眼畸变图像;200、圆形有效区域;300、背景区域。
【具体实施方式】
为了使本发明的目的,技术方案及优点更加清楚明白,以下结合附图及实施实例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参阅图1,本发明第一实施例提供一种鱼眼畸变图像的训练样本生成方法,包括以下步骤:
步骤S1:获取一具有主点坐标及第一样本物体的鱼眼畸变图像;
步骤S2:获取所述鱼眼畸变图像中的第一样本物体的边界,基于所述边界,记录所述第一样本物体对应的多个像素点的第一坐标。
可以理解,通过识别第一样本物体的边界,以定位所述第一样本物体在鱼眼畸变图像中的位置。
步骤S3:输入一初始距离值,计算获得所述第一样本物体在鱼眼畸变图像中另一位置对应的多个像素点的第二坐标,并基于所述第二坐标,在鱼眼畸变图像中另一位置生成第二样本物体,获得第一样本物体在不同畸变状态下对应的训练样本。
请参阅图2,步骤S1:获取一具有主点坐标及第一样本物体的鱼眼畸变图像。步骤S1具体包括步骤S11~S13:
步骤S11:获取一具有圆形有效区域及背景区域的初始鱼眼畸变图像,并基于所述鱼眼畸变图像的长边和宽边建立直角坐标系;
步骤S12:基于圆形有效区域边缘的像素值,定位所述圆形有效区域的边缘;及
步骤S13:基于圆形有效区域,获取圆形有效区域的主点及主点坐标。
可以理解,在步骤S11中,所述初始鱼眼畸变图像为具有圆形有效区域及背景区域的n*n尺寸的图像,如图3中所示,初始鱼眼畸变图像100中具有圆形有效区域200及背景区域300,并以所述初始鱼眼畸变图像的长边和宽边建立直角坐标系T,以在后续步骤中获取像素点的坐标。
可以理解,在步骤S12中,通过圆形有效区域边缘的像素值,以确认所述圆形有效区域的圆形边缘,以去除背景区域的干扰,提高计算效率。定位所述圆形有效区域的边缘可以包括但不限于区域生长算法和快速扫描算法等图像边界确认算法中的任一种,在此不再赘述。
可选地,在步骤S12中,圆形有效区域边缘可基于预先标注的边缘,也即,预先在初始鱼眼畸变图像中进行人工标注,将圆形有效区域边缘进行标记。
可以理解,在步骤S13中,基于圆形有效区域,以获取圆形有效区域的主点及主点坐标,所述主点为圆形有效区域对应的圆心,所述主点对应的位置为鱼眼畸变图像中未发生畸变的区域,可基于主点坐标计算发生畸变的其他位置坐标。例如,在本实施例中,如图3所示,所述主点A的坐标对应为(x,y)。
可以理解,步骤S11~S13仅为该实施例的一种实施方式,其实施方式并不限定于步骤S11~S13。
请参阅图4,步骤S2:获取所述鱼眼畸变图像中的第一样本物体的边界,基于所述边界,记录所述第一样本物体对应的多个像素点的第一坐标。步骤S2具体包括步骤S21~S22:
步骤S21:获取所述鱼眼畸变图像中预先标注的第一样本物体的边界;及
步骤S22:选取所述边界内的所有像素点,并记录所有像素点的第一坐标。
可以理解,在步骤S21中,可通过对圆形有效区域中的第一样本物体进行预先标注,使得神经网络可直接识别第一样本物体,以将圆形有效区域中的第一样本物体进行语义分割,提取所述第一样本物体。
可以理解,在步骤S22中,基于提取的第一样本物体特征,获取第一样本物体内所有的像素点对应的第一坐标。
可以理解,步骤S21~S22仅为该实施例的一种实施方式,其实施方式并不限定于步骤S21~S22。
请参阅图5,步骤S3:输入一初始距离值,计算获得所述第一样本物体在鱼眼畸变图像中另一位置对应的多个像素点的第二坐标,并基于所述第二坐标,在鱼眼畸变图像中另一位置生成第二样本物体,获得第一样本物体在不同畸变状态下对应的训练样本。步骤S3具体包括步骤S31~S32:
步骤S31:获取输入的一初始距离值,并基于每一像素点对应的第一坐标与主点的距离,计算每个像素点对应的第二坐标;及
步骤S32:基于预设的鱼眼畸变图像对应的径向畸变公式及多个第二坐标,多个像素点根据对应的第二坐标移动至对应的畸变位置以生成第二样本物体,获得所述第一样本物体在不同畸变状态下对应的训练样本。
可以理解,在步骤S31中,基于输入的一初始距离值,并基于每一像素点对应的第一坐标与主点的距离,计算每个像素点对应的第二坐标,以确认每一像素点的第二坐标,以变换第一样本物体在鱼眼畸变图像中的位置,获得不同畸变状态下对应的训练样本。
可以理解,在步骤S32中,所述径向畸变公式为:
其中,(x0,y0)为第一样本物体中每一像素点对应的第一坐标,(x1,y1)则为第二样本物体中每一像素点的第二坐标,r0为每一像素点的第一坐标距离所述主点的距离,r1为每一像素点的第二坐标主点的距离(由初始距离值换算获得),k1、k2及k3为获取鱼眼畸变图像的鱼眼镜头的畸变常数,数值由鱼眼镜头的类型决定,在此不再赘述。
可选地,在步骤S32中,计算获得的多个第二坐标中出现小数坐标的第三坐标,需要对出现小数坐标的所述第三坐标进行处理,以使生成的第二样本物体边缘受到平滑作用,获得更加连贯的输出图像,处理出现小数坐标的所述第三坐标的方式可以为插值法,例如双线性内插法,在此不再赘述。
具体地,请参阅图6,步骤S31中具体包括如下步骤:
步骤S311:选取所述第一样本物体中任一个像素点作为代表点,获得所述代表点与所述主点之间的偏移距离值;
步骤S312:在所述鱼眼畸变图像上选取一待测点,并输入该待测点距离所述主点的初始距离值;及
步骤S313:基于所述初始距离值与偏移距离值的比值,获得每一像素点对应的第二坐标。
可以理解,在步骤S311中,通过选取所述第一样本物体中任一个像素点作为代表点,基于所述代表点计算所述代表点与所述主点之间的偏移距离值,并基于步骤S312中输入的初始距离值,可计算出所述代表点相对于所述待测点的距离比值,基于比值对应为第一样本物体中每一像素点的第一坐标与主点的距离比值。
可以理解,可基于选取的代表点的坐标,获得代表点相对于所述主点之间的偏移距离值,例如,在本实施例中,所述主点坐标A为(x,y),代表点B的坐标为(x0,y0),待测点C的坐标为(x1,y1),根据坐标分别计算获得线段AB(也即偏移距离值)和线段AC(也即初始距离值)的距离,计算偏移距离值与初始距离值的比值p,该比值p表征的是第一样本物体中每一像素点相对于所述主点的距离比值。通过计算代表点与待测点的比值,并基于第一样本物体中每一像素点的第一坐标相对于主点的距离,以换算出第二样本物体中每一像素点对应的第二坐标。
可以理解,通过设定代表点与待测点,并计算代表点与待测点的比值,以换算获得所述第二坐标,使得无需依次输入每一像素值与主点之间的距离值,使得了数据输入的更方便。
可以理解,步骤S311~S313仅为该实施例的一种实施方式,其实施方式并不限定于步骤S311~S313。
请参阅图7,本发明第二实施例还提供一种鱼眼畸变图像的训练样本生成系统。该一种鱼眼畸变图像的训练样本生成系统可以包括:
图像获取单元1,用于获取一具有主点坐标及第一样本物体的鱼眼畸变图像。
像素定位单元2,用于获取所述鱼眼畸变图像中的第一样本物体的边界,基于所述边界,记录所述第一样本物体对应的多个像素点的第一坐标。及
样本生成单元3,用于输入一初始距离值,计算获得所述第一样本物体在鱼眼畸变图像中另一位置对应的多个像素点的第二坐标,并基于所述第二坐标,在鱼眼畸变图像中另一位置生成第二样本物体,获得第一样本物体在不同畸变状态下对应的训练样本。
请参阅图8,所述样本生成单元3还包括:
距离值获取单元31,用于获取输入的一初始距离值,并基于每一像素点对应的第一坐标与主点的距离,计算每个像素点对应的第二坐标;及
畸变计算单元32,用于基于预设的鱼眼畸变图像对应的径向畸变公式及多个第二坐标,多个像素点根据对应的第二坐标移动至对应的畸变位置以生成第二样本物体,获得所述第一样本物体在不同畸变状态下对应的训练样本。
请参阅图9,所述距离值获取单元31进一步包括:
偏移值获取单元311,用于选取所述第一样本物体中任一个像素点作为代表点,获得所述代表点与所述主点之间的偏移距离值;
初始距离值获取单元312,用于在所述鱼眼畸变图像上选取一待测点,并输入该待测点距离所述主点的初始距离值;及
坐标获取单元313,用于基于所述初始距离值与偏移距离值的比值,获得每一像素点对应的第二坐标。
具体地,本发明第二实施例提供的一种鱼眼畸变图像的训练样本生成系统适用于图像识别神经网络对于鱼眼畸变图像样本的生成系统中,特别适用于智能售货机中对商品的图像识别神经网络的鱼眼畸变图像样本的生成系统,提高了图像识别神经网络的训练效率,降低了对大量真实的鱼眼畸变图像训练样本的依赖,减少训练成本。
请参阅图10,本发明第三实施例提供一种用于实施上述一种鱼眼畸变图像的训练样本生成方法的电子设备,所述电子设备包括存储器10和处理器20,所述存储器10中存储有运算机程序,所述运算机程序被设置为运行时执行上述任一项一种鱼眼畸变图像的训练样本生成方法实施例中的步骤。所述处理器20被设置为通过所述运算机程序执行上述任一项一种鱼眼畸变图像的训练样本生成方法实施例中的步骤。
可选地,在本实施例中,上述电子设备可以位于运算机网络的多个网络设备中的至少一个网络设备。
具体地,本发明第三实施例提供的电子设备适用于图像识别神经网络对于鱼眼畸变图像样本的生成设备中,特别适用于智能售货机中对商品的图像识别神经网络的鱼眼畸变图像样本的生成设备,提高了图像识别神经网络的训练效率,降低了对大量真实的鱼眼畸变图像训练样本的依赖,减少训练成本。
与现有技术相比,本发明提供的一种鱼眼畸变图像的训练样本生成方法、系统及电子设备,具有以下优点:
1、通过输入一初始距离值,计算获得第一样本物体在鱼眼畸变图像中另一位置的第二样本物体,以获得第一样本物体在不同畸变状态下对应的训练样本,提高了图像识别神经网络的训练效率,降低了对大量真实的鱼眼畸变图像训练样本的依赖,降低了训练成本。进一步,经本发明提供的一种鱼眼畸变图像的训练样本生成方法获得的训练样本可输入至图像识别神经网络中进行训练,使得图像识别神经网络可直接对鱼眼畸变图像中的物体进行识别,减少了在图像识别过程中对鱼眼畸变图像的矫正计算,避免了因矫正不准确而导致的识别精度不足的问题。同时,基于获得的训练样本对图像识别神经网络进行训练,避免了获取大量用于训练的真实鱼眼畸变图像样本的成本,降低了对真实鱼眼畸变图像样本的需求。
2、通过预设的鱼眼畸变图像对应的径向畸变公式及输入的初始距离值,获得所述第一样本物体在不同畸变状态下对应的训练样本。
3、通过设定代表点与待测点,并计算代表点与待测点的比值,以换算获得所述第二坐标,使得无需依次输入每一像素值与主点之间的距离值,使得数据输入的更方便。
4、通过对多个第二坐标中含有小数的第三坐标进行内插值计算,以对所述第三坐标进行矫正,以使对生成的第二样本物体边缘进行平滑处理,以获得更加连贯的输出图像。
5、通过基于圆形有效区域边缘的像素值,定位所述圆形有效区域的边缘,以确认所述圆形有效区域的圆形边缘,去除背景区域的干扰,提高计算效率。
6、通过对所述鱼眼畸变图像中的第一样本物体的边界进行预先标注,提高了第一样本物体的边界定位的准确度,提高训练样本的成像质量。
7、基于鱼眼畸变图像的训练样本生成系统及电子设备,可将鱼眼畸变图像中的第一样本物体进行处理,获得第一样本物体在不同畸变状态下对应的训练样本,提高了图像识别神经网络的训练效率,降低了对大量真实的鱼眼畸变图像训练样本的依赖,降低了训练成本。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。
在该计算机程序被处理器执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机存储器可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机存储器例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。
计算机存储器的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读信号介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括图像获取单元、像素定位单元以及样本生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,像素定位单元还可以被描述为“获取所述鱼眼畸变图像中的第一样本物体的边界,基于所述边界,记录所述第一样本物体对应的多个像素点的第一坐标的单元”。
作为另一方面,本申请还提供了一种计算机存储器,该计算机存储器可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机存储器承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:获取一具有主点坐标及第一样本物体的鱼眼畸变图像,获取所述鱼眼畸变图像中的第一样本物体的边界,基于所述边界,记录所述第一样本物体对应的多个像素点的第一坐标,输入一初始距离值,计算获得所述第一样本物体在鱼眼畸变图像中另一位置对应的多个像素点的第二坐标,并基于所述第二坐标,在鱼眼畸变图像中另一位置生成第二样本物体,获得第一样本物体在不同畸变状态下对应的训练样本。
以上仅为本发明较佳实施例而已,并不用以限制本发明,凡在本发明原则之内所作的任何修改,等同替换和改进等均应包含本发明的保护范围之内。
Claims (8)
1.一种鱼眼畸变图像的训练样本生成方法,其特征在于,包括如下步骤:
步骤S1:获取一具有主点坐标及第一样本物体的鱼眼畸变图像;
步骤S2:获取所述鱼眼畸变图像中的第一样本物体的边界,基于所述边界,记录所述第一样本物体对应的多个像素点的第一坐标;及
步骤S3:输入一初始距离值,计算获得所述第一样本物体在鱼眼畸变图像中另一位置对应的多个像素点的第二坐标,并基于所述第二坐标,在鱼眼畸变图像中另一位置生成第二样本物体,获得第一样本物体在不同畸变状态下对应的训练样本;
步骤S3具体包括如下步骤:
步骤S31:获取输入的一初始距离值,并基于每一像素点对应的第一坐标与主点的距离,计算每个像素点对应的第二坐标;及
步骤S32:基于预设的鱼眼畸变图像对应的径向畸变公式及多个第二坐标,多个像素点根据对应的第二坐标移动至对应的畸变位置以生成第二样本物体,获得所述第一样本物体在不同畸变状态下对应的训练样本。
2.如权利要求1中所述鱼眼畸变图像的训练样本生成方法,其特征在于:步骤S31中具体包括如下步骤:
步骤S311:选取所述第一样本物体中任一个像素点作为代表点,获得所述代表点与所述主点之间的偏移距离值;
步骤S312:在所述鱼眼畸变图像上选取一待测点,并输入该待测点距离所述主点的初始距离值;及
步骤S313:基于所述初始距离值与偏移距离值的比值,获得每一像素点对应的第二坐标。
3.如权利要求1中所述鱼眼畸变图像的训练样本生成方法,其特征在于:上述步骤S32中,将多个第二坐标中含有小数的第三坐标进行内插值计算,以对所述第三坐标进行矫正。
4.如权利要求1中所述鱼眼畸变图像的训练样本生成方法,其特征在于:步骤S1具体包括如下步骤:
步骤S11:获取一具有圆形有效区域及背景区域的初始鱼眼畸变图像,并基于所述鱼眼畸变图像的长边和宽边建立直角坐标系;
步骤S12:基于圆形有效区域边缘的像素值,定位所述圆形有效区域的边缘;及
步骤S13:基于圆形有效区域,获取圆形有效区域的主点及主点坐标。
5.如权利要求1中所述鱼眼畸变图像的训练样本生成方法,其特征在于:步骤S2具体包括如下步骤:
步骤S21:获取所述鱼眼畸变图像中预先标注的第一样本物体的边界;及
步骤S22:选取所述边界内的所有像素点,并记录所有像素点的第一坐标。
6.一种鱼眼畸变图像的训练样本生成系统,其特征在于,包括:
图像获取单元,用于获取一具有主点坐标及第一样本物体的鱼眼畸变图像;
像素定位单元,用于获取所述鱼眼畸变图像中的第一样本物体的边界,基于所述边界,记录所述第一样本物体对应的多个像素点的第一坐标;及
样本生成单元,用于输入一初始距离值,计算获得所述第一样本物体在鱼眼畸变图像中另一位置对应的多个像素点的第二坐标,并基于所述第二坐标,在鱼眼畸变图像中另一位置生成第二样本物体,获得第一样本物体在不同畸变状态下对应的训练样本;
所述样本生成单元还包括:
距离值获取单元,用于获取输入的一初始距离值,并基于每一像素点对应的第一坐标与主点的距离,计算每个像素点对应的第二坐标;及
畸变计算单元,用于基于预设的鱼眼畸变图像对应的径向畸变公式及多个第二坐标,多个像素点根据对应的第二坐标移动至对应的畸变位置以生成第二样本物体,获得所述第一样本物体在不同畸变状态下对应的训练样本。
7.如权利要求6中所述鱼眼畸变图像的训练样本生成系统,其特征在于,所述距离值获取单元包括:
偏移值获取单元,用于选取所述第一样本物体中任一个像素点作为代表点,获得所述代表点与所述主点之间的偏移距离值;
初始距离值获取单元,用于在所述鱼眼畸变图像上选取一待测点,并输入该待测点距离所述主点的初始距离值;及
坐标获取单元,用于基于所述初始距离值与偏移距离值的比值,获得每一像素点对应的第二坐标。
8.一种电子设备,包括存储器和处理器,其特征在于:所述存储器中存储有计算机程序,所述计算机程序被设置为运行时执行所述权利要求1至5任一项中所述的鱼眼畸变图像的训练样本生成方法;
所述处理器被设置为通过所述计算机程序执行所述权利要求1至5任一项中所述的鱼眼畸变图像的训练样本生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910611812.2A CN110334657B (zh) | 2019-07-08 | 2019-07-08 | 一种鱼眼畸变图像的训练样本生成方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910611812.2A CN110334657B (zh) | 2019-07-08 | 2019-07-08 | 一种鱼眼畸变图像的训练样本生成方法、系统及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110334657A CN110334657A (zh) | 2019-10-15 |
CN110334657B true CN110334657B (zh) | 2020-08-25 |
Family
ID=68143845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910611812.2A Active CN110334657B (zh) | 2019-07-08 | 2019-07-08 | 一种鱼眼畸变图像的训练样本生成方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110334657B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797375B (zh) * | 2023-02-06 | 2023-05-09 | 厦门农芯数字科技有限公司 | 基于鱼眼图像实现多组标签图像的生成方法、装置及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120057798A1 (en) * | 2010-09-03 | 2012-03-08 | Kanako Saito | Image processing apparatus |
CN104899571A (zh) * | 2015-06-12 | 2015-09-09 | 成都数联铭品科技有限公司 | 一种用于复杂文字识别的随机样本产生方法 |
CN107392255A (zh) * | 2017-07-31 | 2017-11-24 | 深圳先进技术研究院 | 少数类图片样本的生成方法、装置、计算设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537616A (zh) * | 2014-12-20 | 2015-04-22 | 中国科学院西安光学精密机械研究所 | 鱼眼图像畸变的校正方法 |
CN106778730B (zh) * | 2016-12-29 | 2020-07-07 | 深圳爱拼信息科技有限公司 | 一种用于快速生成ocr训练样本的自适应方法及系统 |
CN107392851A (zh) * | 2017-07-04 | 2017-11-24 | 上海小蚁科技有限公司 | 用于生成全景图像的方法和设备 |
CN107610062A (zh) * | 2017-09-01 | 2018-01-19 | 上海微元计算机系统集成有限公司 | 基于bp神经网络的图像几何畸变的快速识别与校正方法 |
CN109859263B (zh) * | 2019-01-26 | 2023-06-27 | 中北大学 | 一种基于鱼眼镜头的宽视角定位方法 |
-
2019
- 2019-07-08 CN CN201910611812.2A patent/CN110334657B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120057798A1 (en) * | 2010-09-03 | 2012-03-08 | Kanako Saito | Image processing apparatus |
CN104899571A (zh) * | 2015-06-12 | 2015-09-09 | 成都数联铭品科技有限公司 | 一种用于复杂文字识别的随机样本产生方法 |
CN107392255A (zh) * | 2017-07-31 | 2017-11-24 | 深圳先进技术研究院 | 少数类图片样本的生成方法、装置、计算设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于二代身份证照的多姿态人脸图像生成;张洋洋等;《电子科技》;20150615;第28卷(第6期);第64-67页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110334657A (zh) | 2019-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111354042B (zh) | 机器人视觉图像的特征提取方法、装置、机器人及介质 | |
CN110427917B (zh) | 用于检测关键点的方法和装置 | |
US20180372852A1 (en) | Method and apparatus for calibration between laser radar and camera, device and storage medium | |
CN111192331B (zh) | 一种激光雷达和相机的外参标定方法及装置 | |
CN110458772B (zh) | 一种基于图像处理的点云滤波方法、装置和存储介质 | |
CN109118456B (zh) | 图像处理方法和装置 | |
KR20200018411A (ko) | 전극편의 버를 검출하기 위한 방법 및 장치 | |
CN111311632A (zh) | 一种物体位姿跟踪方法、装置及设备 | |
CN115222920B (zh) | 基于图像的数字孪生时空知识图谱构建方法和装置 | |
CN114862828A (zh) | 光斑搜索方法装置、计算机可读介质和电子设备 | |
CN115393815A (zh) | 道路信息生成方法、装置、电子设备和计算机可读介质 | |
CN110334657B (zh) | 一种鱼眼畸变图像的训练样本生成方法、系统及电子设备 | |
CN112270748B (zh) | 基于图像的三维重建方法及装置 | |
CN112233161B (zh) | 手部图像深度确定方法、装置、电子设备及存储介质 | |
CN111932517B (zh) | 余料板材的轮廓测绘方法、装置、电子设备与存储介质 | |
CN104424485A (zh) | 一种基于图像识别来获取特定信息的方法与装置 | |
CN112630798B (zh) | 用于估计地面的方法和装置 | |
CN109785312B (zh) | 一种图像模糊检测方法、系统及电子设备 | |
CN109859313B (zh) | 3d点云数据获取方法、装置、3d数据生成方法及系统 | |
CN116863083A (zh) | 变电站三维点云数据的处理方法和装置 | |
CN112288817B (zh) | 基于图像的三维重建处理方法及装置 | |
CN115222602A (zh) | 图像拼接方法、装置、设备及存储介质 | |
CN109214398B (zh) | 一种从连续图像中量测杆体位置的方法和系统 | |
CN108447107B (zh) | 用于生成视频的方法和装置 | |
CN108446653B (zh) | 用于处理面部图像的方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |