CN110472623B - 图像检测方法、设备以及系统 - Google Patents
图像检测方法、设备以及系统 Download PDFInfo
- Publication number
- CN110472623B CN110472623B CN201910581381.XA CN201910581381A CN110472623B CN 110472623 B CN110472623 B CN 110472623B CN 201910581381 A CN201910581381 A CN 201910581381A CN 110472623 B CN110472623 B CN 110472623B
- Authority
- CN
- China
- Prior art keywords
- image
- area
- target object
- region
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 253
- 238000000034 method Methods 0.000 claims abstract description 74
- 238000004422 calculation algorithm Methods 0.000 claims description 92
- 238000003709 image segmentation Methods 0.000 claims description 49
- 239000000284 extract Substances 0.000 claims description 14
- 238000007689 inspection Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 description 26
- 239000011159 matrix material Substances 0.000 description 17
- 230000006870 function Effects 0.000 description 16
- 238000013135 deep learning Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 238000012549 training Methods 0.000 description 12
- 238000000605 extraction Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000014509 gene expression Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 201000011243 gastrointestinal stromal tumor Diseases 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
图像检测方法、设备以及系统,用以实现高效的图像检测。本申请中,图像检测设备可以从待检测图像中定位目标对象所在区域,并截取目标对象所在区域的图像;之后,从目标对象所在区域中提取目标对象的背景图像;图像检测设备通过目标对象的背景图像,可以区分中目标对象所在区域的图像中的目标对象以及目标对象的背景,进而可以获取较为纯净的目标对象的图像,使得目标对象的图像中包含较少的背景,甚至不包含背景;在获取目标对象的图像后,可以对目标对象的图像与参考图像进行比对,确定目标对象的图像与参考图像的相似程度。该方法不仅适用于彩色图像的检测,也适用于黑白图像的检测,能够扩展图像检测方法的适用范围。
Description
技术领域
本申请涉及信息技术领域,尤其涉及一种图像检测方法、设备以及系统。
背景技术
在商业活动或日常生活中存在大量的文书、表单、合同等文件,这些文件中均盖有印章,印章(也称为印鉴)具有一定的法律效益,可以表征各类文件的合法性和真实性。
为了验证这些文件的合法性和真实性,需要对这些文件中的印章进行识别和比对,之前,印章的识别和比对主要依赖人工操作,但人工完成这些工作的准确度和效率有限,为此提出借助基于信息技术(information technology,IT)的方案。
具体的,首先需要对文件进行扫描,在扫描后产生的图像中检测红色像素(如印章颜色为红色)或蓝色像素(如印章颜色为蓝色),根据检测到的红色像素生成印章图像,基于印章图像,与标准印章图像比对,判断该文件中的印章是否为真实印章,进而确定该文件的真实性。
但是采用上述方式生成的印章图像中存在较多的不属于印章的无效部分,导致印章图像的准确率较差,之后进行印章比对时,容易产生错误结果,无法准确的验证文件的真实性和合法性。
发明内容
本申请提供一种图像检测方法、设备以及系统,用以实现高效的图像检测。
第一方面,本申请提供了一种图像检测方法,该方法可以由图像检测设备执行,该方法包括,图像检测设备可以先定位待检测图像中目标对象所在区域;之后,从待检测图中截取目标对象所在区域的图像;图像检测设备还可以从待检测图像中目标对象所在区域中获取目标对象的背景图像,目标对象的背景图像为目标对象所在区域中除去目标对象的图像;例如,目标对象的背景可以是目标对象覆盖的文字、图形以及图像,还可以是目标对象所遮盖的文字、图形以及图像等。之后,图像检测设备可以通过目标对象的背景图像区分目标对象所在区域中的目标对象以及目标对象的背景,从目标对象所在区域的图像中去除目标对象的背景,生成目标对象的图像;并通过比对目标对象的图像与参考图像,确定目标对象的图像与参考图像的相似程度。
通过上述方法,图像检测设备可以通过目标对象的背景图像区分目标对象所在区域中的目标对象以及目标对象的背景,可以使得目标对象的图像中包含较少的背景,甚至不包含背景,能够较为精确的确定目标对象的图像,该方法不仅适用于彩色图像的检测,也适用于黑白图像的检测,能够扩展图像检测方法的适用范围。
在一种可能的设计中,图像检测设备在定位待检测图像中目标对象所在区域时,可以通过两种不同的方式进行定位,示例性的,图像检测设备可以通过目标检测算法检测待检测图像中的目标对象,定位待检测图中的第一区域,第一区域包括目标对象;图像检测设备也可以在待检测图像中检测待检测图像中的预设图形,待检测图像中预设图形所在区域为第二区域,预设图形为目标对象的边界形状;之后,图像检测设备再综合第一区域、第二区域以获取目标对象所在区域。图像检测设备在定位待检测图像中目标对象所在区域时,可以通过两种不同的方式进行定位,并综合这两种方式确定的目标对象所在区域,以保证可以精确定位目标对象所在区域。
在一种可能的设计中,图像检测设备在综合第一区域以及第二区域以获取目标对象所在区域可以分别确定目标对象所在区域的边界以及中心:示例性的,图像检测设备可以对第一区域的边界以及第二区域的边界进行曲线拟合,确定目标对象所在区域的边界;以及根据第一区域的中心坐标和第二区域的中心坐标确定目标对象所在区域的中心坐标。
通过上述方法,通过对不同方式定位的区域整合确定目标对象所在区域的边界坐标以及中心坐标,使得最终定位的目标对象的区域较为精确。
在一种可能的设计中,图像检测设备在对第一区域的边界以及第二区域的边界进行曲线拟合,确定目标对象所在区域的边界时,可以根据预设的比例值对第一区域的边界以及第二区域的边界进行曲线拟合,第一区域以及第二区域中每个区域对应一个比例值;图像检测设备根据第一区域的中心坐标和第二区域的中心坐标确定目标对象所在区域的中心坐标时,可以根据每个区域的中心坐标以及对应权重的乘积之和确定目标对象所在区域的中心坐标。
通过上述方法,在对不同方式定位的区域整合确定目标对象所在区域的边界坐标以及中心坐标时,配置对应的比例值以及权重,对于准确度较高的定位方式下定位的区域,可以配置较高的比例值以及权重,使得最终定位的目标对象所在区域的边界坐标以及中心坐标较为准确。
在一种可能的设计中,对待检测图像为彩色图像的情况下,图像检测设备在定位待检测图像中目标对象所在区域时,可以通过三种不同的方式进行定位;示例性的,图像检测设备可以通过目标检测算法检测待检测图像中的目标对象,定位待检测图中的第一区域,第一区域包括目标对象;图像检测设备还可以在待检测图像中检测待检测图像中的预设图形,待检测图像中预设图形所在区域为第二区域,预设图形为目标对象的边界形状;图像检测设备也可以根据目标对象的颜色,从待检测图像中确定第三区域,第三区域的颜色为目标对象的颜色;之后,再综合第一区域、第二区域以及第三区域以获取目标对象所在区域。图像检测设备在定位待检测图像中目标对象所在区域时,可以综合这三种方式确定的区域,实现精确定位目标对象所在区域。
在一种可能的设计中,图像检测设备在综合第一区域、第二区域以及第三区域获取目标对象所在区域时,可以分别确定目标对象所在区域的边界以及中心;示例性的,图像检测设备可以对第一区域的边界、第二区域的边界以及第三区域的边界进行曲线拟合,确定目标对象所在区域的边界;以及根据第一区域的中心坐标、第二区域的中心坐标以及第三区域的中心坐标确定目标对象所在区域的中心坐标。
通过上述方法,通过对不同方式定位的区域整合确定目标对象所在区域的边界坐标以及中心坐标,保证可以精确定位的目标对象的区域。
在一种可能的设计中,图像检测设备在对第一区域的边界、第二区域的边界以及第三区域的边界进行曲线拟合,确定目标对象所在区域的边界时,可以根据预设的比例值对第一区域的边界、第二区域的边界以及第三区域的边界进行曲线拟合,第一区域、第二区域以及第三区域中每个区域对应一个比例值;图像检测设备根据第一区域的中心坐标、第二区域的中心坐标以及第三区域的中心坐标确定目标对象所在区域的中心坐标时,可以根据每个区域的中心坐标以及对应权重的乘积之和确定目标对象所在区域的中心坐标。
通过上述方法,在对不同方式定位的区域整合确定目标对象所在区域的边界坐标以及中心坐标时,配置对应的比例值以及权重,对于准确度较高的定位方式下定位的区域,可以配置较高的比例值以及权重,确保最终定位的目标对象所在区域的边界坐标以及中心坐标较为准确。
在一种可能的设计中,图像检测设备在综合第一区域、第二区域以及第三区域以获取目标对象所在区域之前,还可以执行剔除操作,去除其中部分区域;示例性的,图像检测设备可以剔除第一区域、第二区域以及第三区域中满足预设条件的区域,预设条件为区域面积小于标准值、区域包含在一个或多个其他区域;和/或区域面积小于标准值、区域包括在一个或多个其他区域。
通过上述方法,对于第一区域、第二区域以及第三区域中明显不包含目标对象的区域可以进行去除,保证最终定位的目标对象所在区域的准确性。
在一种可能的设计中,图像检测设备在综合第一区域、第二区域获取目标对象所在区域之前,还可以执行剔除操作,去除其中部分区域。示例性的,图像检测设备可以剔除第一区域以及第二区域满足预设条件的区域,预设条件为区域面积小于标准值、区域包含在一个或多个其他区域;和/或区域面积小于标准值、区域包括在一个或多个其他区域。
通过上述方法,去除第一区域、以及第二区域中明显不包含目标对象的区域,保证可以准确定位的目标对象所在区域。
在一种可能的设计中,图像检测设备在综合第一区域、第二区域以及第三区域获取目标对象所在区域,可以进行分组,之后再综合属于同一组的第一区域、第二区域以及第三区域获取目标对象所在区域;其中,在进行分组时,可以计算第一区域、第二区域以及第三区域中相邻的两个区域之间的重叠率,将待检测图像中预设范围内,重叠率大于第一阈值的区域划分在一个组。这样,同一个组内的第一区域、第二区域以及第三区域中的任意两个区域的重叠率大于第一阈值。
通过上述方法,对于待检测图像中存在多个目标对象的情况,采用分组的方式,可以针对每一个目标对象进行定位,确定每一个目标对象所在区域,能够保证目标对象的精确定位。
在一种可能的设计中,图像检测设备在综合第一区域和第二区域获取目标对象所在区域时,可以进行分组,之后再综合属于同一组的第一区域和以及第二区域,获取目标对象所在区域;其中在进行分组时,可以计算第一区域、以及第二区域中相邻的两个区域之间的重叠率,将待检测图像中预设范围内,重叠率大于第一阈值的区域划分在一个组。这样,同一个组内的第一区域以及第二区域中的任意两个区域的重叠率大于第一阈值。
通过上述方法,对于待检测图像中存在多个目标对象的情况,采用分组的方式,可以针对每一个目标对象进行定位,确定每一个目标对象所在区域,能够保证目标对象的精确定位。
在一种可能的设计中,图像检测设备在从待检测图像中截取目标对象所在区域的图像时,可以通过如下两种方式实现:
方式一、图像检测设备可以通过图像分割算法从待检测图像中目标对象所在区域分割出第一图像,第一图像包括目标对象。
方式二、图像检测设备可以从目标对象所在区域中提取第一颜色的像素点,根据第一颜色的像素点获取第二图像,第一颜色为目标对象的颜色。
通过上述方法,图像检测设备可以灵活的通过不同的方式截取目标对象所在区域的图像。
在一种可能的设计中,图像检测设备在通过图像分割算法从待检测图像中目标对象所在区域分割出第一图像时,可以从待检测图像中截取包括目标对象所在区域的第一矩形区域,第一矩形区域的中心与目标对象所在区域的中心重合,将第一矩形区域作为图像分割算法的输入值,根据图像分割算法的输出值确定第一图像。
通过上述方法,第一矩形区域的中心与目标对象所在区域的中心重合,可以确保目标对象所在区域的中心在分割出的第一图像的中心,这样,可以保证分割出的第一图像能够较好的覆盖整个目标对象。
在一种可能的设计中,图像检测设备在从目标对象所在区域中提取第一颜色的像素点,根据第一颜色像素点获取第二图像时,可以从待检测图像中截取包括目标对象所在区域的第二矩形区域,第二矩形区域的中心与目标对象所在区域的中心重合;之后,将第二矩形区域映射在色彩空间中,根据目标对象所在区域的边界去除第二矩形区域内目标对象所在区域之外的像素点,提取目标对象所在区域内第一颜色的像素点,获取第二图像。
通过上述方法,图像检测算可以利用目标对象所在区域的边界去除非第二矩形区域中非目标对象的部分,可以保证分割出的第一图像能够较好的覆盖整个目标对象,且包括较少的背景。
在一种可能的设计中,图像检测设备在根据目标对象所在区域的图像,获取目标对象的背景图像时,可以根据第一图像与第二图像,从待检测图像中截取第三图像,第三图像覆盖第一图像和第二图像在待检测图像中的区域;之后,图像检测设备可以对第三图像进行灰度,获取第三图像的灰度图像;并且还可以基于第三图像的灰度图像的灰度分布情况,在目标对象所在区域区分目标对象以及目标对象的背景,提取目标对象的背景图像。
通过上述方法,通过对第三图像进行灰度的方式,可以较好的区分目标对象所在区域区分目标对象以及目标对象的背景,例如灰度值处于灰度分布区间的中间位置可以认为是目标对象,灰度值过高或过低可以认为是目标对象的背景,采用这种方式,能保证提取出较为准确的目标对象的背景图像。
在一种可能的设计中,图像检测设备在基于目标对象的背景图像,从目标对象所在区域的图像中去除目标对象的背景,生成目标对象的图像时,可以比对目标对象的背景图像与目标对象所在区域的图像中相同位置的像素点的值,从目标对象所在区域的图像中去除与目标对象的背影图像中非零像素点相同位置的像素点,对于目标对象的背景图像中非零像素点可以认为是非印章像素点,这样可以直接从目标对象所在区域的图像中去除,去除了目标对象的背景的图像为目标对象的图像。
通过上述方法,图像检测设备通过比较目标对象所在区域的图像以及目标对象的背景图像相同位置的像素点,确定目标对象的图像,使得目标对象的图像包括的目标对象的背景较少,可以得到较为纯净的目标对象的图像。
在一种可能的设计中,图像检测设备在对目标对象的图像与参考图像比对时,可以先通过匹配目标对象的图像的特征点与参考图像的特征点,对目标对象的图像进行旋转;之后,再通过比对参考图像与旋转后的目标对象的图像的主体结构、图像纹理、像素点以及角度中的至少一个,确定目标对象的图像与参考图像的相似程度。
通过上述方法,图像检测设备可以通过多个不同的方面对目标对象的图像与参考图像进行比对,可以实现精确比对,进而保证可以准确确定目标对象的图像与参考图像的相似程度。
第二方面,本申请提供了一种图像检测设备,该设备具有实现第一方面及第一方面任意一种可能的设计中所实现的功能。该设备功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块。在一个可能的设计中,装置的结构中包括定位单元、截取单元、获取单元、生成单元以及比对单元,这些单元可以执行上述第一方面方法示例中的相应功能,具体参见方法示例中的详细描述,此处不做赘述。
第三方面,本申请还提供了一种图像检测设备,有益效果可以参见第一方面及第一方面任意一种可能的设计的描述此处不再赘述。图像检测设备的结构中包括处理器和存储器,处理器被配置为执行上述第一方面及第一方面任意一种可能的设计的方法中相应的功能。存储器与处理器耦合,其保存图像检测设备必要的程序指令和数据。图像检测设备的结构中还包括通信接口,用于与其他设备进行通信。
第四方面,本申请还提供了一种图像检测系统,该系统中包括如第二方面及第二方面任意一种可能的设计中图像检测设备,该图像检测设备可以用于执行如第一方面及第一方面任意一种可能的设计的方法,图像检测系统还可以包括采集设备以及访问设备。采集设备用于采集待检测图像,将待检测图像发送至图像检测设备,访问设备用于向图像检测设备发送指令,指令用于指示图像检测设备对待检测图像进行检测(如指示检测待检测图像中的目标对象)。
第五方面,本申请还提供了一种图像检测系统,该系统中包括如第二方面及第二方面任意一种可能的设计中图像检测设备,该图像检测设备可以用于执行如第一方面及第一方面任意一种可能的设计的方法,图像检测系统还可以包括存储有数据库的数据服务器,该数据库用于存储图像;可选的,图像检测系统还可以包括采集设备以及访问设备。采集设备用于采集待检测图像,将待检测图像发送至数据服务器,数据服务器将待检测图像保存在数据库中。访问设备可以向图像检测设备发送指令,该指令用于指示图像检测设备对待检测图像进行检测(如指示检测待检测图像中的目标对象),且该指令中可以包括待检测图像的相关信息(如标识、编号等);图像检测设备接收到指令后,可以通过连接数据服务器,根据待检测图像的相关信息从数据库中获取待检测图像。
需要说明的是,图像检测设备与采集设备也可以构成另一种图像检测系统,图像检测设备可以从采集设备中获取待检测图像,并执行如第一方面及第一方面任意一种可能的设计的方法;图像检测设备与访问设备也可以构成另一种图像检测系统,访问设备用于向图像检测设备发送指令,指令用于指示图像检测设备对待检测图像进行检测,该指令中可以包括待检测图像(可选的,访问设备也可以单独将待检测图像发送给图像检测设备),图像检测设备可以从该指令中获取待检测图像并执行如第一方面及第一方面任意一种可能的设计的方法。
第六方面,本申请还提供一种计算机可读存储介质,计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述各方面的方法。
第七方面,本申请还提供一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各方面的方法。
第八方面,本申请还提供一种计算机芯片,芯片与存储器相连,芯片用于读取并执行存储器中存储的软件程序,执行上述各方面的方法。
附图说明
图1为本申请提供的一种图像检测系统的架构示意图;
图2为本申请提供的一种图像检测方法示意图;
图3为本申请提供的一种待检测图像中印章示意图;
图4为本申请提供的另一种待检测图像中印章示意图;
图5为本申请提供的一种待检测图像中印章所在区域的图像示意图;
图6为本申请提供的另一种待检测图像中印章所在区域的图像示意图;
图7为本申请提供的印章图像的角度的示意图;
图8为本申请提供的绝对像素图像中的一级像素块的示意图;
图9为本申请提供的绝对像素图像中的二级像素块的示意图;
图10为本申请提供的绝对像素图像中的三级像素块的示意图;
图11~图12为本申请提供的图像检测设备的结构示意图。
具体实施方式
本申请提供了一种图像检测方法、装置以及系统,用以高效检测待检测图像。
如图1所示,为本申请实施例提供的一种图像检测系统架构示意图,该系统架构中包括图像检测设备100以及采集设备200,可选的,还可以包括一个或多个访问设备300。
采集设备200用于采集待检测图像,本申请实施例并不限定采集设备的设备类型,可以是具有扫描功能的复印件、扫描仪、相机、智能手机、平板电脑等,凡是可以具备图像采集功能的设备均适用于本申请实施例。对于采集设备200采集的待检测图像可以是彩色图像、也可以是黑白图像,本申请实施例并不限定。
图像检测设备100用于执行本申请实施例提供的图像检测方法,定位待检测图像中的目标对象(如印章)所在区域(简称为目标对象定位);并从目标对象所在区域中提取该目标对象的图像(简称为目标对象提取),其中包括获取目标对象所在区域的图像,提取目标对象的背景图像,从目标对象所在区域的图像去除目标对象的背景,获取目标对象的图像;基于目标对象的图像与参考图像进行比对,输出比对结果(简称为目标对象比对)。图像检测设备100可以是单个服务器,单个服务器可以兼具目标对象定位、目标对象提取以及目标对象比对的功能,图像检测设备100也可以是由多个服务器构成的服务器集群,每个服务器具体包括目标对象定位、目标对象提取以及目标对象比对中的一个或多个功能,多个服务器共同配合执行本申请实施例提供的图像检测方法。
示例性的,图像检测设备100包括定位装置110、提取装置120以及比对装置130,定位装置110用于实现目标对象定位功能,还可以将目标对象的所在区域的位置信息输入至提取装置120;提取装置120用于实现目标对象提取功能,可以将目标对象的图像输入至比对装置130,比对装置130可以实现目标对象比对功能,确定该目标对象的图像与参考图像是否一致,输出该目标对象的图像与参考图像的相似度(相似度用于表征目标对象的图像与参考图像的相似程度)。定位装置110、提取装置120以及比对装置130中的一个或多个可以部署在一个服务器中。
本申请实施例并不限定服务器的类型,示例性的,可以是超多核服务器、大型的分布式计算机、硬件资源池化的集群计算机等等,凡是可以实现标对象定位、目标对象提取或目标对象比的设备对均适用于本申请实施例。
访问设备300可以与图像检测设备100连接,能够向图像检测设备100发送指令,例如,该指令可以用于指示图像检测设备100确定待检测图像(该待检测图像可以是图像检测设备100本地保存的,也可以是访问设备300携带在所述指令中的)中的目标对象与参考图像的相似程度,也可以发送其他指令,例如用于指示定位待检测图像中目标对象所在区域的指令、用于指示提取待检测图像中目标对象的图像的指令、用于指示检测待检测图像中目标对象的指令等。可选的,访问设备300还可以具有显示功能,能够向用户呈现图像检测设备100针对指令的响应信息,访问设备300具备显示功能,也便于用户对访问设备300进行操作,触发访问设备300发送指令等等。示例性的,访问设备300可以部署在陆地上,包括室内或室外、手持或车载;也可以部署在水面上(如轮船等);还可以部署在空中(例如飞机、气球和卫星上等)。访问设备300可以是手机(mobile phone)、平板电脑(pad)、笔记本型电脑、虚拟现实(virtual reality,VR)终端、增强现实(augmented reality,AR)终端、工业控制(industrial control)中的无线终端、无人驾驶(self driving)中的无线终端、远程医疗(remote medical)中的终端等。
采集设备200可以将采集到的图像传输至图像检测设备100,访问设备300可以通过访问图像检测设备100查看采集设备200采集的图像,并针对采集设备200采集的图像向图像检测设备100发送指令。
作为一种可能的实施方式,采集设备200采集到的图像(如本申请实施例的待检测图像)可以存放在数据库中,例如该数据库可以存储在数据服务器中,也可以存储在图像检测设备中。访问设备300向图像检测设备100发送用于检测待检测图像中目标对象的指令,该指令中可以携带有待检测图像的标识等信息;图像检测设备100可以连接数据服务器,根据该指令中的待检测图像的标识等信息从该数据库中获取待检测图像。访问设备300也可以通过图像检测设备100访问数据库中的图像,并针对数据库的图像向图像检测设备100发送指令。
作为一种可能的实施方式,采集设备200也可以与访问设备300连接,将采集到的图像发送给访问设备300,访问设备300可以查看采集设备200采集的图像,还可以向图像检测设备100发送携带有采集设备200采集的图像的指令,指示图像检测设备对指令中携带的图像进行检测,如指示比对该图像与参考图像的相似程度、定位该图像中的目标对象以及提取该图像中目标对象的图像等。
在本申请实施例中,为了能够提高图像检测精度,图像检测设备100可以先定位待检测图像中目标对象所在区域;之后,图像检测设备执行目标对象的图像提取操作,先截取目标对象所在区域的图像,根据目标对象所在区域的图像,获取目标对象的背景图像,目标对象的背景为目标对象所在区域中除去目标对象的图像,图像检测设备可以基于目标对象的背景图像,从目标对象所在区域的图像中去除目标对象的背景,生成目标对象的图像;之后对目标对象的图像与参考图像进行比对,确定目标对象的图像与参考图像的相似程度。在本申请实施例中,图像检测设备可以通过目标对象的背景图像区分目标对象所在区域中的目标对象以及目标对象的背景,可以准确的确定目标对象的图像,不仅适用于彩色图像,也适用于黑白图像,能够扩展图像检测方法的适用范围。
应需理解的是本申请实施例并不仅适用于印章定位、印章对比,还适用于其他场景,如特定图像的定位、比对等,下面基于如图1所示的系统架构,以目标对象为印章为例,对本申请实施例提供的一种图像检测方法进行说明,如图2所示,该方法包括:
步骤201:图像检测设备100定位待检测图像中印章所在区域。
在该步骤中,图像检测设备100可以从待检测图像中定位印章所在区域,印章的所在区域包括该印章,以及除该印章的外的其他内容,如覆盖在印章上的文字、图形、图像,以及印章遮挡的文字、图形或图像等,在本申请实施例中覆盖在印章上的文字、图形、图像,以及印章遮挡的文字、图形或图像可称为印章的背景。
在该步骤中,图像检测设备100定位待检测图像中印章所在区域的方式有许多种,下面列举其中三种,下面分别进行说明。
方式一、图像检测设备100可以通过目标检测算法,定位待检测图像中的印章所在区域。
本申请实施例并不限定目标检测算法的类型,目标检测算法可以是基于深度学习(Deep Learning,DL)的目标检测算法,包括但不限于区域卷积神经网络(Regionconvolutional neural network,R-CNN)、SSD(single shot multibox detector)、YOLO(You Only Look Once net)。
目标检测算法可以提取待检测图像的整体以及局部特征,基于提取的整体以及局部特征预测印章在待检测图像的位置,进而定位印章所在区域。
基于深度学习的目标检测算法可以预先进行训练,训练使用的训练集为人工标注有印章所在区域的多个不同的图像;将训练集中的图像输入至目标检测算法中,通过监督学习的方式进行训练。
在该方式中,图像检测设备100定位的待检测图像中的印章所在区域可以通过印章所在区域的中心坐标以及印章所在区域的边界坐标表征。
在本申请实施例中,印章所在区域的中心可以是印章的中心点,印章所在区域的边界为印章的外环,印章所在区域的中心坐标和边界坐标是基于图像通用的坐标系(如以图像的左上角的顶点为原点,原点处相交的两条直线为坐标轴建立的坐标系)对印章的中心点以及印章的外环标注形成。
需要说明的是,本申请实施例并不限定印章的数量,当待检测图像中存在多个印章时,采用方式一可以分别确定每个印章所在区域。
方式二、图像检测设备100在待检测图像中检测待检测图像中的预设图形,将待检测图像中预设图形所在区域作为印章所在区域。
由于印章的边界(也可以称为外环)通常为规则图形,如印章的外环可以是圆形、椭圆形以及矩形等。图像检测设备100可以在待检测图像中确定是否存在预设图形,如检测图像检测设备100中是否存在圆形、椭圆形以及矩形,若待检测图像中存在预设图形,则可以将该预设图形所在区域作为印章所在区域。
在本申请实施例中可以将在待检测图像中确定待检测图像中的预设图形的过程称为形状检测。
示例性的,图像检测设备100在进行形状检测时,可以先对待检测图像进行灰度,生成待检测图像的灰度图像,之后,利用霍夫变换检测待检测图像的灰度图像中的预设图形。其中,霍夫变换可以将图像的曲线(包括直线)通过曲线表达式变换为霍夫参数空间中的一个点,通过检测霍夫参数空间中的点来检测图像中的曲线。
需要说明的是,图像检测设备100可以直接将待检测图像进行灰度,生成待检测图像的灰度图像,从待检测图像的灰度图像中检测预设图形;也可以仅提取待检测图像中的特定颜色的图像(待检测图像中特定颜色的像素点构成的图像称为特定颜色的图像),之后对特定颜色的图像进行灰度,再从特定颜色的图像的灰度图像中检测预设图形;例如,若印章的颜色为红色,则可以提取红色图像;若印章的颜色为蓝色,则可以提取蓝色图像。
对待检测图像进行形状检测后,可以定位到待检测图像中印章所在区域。可以用印章所在区域的中心坐标和边界坐标表征印章所在区域。印章所在区域的中心坐标和边界坐标的描述可以参见前述内容,此处不再赘述。
需要说明的是,本申请实施例并不限定印章的数量,当存在多个印章时,采用方式二可以确定每个印章所在区域。
方式三、图像检测设备100可以通过检测待检测图像中的颜色区域定位待检测图像中的印章所在区域。
由于通常待检测图像中的印章是由一个或多个相同颜色的颜色区域构成的,如红色印章,是由多个红色区域构成。蓝色印章,是由多个蓝色区域构成的。图像检测设备100可以检测在待检测图像中一个或多个距离较近的、相同颜色的颜色区域;将检测到的颜色区域作为印章所在区域。
在本申请实施例中可以将检测待检测图像中的颜色区域的过程称为色块检测。图像检测设备100在进行色块检测时,可以将待检测图像映射在色彩空间中,之后提取色彩图像,该色彩图像只包括一种特定颜色的图像;之后对该色彩图像进行多个尺度的像素膨胀,生成多个像素膨胀图像。每进行一个尺度的像素膨胀,会生成一个像素膨胀图像;对于任一像素膨胀图像,对该像素膨胀图像内的各个连通区域进行填充,填充各个连通区域内的无颜色的区域;基于该填充后连通区域的面积等于或接近于设定阈值的连通区域之间的重叠率,确定印章所在区域,其中,设定阈值可以是经验值,如设定阈值可以为统计获得的印章的标准面积或平均面积等。
像素膨胀指基于图像中像素点为中心的特定尺度的区域(如以图像中像素点为中心的3*3像素点构成的区域、以图像中像素点为中心的5*5像素点构成的区域)内的像素点的最大值(也就是像素点的像素值的最大值),对图像中像素点重新赋值的方式。
以像素膨胀的尺度为3个像素,对像素膨胀的方式进行简单说明:以图像A为需要进行像素膨胀的图像,对于图像A中的任一像素点B,以该像素点B为中心,在图像A中划分一个3*3像素点构成的区域,确定该区域内像素点的最大值,将该像素点B的像素值赋值为该最大值。
像素膨胀的尺度与待检测图像的大小有关,示例性的,如对于256*256的待检测图像可以选用的像素膨胀的尺度为3个像素、9个像素、15个像素中的一个或多个。
本申请实施例并不限定色彩空间的类型,该色彩空间是色调饱和度明度(huesaturation value,HSV)色彩空间、三原(red green blue,RGB)色彩空间、印刷四色(cyanmagenta yellow black,CMYK)色彩空间、色调饱和度亮度(hue saturation lightness,HSL)色彩空间。
下面以待检测图像为RGB图像,色彩空间为HSV色彩空间,提取的色彩图像为红色图像为例对色块检测进行介绍。
首先,将待检测图像映射到HSV色彩空间,转换为HSV格式的图像,从该HSV格式的图像中提取红色图像,红色图像为HSV图像中像素值(如像素点的H值、S值以及V值)处于特定区间的像素点构成的图像,其中,像素点的H值处于(0-10,136-180)区间、像素点的S值处于(10-255)区间,像素点的V值处于(46-255)。上述区间的范围仅是举例,不同的场景下,对于H、S、V值的区间可以进行调整。
之后,对红色图像分别进行3像素、9像素、15像素等尺度的像素膨胀,生成对应的像素膨胀图像。
对于任意像素膨胀图像,该像素膨胀图像存在有多个像素点构成的连通区域,对于连通区域内部的空白区域,可以进行填充,填充为红色。并计算填充后的连通区域的面积,对于面积等于或接近于设定阈值的连通区域,可以计算该连通区域的中心点坐标以及边界坐标。
设定阈值可以是根据印章的标准大小确定的,通常在A4纸上的印章的面积大约为10平方厘米(cm2);可以将10cm2作为设定阈值,对于面积等于10cm2或面积与10cm2的差值小于1cm2的连通区域,定位该连通区域,确定该连通区域中心点坐标和边界坐标。
对于之前定位的各个连通区域,可以通过连通区域之间的重叠率,确定连通区域内包括印章的概率。当两个不同的连通区域的重叠率越高,表明这两个连通区域存在同一个印章,且存在印章的概率较高。
两个连通区域的重叠率等于这两个连通区域的共同区域面积与这两个连通区域构成的整体区域的面积的比值。
对于包括同一印章的多个连通区域,也即重叠率较高的多个连通区域,基于该多个连通区域的中心坐标计算印章所在区域的中心坐标。示例性的,可以对不同尺度的像素膨胀图像配置不同的权重,配置的权重可以是经验值,也可以是根据不同尺度下的像素膨胀图像所能反映印章存在概率的精确程度设置的,如尺度越大,像素膨胀图像所能反映印章存在概率的精确程度。示例性的,如3像素下的像素膨胀图像(简称3像素膨胀图像),9像素下的像素膨胀图像(简称9像素膨胀图像),15像素下的像素膨胀图像(简称15像素膨胀图像)的权重分别为3/(3+9+15、9/(3+9+15)、15/(3+9+15)。
对于包括同一印章的不同像素膨胀图像的连通区域,如3像素膨胀图像的权重为权重1,3像素膨胀图像的中连通区域的中心坐标为坐标1,9像素膨胀图像的权重为权重2,9像素膨胀图像的中连通区域的中心坐标为坐标2,15像素膨胀图像的权重为权重3,15像素膨胀图像的中连通区域的中心坐标为坐标3,则该印章所在区域的中心坐标=权重1*坐标1+权重2*坐标2+权重3*坐标3。
在定位印章所在区域时需要确定印章所在区域的中心坐标之外,还可以确定印章所在区域的边界。对于包括同一印章的不同像素膨胀图像的连通区域,按照各自的像素膨胀尺度进行反向腐蚀,对连通区域进行收缩,确定收缩后的连通区域的边界,这几个收缩后的连通区域的边界进行曲线拟合,拟合后的曲线为印章所在区域的边界。
反向腐蚀为像素膨胀的相反过程,反向腐蚀基于以图像中像素点为中心的特定尺度的区域(如以图像中像素点为中心的3*3像素点构成的区域、以图像中像素点为中心的5*5像素点构成的区域)内的像素点的最小值(也就是像素点的像素值的最小值),对图像中像素点重新赋值的方式。
需要说明的是,本申请实施例并不限定印章的数量,当存在多个印章时,采用方式三可以确定每个印章所在区域。另外,当待检测图像为彩色图像时,可以采用上述三种方式中的一种或多种定位印章所在区域;当待检测图像为黑白图像时,可以采用方式一以及方式二中的一种或多种定位印章所在区域。
通过上述三种方式,每种方式均可以定位印章所在区域,为了提高定位印章所在区域的准确率,可以综合上述三种方式所定位的印章所在区域,根据三种方式所定位的印章所在区域之间的重叠率,精确定位印章所在区域。
为方便说明将通过方式一定位的印章所在区域称为第一区域,将通过方式二定位的印章所在区域称为第二区域,将通过方式三定位的印章所在区域称为第三区域。
图像检测设备100可以通过第一区域、第二区域以及第三区域确定印章所在区域的中心坐标以及边界坐标。
示例性的,图像检测设备100可以对第一区域的边界、第二区域的边界以及第三区域的边界进行曲线拟合,确定印章所在区域的边界(为方便说明简称边界1),进而可以确定印章所在区域的边界坐标。曲线拟合是指将多个不同的曲线合并为一条曲线的过程。
图像检测设备100在对第一区域的边界、第二区域的边界以及第三区域的边界进行曲线拟合时,图像检测设备100可以通过预设的比例值对第一区域的边界、第二区域的边界以及第三区域的边界进行曲线拟合;其中,第一区域、第二区域以及第三区域中每个区域对应一个比例值,图像检测设备100可以根据每个区域的边界以及对应的比例值的乘积之和,确定印章所在区域的边界。也就是说,一个区域的比例值可以指示该区域的边界在确定印章所在区域的边界时所占的比重,本申请实施例并不限定比例值的设置方式,是经验数值,也可以是根据上述三种定位印章所在区域的方式的检测精度确定的数值。示例性的,第一区域、第二区域以及第三区域对应的比例值,分别为20%、30%以及50%。
图像检测设备100可以根据第一区域的中心坐标、第二区域的中心坐标以及第三区域的中心坐标确定印章所在区域的中心坐标;可以为第一区域的中心坐标、第二区域的中心坐标以及第三区域的中心坐标配置权重,通过各个区域的中心坐标与对应权重的乘积之和确定印章所在区域的中心坐标。配置的权重可以是根据上述三种方式的检测精度确定的,也可以是根据三种方式定位的区域的边界与曲线拟合后确定的印章所在区域的边界的偏移程度确定的,还可以是根据三种方式定位的区域的中心与边界1所围成区域的中心的偏移程度确定的。
需要说明的是,上述说明是以待检测图像为彩色图像为例进行说明,若待检测图像为黑白图像,则不存在第三区域,也可以采用上述相似的方式确定印章所在区域的边界以及印章所在区域的中心坐标,区别在于不需要第三区域的边界以及中心坐标参与计算,配置的权重可以根据具体场景确定,本申请实施例并不限定。
由于待检测图像中的印章的呈现状态不清晰以及上述三种方式的检测精度不同,会导致采用上述三种方式确定第一区域、第二区域以及第三区域存在偏差。
在加盖印章时,由于人为原因或纸张影响,可能导致待检测图像中的印章可能与纸张中的其他图形距离较近,可能会使得采用上述三种方式确定的印章所在区域存在偏差,示例性的,如图3所示,待检测图像中的印章附近存在指纹,对于如图3所示的待检测图像中的印章,可能导致上述三种方式中的一种或多种不能准确的定位印章所在区域。例如,采用方式一,定位两个第一区域,分别为301A(印章所在区域)和301B(指纹所在区域);采用方式二,也定位两个第二区域,分别为302A(印章所在区域)和302B(指纹所在区域);若指纹颜色与印章颜色相近,采用方式三,会定位一个第二区域303。
其中,方式三定位出错,为此,需要剔除上述三种方式定位的区域中定位出错的区域。需要说明的是,如图3仅示出了其中一种可能的情况,对于待检测图像中印章中断、印章模糊、颜色浅淡等也可以存在导致上述三种定位方式出现偏差。
又例如,如图4所示,可以在一个文件中加盖两个不同的印章,如检测章1以及检测章2,这两个印章在加盖时,可以叠加盖章,检测章1以及检测章2之间存在重叠。
对于如图4所示的待检测图像中的印章,可能导致上述三种方式中的一种或多种不能准确的定位。例如,采用方式一,可能会定位两个第一区域,分别为401A和401B;采用方式二可能会定位到两个第二区域,分别为402A和402B,采用方式三可能会定位到一个第三区域403,方式二和方式三定位出错;为此,需要剔除上述三种方式定位的区域中定位出错的区域。
需要说明的是,为了便于绘制,如图3和图4中第一区域、第二区域以及第三区域分为矩形区域,实际上,第一区域、第二区域以及第三区域可以与印章边界相吻合的区域,例如也可以为椭圆形;也可以是比印章稍大的区域。
另外,由于待检测图像中可能存在多个不同的印章,图像检测设备100还可以对上述三种方式确定的区域进行归类,将包括同一个印章的第一区域、第二区域以及第三区域划分为一组。图像检测设备100可以通过第一区域、第二区域以及第三区域之间的重叠率确定包括同一个印章的概率。如果重叠率大于第一设定值,则认为包括同一个印章,否则不包括,第一设定值的具体数值本申请实施例并不确定,可以为经验数值,也可以根据图像检测所要求的精确度确定,例如,若精确度较高,可以设置较大的数值作为设定值。
综上,在图像检测设备100在根据第一区域、第二区域以及第三区域定位印章所在区域时,需要执行剔除操作和分组操作,在执行了这两个操作后,图像检测设备100可以根据属于一个组的第一区域、第二区域以及第三区域定位印章所在区域。下面对这种操作进行说明:
操作1、剔除操作。
计算预设范围内,第一区域、第二区域以及第三区域中各个区域的面积与标准值的大小关系,以及各个区域之间的包含关系剔除不满足预设条件的区域。预设范围可以是根据第一区域、第二区域以及第三区域在待检测图像中的分布情况确定的,待检测图像中第一区域、第二区域以及第三区域中分布较为密集的区域作为预设范围,本申请实施例中并不限定预设范围的数量,可以待检测图像中第一区域、第二区域以及第三区域中分布较为密集的多个区域分别作为一个预设范围,对于一个预设范围内的第一区域、第二区域以及第三区域可以进行分组。
相邻的两个区域是指两个区域的中心之间的距离小于这两个区域中任一区域的边界到该区域中心的距离。
预设条件可以为下列两个条件中的一个或两个,下面分别对这两个条件进行说明:
预设条件1:区域面积小于标准值、区域包含在一个或多个其他区域。这里,区域以及其他区域为第一区域、第二区域、以及第三区域中的任一区域。其中标准值可以是标准印章的面积,也可以是根据设定区域内,第一区域、第二区域以及第三区域的面积确定的,如可以将设定区域内,第一区域、第二区域以及第三区域的面积的均值作为标准值。
区域面积的计算可以利用区域的边界坐标以及区域的中心坐标进行计算,也将以区域中心作为圆心、区域中心到区域边界最大的距离为半径的圆的面积近似作为区域面积。
通过不同方式定位的第一区域、第二区域以及第三区域之间存在包含关系,但由于上述三种方式的精确程度不同,在一个印章附近或覆盖有其他干扰图形(如指纹)等情况下,其中一种或多种方式,将该印章定位为至少两个区域(如图3中的301A或302B)。
以图3为例,第一区域301B以及第二区域302B的面积明显小于标准印章面积,且均包含在第三区域303中,可以剔除第一区域301B以及第二区域302B。
作为一种可能的实施方式,预设条件1也可采用区域的直径的方式进行表述,示例性的,预设条件1可以表述为区域直径小于标准直径,该区域与其他区域的中心之间的距离小于其他区域的直径的一半或四分之一。标准直径可以是标准印章的直径,也可以是根据设定区域内,第一区域、第二区域以及第三区域的直径的均值确定的。本申请实施例并不限定其他预设条件1的表述方式,凡是可以指示去除第一区域、第二区域以及第三区域中面积较小、以及包含在其他区域的表述方式均适用于本申请实施例。
预设条件2:区域面积大于标准值、区域内包括一个或多个其他区域。这里,区域以及其他区域为第一区域、第二区域、以及第三区域中的任一区域。标准值可以参见预设条件1的说明,此处不再赘述。
由于上述三种方式的精确程度不同,在多个印章交叠的情况下,其中一种或多种方式,将多个印章定位为一个区域(如图4中的403)。
以图4为例,第三区域403面积明显大于标准印章面积,且包含第一区域401A以及第一区域401B,还包括第二区域402B以及第二区域402B,可以剔除第三区域403。
作为一种可能的实施方式,预设条件2也可采用区域的直径的方式进行表述,示例性的,预设条件2可以表述为区域直径大于标准直径,该区域与其他区域的中心之间的距离大于该区域的直径的一半或四分之一。标准直径可参见前述内容,此处不再赘述。本申请实施例并不限定其他预设条件2的表述方式,凡是可以指示去除第一区域、第二区域以及第三区域中面积较大、以及包含其他区域的区域表述方式均适用于本申请实施例。
操作2、分组操作。
计算预设范围内,第一区域、第二区域以及第三区域中相邻的两个区域之间的重叠率,将待检测图像中预设范围内,相邻的两个区域之间的重叠率大于第一阈值的区域划分在一个组,将重叠率小于或等于第一阈值的区域划分在不同的组。第一阈值可以是一个经验值,也可以是根据上述定位待检测图像中印章所在区域的三种方式的精确程度确定的,若上述三种方式的精确程度较高,则可以设定一个较高的值(如80%),否则,可以选择相对较小的值(如70%)。也就是说,属于同一个组的任意两个区域的重叠率大于第一阈值。
在分组时,除了根据重叠率,还可以根据两个相邻区域的中心之间的距离进行分组,示例性的,图像检测设备100可以比较两个相邻区域的中心之间的距离与第二设定值的大小关系,若大于第二设定值,将相邻的两个区域之间的中心之间的距离大于第二设定值的区域划分在不同的组,将距离小于或等于第二设定值的区域划分在同一组。第二设定值可以是根据印章的大小确定的,示例性的,第二设定值为印章直径的一半或四分之一。
也就是说,属于同一个组的任意两个区域的中心之间的距离小于等于第二设定值。
在进行分组操作时,也可以结合待检测图像中预设范围内,相邻的两个区域之间的重叠率以及两个相邻区域的中心之间的距离进行分组;示例性的,可以将待检测图像中预设范围内,重叠率大于第一阈值,且两个区域之间的中心之间的距离小于或等于第二设定值的区域划分在同一组;可以将待检测图像中预设范围内,重叠率小于或等于第一阈值,且两个区域之间的中心之间的距离大于第二设定值的区域划分在不同组。
也就是说,属于同一个组的任意两个区域的重叠率大于第一阈值,任意两个区域的中心之间的距离小于等于第二设定值。
需要说明的是,在执行上述两个操作时,均需要计算两个区域的面积,对于剔除操作,在计算面积时,可以将区域中心到区域边界最大距离作为半径,区域中心作为圆心,将该圆的面积近似为该区域的面积,这样,可以加快区域面积的计算效率,进而可以较为快速的执行剔除操作。对于分组操作,涉及到两个印章可能交叠的情况,在计算重叠率时,可以准确计算各个区域(如第一区域、第二区域以及第三区域)的面积,可以提高分组操作的准确性。另外,关于剔除操作与分组操作的说明是以待检测图像为彩色图像为例进行说明,若待检测图像为黑白图像,则不存在第三区域,也可以采用上述相似的方式执行剔除操作以及分组操作,区别在于不需要第三区域参与。
步骤202:图像检测设备100从待检测图像中截取印章所在区域的图像。
图像检测设备100截取印章所在区域的图像中除印章外,还可以包括印章的背景图像,如覆盖在印章上的文字、图形、图像、以及印章遮盖的文字、图形、图像。
图像检测设备100可以直接根据步骤201中定位的区印章所在区域截取印章所在区域的图像,也可以采用其他方式截取印章所在区域的图像,示例性的,如利用图像分割算法或色域检测算法截取印章所在区域的图像,通过图像分割算法或色域检测算法的方式,均可以较好的减少印章所在区域的图像中包括的印章背景。
下面分别对图像分割算法或色域检测算法进行介绍。
一、图像分割算法。
图像检测设备100利用图像分割算法从印章所在区域分割印章所在区域的图像,图像检测设备100在利用图像分割算法截取印章所在区域的图像时,可以从待检测图像中截取矩形区域,该矩形区域的中心与印章所在区域的中心重合,该矩形区域包括印章所在区域。将该矩形区域作为图像分割算法的输入值,根据图像分割算法的输出值确定印章所在区域的图像。
需要说明的是,印章所在区域可以步骤201中第一区域、第二区域以及第三区域任一区域,也可以是综合第一区域、第二区域确定的印章所在区域(对应待检测图像为黑白图像或彩色图像的情况),还可以是综合第一区域、第二区域以及第三区域确定的印章所在区域(对应待检测图像为彩色图像的情况),综合第一区域、第二区域确定的印章所在区域以及综合第一区域、第二区域以及第三区域确定的印章所在区域可参见步骤201中的相关描述此处不再赘述。
本申请实施例并不限定图像分割算法的类型,图像分割算法可以是基于深度学习的图像分割算法,包括但不限于U型神经网络(U-Net)、掩膜区域卷积神经网络(maskregion convolutional neural network,Mask-RCNN)、语义分割网(semanticsegmentation net,SegNet)。
图像分割算法可以对印章所在区域中的每一个像素点进行分类,确定印章的像素点(待检测图像中处于印章中的像素点)以及非印章的像素点(待检测图像中除印章的像素点外的其他像素点),进而提取印章所在区域的图像。矩形区域的原始图像(矩形区域的原始图像为直接根据印章所在区域的边界坐标截取包含印章所在区域的图像)可以作为图像分割算法的输入,图像分割算法可以输出分割结果,示例性的,图像分割算法可以输出一个矩阵,矩阵中的一个元素可以标注矩形区域的原始图像对应的一个或多个像素点为印章的像素点的概率。根据矩阵中各个元素的值可以判断出印章的具体位置,进而提取印章所在区域的图像。图像检测设备100通过图像分割算法获取的印章所在区域的图像为一个二值图像,该图像中的像素点的像素值只有0和1这两种可能的取值,在本申请实施例中以图像分割算法获取的印章所在区域的图像中,1表征该像素点为印章像素点,0表征该像素点为非印章像素点为例进行说明。
示例性的,若矩形区域的原始图像大小为256*256像素(实质上,也可以看做为256*256的矩阵,矩阵上每个元素表征一个像素点),图像分割算法可以相应的输出一个256*256的矩阵,该矩阵中的一个元素可以表征印章所在区域的图像中一个的像素点属于印章的概率,矩阵中元素与矩形区域的图像的像素点的对应关系时预先设定好的。上述举例中,是以矩形区域的图像与图像分割算法输出的矩阵一致,这样可以达到较高的提取精度;作为一种可能的实施方式,图像分割算法输出的矩阵也可以比矩形区域的原始图像的矩阵小,这样,图像分割算法输出的矩阵中的一个元素可以表征矩形区域的图像中对应的多个像素点为印章的像素点概率。例如,图像分割算法可以相应的输出一个128*128的矩阵,该矩阵中的一个元素可以表征矩形区域的图像中的对应的4个像素点为印章的像素点的概率。
基于深度学习的图像分割算法可以预先进行训练,训练使用的训练集中可以包括下列两种数据中的一种或两种。
第一种,包括印章的图像,该种图像中每个像素点都已做了标注,标注该像素点为印章的像素点,或该像素点不为印章的像素点。
第二种,印章的模拟图像,印章的模拟图像模拟印章在图像中各种可能的呈现方式,例如,图3所示的印章附近存在指纹以及图4所示的印章重叠。除图3、图4之外还有其他不同类型的呈现方式。可以在空白图像上绘制印章,并对印章进行旋转、对比度调整、透明度调整、噪声叠加(添加噪点,例如夜间照片中的小亮点)以及颜色调整等,形成各种可能的印章在待检测图像中的呈现方式。除了上述调整方式之外,还可以模拟覆盖印章或印章所遮盖的文字、图形以及图像,收集各种文字、表格以及图像等数据,将收集到的数据覆盖在印章上,或作为印章所遮盖的部分,添加到模拟图像中,形成各种可能的印章在待检测图像中的呈现方式。
本申请实施例并不限定印章的模拟图像的数量,可以采用上述方式尽可能多的生成印章的模拟图像,以便增大训练集中包括的图像的数量,提高图像分割算法的训练精度,以使得图像检测设备100可以通过图像分割算法可以较为精确的截取印章所在区域的图像。
方式二、色域检测算法。
色域检测算法是将印章所在区域映射在色彩空间后,提取与印章颜色相同的像素点,进而获取印章所在区域的图像。
图像检测设备100在利用色域检测算法提取印章所在区域的图像时,可以截取包括印章所在区域的矩形区域,该矩形区域的中心与印章所在区域的中心重合,图像检测设备100可以将该矩形区域映射在色彩空间中,根据印章所在区域的边界去除该矩形区域内印章所在区域之外的像素点,只对提取印章所在区域内与印章颜色相同的像素点,获取印章所在区域的图像。
需要说明的是,印章所在区域可以步骤201中第一区域、第二区域以及第三区域任一区域,也可以是综合第一区域、第二区域确定的印章所在区域(对应待检测图像为黑白图像或彩色图像的情况),还可以是综合第一区域、第二区域以及第三区域确定的印章所在区域(对应待检测图像为彩色图像的情况)。
以色彩空间为HSV空间为例,对于印章所在区域中同一饱和度以及明度范围内的像素点,各个像素点的色调不一定相同,同一饱和度以及明度范围内、不同色调的像素点的数量不同,图像检测设备100可以通过色域检测算法提取与印章相关的饱和度以及明度范围内、不同色调的像素点,综合任一饱和度以及明度范围内、不同色调的像素点的像素值以及分布情况,对像素点进行取舍,之后根据保留的像素点生成印章所在区域的图像。
作为一种可能的实施方式,为了能够更加高效的确定同一饱和度以及明度范围内、不同色调的像素点的分布情况,可以根据各个像素点的色调将一个饱和度以及明度范围内的色调划分为多个分段,每个分段对应一个色调范围。图像检测设备100可以通过色域检测算法确定与印章相关的饱和度以及明度范围内、不同分段的像素点的分布情况,综合该饱和度以及明度范围内、不同分段的像素点的像素值以及分布情况,对各个分段进行取舍,例如可以去掉像素点分布较少的分段,保留像素点分布较多的分段,之后根据保留各个分段的像素点获取印章所在区域的图像。
下面以印章所在区域的图像为RGB图像,色彩空间为HSV色彩空间,提取的红色分量为例对色域检测算法的执行过程进行介绍。
首先,图像检测设备100将矩形区域的图像映射到HSV色彩空间,转换为HSV格式的图像,从该HSV格式的图像中提取颜色为红色的像素点;示例性的,可以对颜色为红色的像素点分段提取,可以分5个分段进行提取,各个分段的像素点的HSV的值(HSV值为HSV空间下的像素点的像素值)分别为第一段S(10-255),V(46-255),H(136-150);第二段S(10-255),V(46-255),H(150-160);第三段S(10-255),V(46-255),H(160-170);第四段S(10-255),V(46-255),H(170-180);第五段S(10-255),V(46-255),H(0-10)。分段的数量以及每段的阈值可以为经验值,也是根据场景中颜色的分布情况配置的。
图像检测设备100统计各个分段中像素点的数量,可以只保留其中像素点数量最多的部分分段中的像素点;通常一个颜色、不同色调的像素点的分布为正太分布,选取其中分布较多的像素点,是可以较为完整的表征印章所在区域的图像中的颜色;在本申请实施例中,图像检测设备100可以选取像素点分布较多的三个分段,进行叠加,生成印章所在区域的图像。
图像检测设备100通过色域检测算法获取的印章所在区域的图像也可以为一个二值图像,该图像中的像素点的像素值只有0和1这两种可能的取值,在本申请实施例中以色域检测算法获取的印章所在区域的图像中,1表征该像素点为印章像素点,0表征该像素点为非印章像素点为例进行说明。
上述两种方式中均需要从待检测图像中截取包括印章所在区域的矩形区域,可以截取的矩形区域可以相同的,也可以不同;本申请实施例并不限定截取的矩形区域的数量,当确定待检测图像中的目标对象所在区域的数量为1个时,截取一个矩形区域;当确定待检测图像中的目标对象所在区域的数量为多个时,截取多个矩形区域,每个矩形区域包括一个目标对象所在区域。
应需理解的是,上述两种方式获取印章所在区域的图像的精度不同,例如,通过色域检测算法获取的印章所在区域的图像可能包括印章边缘的其他红色区域,也可能包括覆盖印章的其他红色区域;通过图像分割算法获取的印章所在区域可能缺少印章被覆盖的部分图像,也可以补全了印章被覆盖的部分图像;为此需要将印章所在区域的图像中不属于印章的部分去除。
步骤203:图像检测设备100根据印章所在区域的图像,获取印章的背景图像。印章的背景图像为印章所在区域中出除印章的图像。
图像检测设备100可以对印章所在区域的图像进行灰度,生成印章所在区域的图像的灰度图像,基于印章所在区域的图像的灰度图像,区分印章所在区域中的印章、以及印章背景;生成印章的背景图像。步骤203中的印章所在区域的图像可以是根据印章所在区域的边界坐标直接从待检测图像中截取的图像。
作为一种可能的实施方式,图像检测设备100也可以基于采用图像分割算法和采用色域检测算法获取的印章所在区域的图像,获取印章的背景图像;为方便说明,将通过图像分割算法获取的印章所在区域的图像称为第一图像,将通过色域检测算法获取的印章所在区域的图像称为第二图像。图像检测设备100可以将第一图像和第二图像进行整合,根据第一图像在待检测图像中的位置与第二图像在待检测图像中的位置,从待检测图像中截取覆盖第一图像与第二图像在待检测图像的区域的图像(为方便说明,简称为第三图像);图像检测设备100可以对第三图像进行灰度,生成第三图像的灰度图像,基于第三图像的灰度图像,区分印章所在区域中的印章、以及印章背景,生成印章的背景图像。
无论是对印章所在区域的图像进行灰度,还是对第三图像进行灰度,之后,图像检测设备100均需要通过灰度图像,区分印章所在区域的印章以及印章背景。
下面以进行灰度的图像为第三图像为例,对区分印章所在区域中的印章以及印象背景的方法进行说明。
图像检测设备100可以根据第三图像的灰度图像的灰度分布情况,对第三图像进行二值化操作,具体的,可以计算该第三图像的灰度图像的平均灰度,平均灰度可以表征对该第三图像灰度后,印章在第三图像的灰度图像中的平均灰度值,根据偏置值对第三图像的灰度图像中像素点划分区间;偏置值可以表征对该第三图像灰度后,印章在第三图像的灰度图像中的最大灰度值或最小灰度值与平均灰度的偏移量。示例性的,平均灰度可以为150,偏置值为30,130为对该第三图像灰度后,印章在第三图像的灰度图像中的平均灰度值,平均灰度150与偏置值30的差可以表征对该第三图像灰度后,印章在第三图像的灰度图像中的最小灰度值,最小灰度值为120,平均灰度120与偏置值30的差可以表征对该第三图像灰度后,印章在第三图像的灰度图像中的最大灰度值180;换句话说,对该第三图像灰度后,印章在第三图像的灰度图像中的灰度值取值范围在120到180之间,其余灰度值可以认为是非印章像素点的灰度值。对于其余灰度值中,像素点的灰度值较高表征该像素点的颜色较深,表征此处存在图像、文字、图形,可以认为是印章背景;像素点的灰度值较低表征该像素点的颜色较浅,表征此处空白。
对于第三图像的灰度图像中像素点的灰度值大于印章最大灰度值的像素点,将第三图像中相同位置的像素点的值赋值为1,表征此处为印章背景;第三图像剩余像素点的像素值的值赋值为0,表征此处空白或者为印章的像素点。第三图像进行二值化的图像即为印章的背景图像。
步骤204:图像检测设备100从印章所在区域的图像中去除印章的背景,生成印章图像。
图像检测设备100在获取印章的背景图像后,可以根据基于印章的背景图像,从步骤203中获取的印章所在区域的图像,确定印章所在区域的图像中为印章的背景,并进行去除。
若步骤203中获取的印章所在区域的图像,为直接根据印章所在区域的边界坐标截取的图像、图像检测设备100可以直接比对印章的背景图像与印章所在区域的图像中相同位置的像素点的值,从印章所在区域的图像中去除与印章的背影图像中非零像素点相同位置的像素点,去除了这些像素点的图像即为印章图像。
需要说明的是,由于在获取印章的背景图像时,采用了灰度以及对第三图像进行二值化的操作方式,可能会因为根据灰度值划分像素点区间时,偏置值的选择存在偏差,可能会忽略了部分印章背景,或将印章的部分区域当做印章背景,使得印章的背景图像并不能较为精确的表征印章背景,这里基于印章的背景图像获取的印章图像可能存在一些误差,但较原先的印章所在区域的图像,印章图像可以较为完整的、清晰的表征印章,包含少量的印章背景,甚至不包含印章背景。这样在后续基于印章图像与参考图像比对时,也可以获得更加准确的比对结果。
类似的,若步骤203中获取的印章所在区域图像为采用图像分割算法获取的第一图像、或采用色域检测算法获取的第二图像,也可以采用上述方式从印章所在区域的图像获取印章图像。
应需理解的是,由于在获取第一图像的过程中借助了基于深度学习的图像分割算法,而基于深度学习的图像分割算法若在训练时,训练集中的数据包括第二种数据,训练完成的图像分割算法能够对印章所在区域中印章被覆盖的部分进行恢复;例如,如图5所示,印章所在区域中的印章为检测章,该检测章被印章所在区域的一个图形A所覆盖,采用基于深度学习的图像分割算法,印章中被图形A所覆盖的部分还原,恢复到与标准印章相同或相似。也可能存在基于深度学习的图像分割算法对印章被覆盖的一些部分,不能进行恢复,这与基于深度学习的图像分割算法的训练精度有关。
但基于深度学习的图像算法可能存在过度恢复的情况,也就是说,若印章所在区域中的印章没有被覆盖的部分,基于深度学习的图像算法可能对印章进行过度补全;例如,如图6所示,印章所在区域的印章为检测章,检测章的外环存在一定的宽度,检测章的外环中有空白部分B,该空白部分B是标准印章就存在的,基于深度学习的图像算法可能会认证该空白部分B是印章被覆盖的部分,而将该空白部分B填充,这样提取的第一图像与标准印章存在差别。
而图像检测设备100通过色域检测算法获取第二图像时,提取了与印章相关的颜色的像素点;第二图像可以较好的表征除印章没有被覆盖的部分,对于印章被覆盖的部分的表征较差。
综上,第一图像和第二图像也可能存在一定的偏差,为了可以更加精确的获取印章图像,图像检测设备100可以基于印章的背景图像、第一图像以及第二图像,区分印章所在区域中印章未被覆盖的部分、以及印章被覆盖的部分,进而获取印章图像。由于印章的背景图像、第一图像以及第二图像均为二值化图像,在区分了印章所在区域中印章未被覆盖的部分、以及印章被覆盖的部分后,可以通过对印章像素点的像素值赋1,非印章像素点的像素值赋0的方式获取印章图像,这样,印章图像也为二值化图像。
示例性的,对于印章的背景图像、第一图像以及第二图像中相同位置的像素点,若印章的背景图像中该像素点的值为1(表明该像素点为印章的背景),第一图像中该像素点的值为1值(表明第一图像中指示该像素点为印章像素点),第二图像中该像素点的值为0(表明第二图像中指示该像素点不为印章像素点),也就是说,该像素点为印章被覆盖的部分,不属于印章背景,该像素点为印章像素点。若印章的背景图像中该像素点的值为0(表明该像素点不是印章的背景),第一图像中该像素点的值为1值(表明第一图像中指示该像素点为印章像素点),第二图像中该像素点的值为0(表明第二图像中指示该像素点不为印章像素点),也就是说第一图像中存在过度恢复的情况,该像素点并非印章像素点。若印章的背景图像中该像素点的值为0(表明该像素点不是印章的背景),第一图像中该像素点的值为0值(表明第一图像中指示该像素点不为印章像素点),第二图像中该像素点的值为1值(表明第二图像中指示该像素点为印章像素点),也就是说第一图像中没有较好的对该像素点进行恢复,该像素点为印章像素点。采用上述方式,图像检测设备100可以较好的区分出图像所在区域的印章像素点,进而可以通过第一图像和第二图像中获取印章图像。
步骤202~步骤204为图像检测设备100执行的印章图像提取操作。
步骤205:图像检测设备100获取印章图像后,可以与参考图像进行比对,确定印章图像与参考图像的相似程度。
本申请实施例并不限定参考图像的类型,参考图像可以是印章的标准图像,也就是印章的完整、且不存在印章背景的图像,如可以建立印章库,该印章库中包括一个和多个印章的标准图像,图像检测设备100可以印章图像与印章库中任一印章的标准图像进行比较,确定与印章图像相似度较大印章的标准图像。
参考图像也可以是图像检测设备100从其他图像中获取的另一个印章图像,例如,图像检测设备100需要比对图像1中印章与图像2中印章的相似程度,图像检测设备100将图像2中获取的印章图像作为参考图像,与图像1中的印章图像进行比对。图像检测设备100从图像2中获取的印章图像的方式本申请实施例并不限定,可以采用步骤201~204的步骤提取图像2中的印章图像,也可以采用其他方式。
通常,在文件上加盖印章时,印章的角度有一定的随机性,如图7所示,在待检测图像中的印章的中心线与水平线的夹角并不是九十度,大于九十度;而通过步骤202~204提取的印章图像中印章的中心线与水平线的夹角是与待检测图像中的是相同的。但若参考图像中的印章的中心线与水平线垂直,为比对印章图像与参考图像,需要对印章图像和参考图像进行转换,如旋转等,使得印章图像中印章的中心线与参考图像中印章的中心线是相重叠或相平行的,在印章图像中印章的中心线与参考图像中印章的中心线是相重叠或相平行的情况下,才可以较为准确的确定印章图像以及参考图像的相似程度。图7所示仅是以印章的中心线与水平线的夹角来衡量印章图像中印章以及参考图像中印章的角度为例进行说明,本申请实施例并不限定衡量印章图像中印章以及参考图像中印章的角度的方式,例如还可以通过印章的特定图形在印章中的位置来衡量印章图像中印章以及参考图像中印章的角度;如对于一些印章中存在固定的文字,如“公司”、“章”等,可以通过这些固定文字在印章图像以及参考图像中的位置来衡量印章图像中印章以及参考图像中印章,如图7所示,印章图像中的“章”位于印章图像的上方,参考图像中的“章”位于参考图像中的右侧,印章图像的印章与参考图像中的印章存在90度的角度差。
应需理解的是,如图7仅是示出了待检测图像中印章的一种呈现方式,除图7所示的呈现方式外,还可以其他呈现方式,如印章还可能存在形变。
在执行步骤205时,图像检测设备100可以先对印章图像进行旋转,旋转至与参考图像相同或相似的角度,之后,再基于旋转后的印章图像与参考图像进行比对。
可选的,图像检测设备100还可以对印章图像进行拉伸,保证目标对象的图像与参考图像大小一致。
图像检测设备100可以通过印章图像与参考图像中的特征点,确定印章图像中的印章与参考图像中印章之间的相对位置,基于印章图像与参考图像中的特征点,对印章图像进行旋转(对应印章图像和参考图像中印章的角度不一致,通过旋转使其角度一致或相似)以及拉伸(对应印章图像和参考图像中印章存在形变,通过拉伸使印章图像和参考图像中的印章形状一致或相似)。
本申请实施例中,并不限定图像检测设备100提取印章图像与参考图像中的特征点的方式,例如,可以采用尺度不变特征变换算法(scale-invariant feature transform,SIFT)、SURF(speeded up robust features)、ORB(ORiented Brief)、FAST(features fromaccelerated segment test)等算法。
在基于旋转后的印章图像与参考图像进行比对,可以分别比对旋转后的印章图像与参考图像差异,确定印章图像与参考图像的相似程度。
图像检测设备100可以通过比对旋转后的印章图像与参考图像主体结构、图像纹理、像素点、角度中的部分或全部,确定印章图像与参考图像的相似程度。
下面分别对主体结构、图像纹理、像素点以及角度差异,以及对应的比对方法进行说明:
一、主体结构。
主体结构为图像的结构特征,主体结构可以表征为图像的特征点之间的相对位置,以及比例大小等信息。
图像检测设备100在比对印章图像与参考图像的主体结构时,可以采用结构相似算法,本申请实施例并不限定结构相似算法的类型,结构相似算法包括但不限于离散余弦变换(discrete cosine transform,DCT)、感知哈希、结构相似性算法(structuralsimilarity index,SSIM)算法。将结构相似算法的输出值作为比对印章图像与参考图像的主体结构的结果值。
二、图像纹理。
图像纹理用于指示图像中的细节信息,图像中存在的波纹、曲线、折角等。
图像检测设备100可以提取印章的图像的特征点和参考图像的特征点,再通过印章图像的特征点与参考图像的特征点的匹配关系确定印章图像与参考图像的图像纹理差异。
印章图像的特征点之间的相对位置以及相对距离与参考图像的特征点之间的相对位置以及相对距离相同或相似,则可以认为印章图像的特征点与参考图像的特征点的匹配,否则,认为印章图像的特征点与参考图像的特征点的不匹配;可以通过印章图像的特征点与参考图像的特征点的匹配关系较好的特征点占总特征点(印章图像的特征点和参考图像的特征点的总和)的比例,作为印章图像与参考图像的图像纹理差异进行比对结果值,需要说明的是,上述方式仅是举例,本申请实施例并不限定表征印章图像与参考图像的图像纹理差异的方式。
本申请实施例中,并不限定图像检测设备100提取旋转后印章图像与参考图像中的特征点的方式,例如,可以采用SIFT、SURF、ORB、GIST等算法。
区别于主体结构种的图像特征点,比对印章图像与参考图像的图像纹理所提取的特征点为能够反映图像细节信息的特征点,如可以提取这两个图像中一些细小波纹、曲线上的特征点。而比对印章图像与参考图像的主体结构所提取的特征点为能够反映图像中整体结构的特征点。
三、像素点。
任一图像包括多个像素点,每个像素点有像素值,在比对旋转后的印章图像和参考图像时,可以通过比较这两个图像相同位置的像素点,确定这两个图像的相似程度。
像素点的比较方式有两种,下面分别进行说明。
1、绝对像素。
绝对像素是指旋转后的印章图像和参考图像相同位置的像素点的像素差值。
图像检测设备100可以计算旋转后印章图像和参考图像相同位置上两个像素点的像素差值,生成绝对差值图像,绝对差值图像上的一个像素点的像素值为印章的图像相同位置的像素点与参考图像相同位置的像素点的像素差值。根据绝对差值图像上的像素差值分布计算像素分布概率作为比对印章图像与参考图像的像素点的一个结果值。
由于印章图像为二值化图像,参考图像也为二值化图像,相应的,绝对差值图像同样为二值化图像,绝对差值图像的像素分布概率可以等于指示该绝对值图像中像素值为1的像素点所占的比例,比例越大,表明旋转后印章图像和参考图像的差异越大。
2、像素块。
图像检测设备100可以比对旋转后印章图像与参考图像中相同位置的像素块的差异,进而确定印章图像与参考图像的相似程度,像素块由相邻的多个像素点构成。
本申请实施例并不限定像素块的大小,不同大小的像素块,反映的旋转后印章图像与参考图像之间的差异信息也不同。例如,较小的像素块,可以反映旋转后印章图像与参考图像中细节的差异信息;较大的像素块,可以反映旋转后印章的图像与参考图像中整体结构的差异信息。
在进行像素块比较时,可以基于绝对差值图像,根据绝对差值图像中不同大小的像素块与像素阈值的大小关系,确定印章图像与参考图像的相似程度。
下面对像素块比较的执行过程进行介绍。
首先,划分像素块;将绝对像素图像分割成多个一级像素块(如4个像素点构成的像素块称为一级像素块),如图8所示,将相邻的4个像素点构成一个一级像素块(可以看做选取规则),以一个像素为步进距离,按照相同的选取规则,从绝对值图像中分割出其他一级像素块;计算一级像素块中像素值为1的像素点占总像素点的比例,作为该一级像素块的差异值。
之后,再将一级像素块组合成二级像素块(如二级像素块由4个相邻一级像素块构成,也就是包括16个像素点),本申请实施例不限定选取二级像素块的选取规则方式,可以以4个彼此相邻的一级像素块构成一个二级像素块,也可以是两两相邻的一级像素块构成一个二级像素块;如图9所示,将相邻的4个一级像素块构成一个二级像素块(可以看做选取规则),以两个像素为步进距离,按照相同的选取规则,从绝对值图像中分割出其他二级像素块;计算二级像素块中像素值为1的像素点占总像素点的比例,作为该二级像素块的差异值。
之后,可以采用类似的方式,将二级像素块组合成一个三级像素块,如图10所示,将相邻的4个二级像素块构成一个三级像素块(可以看做选取规则),以4个像素为步进距离,按照相同的选取规则,从绝对值图像中分割出其他三级像素块;计算二级像素块中像素值为1的像素点占总像素点的比例,作为该三级像素块的差异值。
类似的,还可以将多个三级像素块构成四级像素块。通过上述方式划分的同一等级像素块(如一级像素块、二级像素块、三级像素块或四级像素块等)需要覆盖绝对像素图像中像素点的像素值不为零的所有像素点。
上述截取各个不同大小像素块的方式仅是举例,本申请实施例并不限定;例如,可以采用其他选取规则,或步进距离选取不同大小的像素块。
以图9~图11的划分方式,一级像素块以及二级像素块可以表征印章图像和参考图像中印章上的文字、以及图形的细节差异;三级像素块以及四级像素块可以表征印章图像和参考图像中印章上的文字、以及图形的整体差异。
基于不同等级像素块的差异值,大于阈值的差异值中,选择像素块等级(像素块的大小)最大的差异值的最大值作为像素块比较的结果值。
四、角度。
虽然印章图像经过选择或拉伸之后,可以与参考图像保持相似角度或相似形状,但可能存在不完全一致的情况,图像检测设备100可以对比旋转后的印章图像与参考图像的角度差异,示例性的,图像检测设备100可以提取旋转后的印章图像与参考图像的特征点,计算进行旋转以及拉伸后的印章图像和参考图像的仿射变化矩阵,根据放射变化矩阵确定旋转以及拉伸后的印章图像和参考图像的角度差异。仿射变化矩阵用于指示将旋转后的印章图像与参考图像的特征点的角度差异。
图像检测设备100在进行了上述比对后,可以基于比对的结果值确定印章图像和参考图像的相似程度。图像检测设备100可以对上述进行图像特征比对的产生的多个结果值进行组合,确定印章图像和参考图像的相似程度。
下面以印章图像与参考图像的主体结构比对的结果值为SIM,印章图像与参考图像的图像特征点比对的结果值为ST,印章图像与参考图像的绝对像素的比对的结果值为ABS,印章图像与参考图像的像素块的比对的结果值为BK,旋转后印章图像与参考图像的角度比对的结果值为SF为例进行说明。
本申请实施例并不限定基于比对的结果值确定印章图像和参考图像的相似程度的具体方式,可以通过不同的公式呈现,下面列举其中两种:
第一、印章图像和参考图像的相似程度S可以通过如下公式确定:
第二、印章图像和参考图像的相似程度S可以通过如下公式确定:
其中,P=(1-ST)*(1-SF)
上述两种方式仅是举例说明,本申请实施例并不限定确通过印章图像和参考图像的主体结构、图像纹理以及像素点的比对的结果值确定印章图像和参考图像的相似程度的方式。图像检测设备100也可以只选择其中部分结果值确定印章图像和参考图像的相似程度。
例如,图像检测设备100可以通过SIM、ST、ABS、BK以及SF中的任一表征印章图像与参考图像的相似程度。
又例如,图像检测设备100可以通过旋转后印章图像与参考图像的主体结构以及绝对像素的比对结果值确定印章图像与参考图像的相似程度。
又例如,图像检测设备100可以通过旋转后印章图像与参考图像的主体结构以及图像纹理的比对结果值确定印章图像与参考图像的相似程度。
印章图像和参考图像的相似程度S可以通过如下公式确定:S=SIM*ST。
在上述说明中,印章图像和参考图像的相似程度S均是以乘积的形式表征,本申请实施例并不限定采用其他运算方式确定印章图像和参考图像的相似程度S。
基于与方法实施例同一发明构思,本申请实施例还提供了一种图像检测设备,用于执行上述方法实施例中图像检测设备执行的方法,相关特征可参见上述方法实施例,此处不再赘述,如图11所示,该装置包括定位单元1101、截取单元1102、获取单元1103、生成单元1104以及比对单元1105:
定位单元1101,用于定位待检测图像中目标对象所在区域。定位单元1101可用于执行如图2所示实施例中的步骤201。
截取单元1102,用于从待检测图中截取目标对象所在区域的图像。截取单元1102可用于执行如图2所示实施例中的步骤202。
获取单元1103,用于获取目标对象的背景图像,目标对象的背景图像为目标对象所在区域中除去目标对象的图像;获取单元1103可用于执行如图2所示实施例中的步骤203。
生成单元1104,用于从目标对象所在区域的图像中去除目标对象的背景,生成目标对象的图像;生成单元1104可用于执行如图2所示实施例中的步骤204。
比对单元1105,用于通过比对目标对象的图像与参考图像,确定目标对象的图像与参考图像的相似程度。比对单元1105可用于执行如图2所示实施例中的步骤205。
可选的,在待检测图像为黑白图像或彩色图像的情况下,定位单元1101在定位待检测图像中目标对象所在区域可以采用两种不同的方式定位目标对象所在区域,再综合两种方式定位的目标对象所在区域确定较为精确的目标对象所在区域。示例性的,定位单元1101可以通过目标检测算法检测待检测图像中的目标对象,定位待检测图中的第一区域,第一区域包括目标对象;定位单元1101还可以在待检测图像中检测待检测图像中的预设图形,待检测图像中预设图形所在区域为第二区域,预设图形为目标对象的边界形状;之后,定位单元1101综合第一区域、第二区域获取目标对象所在区域。
可选的,定位单元1101在综合第一区域以及第二区域确定目标对象所在区域时,可以对第一区域的边界以及第二区域的边界进行曲线拟合,确定目标对象所在区域的边界;并根据第一区域的中心坐标和第二区域的中心坐标确定目标对象所在区域的中心坐标。
可选的,定位单元1101在对第一区域的边界以及第二区域的边界进行曲线拟合,确定目标对象所在区域的边界时,可以根据预设的比例值对第一区域的边界以及第二区域的边界进行曲线拟合,第一区域以及第二区域中每个区域对应一个比例值。
定位单元1101根据第一区域的中心坐标和第二区域的中心坐标确定目标对象所在区域的中心坐标时,可以根据第一区域和第二区域中每个区域的中心坐标以及对应权重的乘积之和确定目标对象所在区域的中心坐标。
可选的,在待检测图像为彩色图像的情况下,定位单元1101在定位待检测图像中目标对象所在区域可以采用三种不同的方式定位目标对象所在区域,在综合三种方式定位的目标对象所在区域确定较为精确的目标对象所在区域。示例性的,定位单元1101可以通过目标检测算法检测待检测图像中的目标对象,定位待检测图像中的第一区域,第一区域包括目标对象;定位单元1101也可以在待检测图像中检测待检测图像中的预设图形,待检测图像中预设图形所在区域为第二区域,预设图形为目标对象的边界形状;定位单元1101还可以根据目标对象的颜色,从待检测图像中确定第三区域,第三区域的颜色为目标对象的颜色;之后,定位单元1101综合第一区域、第二区域以及第三区域获取标对象所在区域。
可选的,定位单元1101在综合第一区域、第二区域以及第三区域获取目标对象所在区域时,可以对第一区域的边界、第二区域的边界以及第三区域的边界进行曲线拟合,确定目标对象所在区域的边界;并根据第一区域的中心坐标、第二区域的中心坐标以及第三区域的中心坐标确定目标对象所在区域的中心坐标。
可选的,定位单元1101在对第一区域的边界、第二区域的边界以及第三区域的边界进行曲线拟合,确定目标对象所在区域的边界时,可以根据预设的比例值对第一区域的边界、第二区域的边界以及第三区域的边界进行曲线拟合,第一区域、第二区域以及第三区域中每个区域对应一个比例值。
定位单元1101根据第一区域的中心坐标、第二区域的中心坐标以及第三区域的中心坐标确定目标对象所在区域的中心坐标时,根据第一区域、第二区域以及第三区域中每个区域的中心坐标以及对应权重的乘积之和确定目标对象所在区域的中心坐标。
可选的,定位单元1101在综合第一区域、第二区域以及第三区域获取目标对象所在区域之前,可以执行剔除操作;示例性的,定位单元1101可以剔除第一区域、第二区域以及第三区域中满足预设条件的区域。
预设条件下列条件中的至少一个:
条件1、为区域面积小于标准值、区域包含在一个或多个其他区域;
条件2、区域面积小于标准值、区域包括在一个或多个其他区域。
可选的,定位单元1101在综合第一区域、第二区域确定目标对象所在区域之前,可以执行剔除操作;示例性的,定位单元1101可以剔除第一区域、第二区域中满足预设条件的区域。
预设条件下列条件中的至少一个:
条件1、为区域面积小于标准值、区域包含在一个或多个其他区域;
条件2、区域面积小于标准值、区域包括在一个或多个其他区域。
可选的,定位单元1101在综合第一区域、第二区域以及第三区域,获取目标对象所在区域时,可以执行分组操作;示例性的,定位单元1101可以计算第一区域、第二区域以及第三区域中相邻的两个区域之间的重叠率,将待检测图像中预设范围内,重叠率大于第一阈值的区域划分在一个组,在同一组中的任意两个区域的重叠率大于所述第一阈值;之后再综合属于同一组的第一区域、第二区域以及第三区域获取目标对象所在区域。
可选的,定位单元1101在综合第一区域、第二区域获取目标对象所在区域之前,可以执行分组操作;示例性的,定位单元1101可以计算第一区域和第二区域中相邻的两个区域之间的重叠率,将待检测图像中预设范围内,重叠率大于第一阈值的区域划分在一个组,在同一组中的任意两个区域的重叠率大于所述第一阈值;之后再综合属于同一组的第一区域和第二区域获取目标对象所在区域。
可选的,截取单元1102可以通过如下两种不同的方式截取目标对象所在区域的图像:
方式一、通过图像分割算法从待检测图像中分割出第一图像,第一图像包括目标对象。
方式二、从目标对象所在区域中提取第一颜色的像素点,根据第一颜色像素点获取第二图像,第一颜色为目标对象的颜色。
可选的,截取单元1102在通过图像分割算法从待检测图像中目标对象所在区域分割出第一图像,第一图像包括目标对象时,可以从待检测图像中截取第一矩形区域,第一矩形区域的中心与目标对象所在区域的中心重合,第一矩形区域包括目标对象所在区域;之后,将第一矩形区域作为图像分割算法的输入值,根据图像分割算法的输出值确定第一图像。
可选的,截取单元1102可以从目标对象所在区域中提取第一颜色的像素点,根据第一颜色的像素点获取第二图像,可以从待检测图像中截取包括目标对象所在区域的第二矩形区域,第二矩形区域的中心与目标对象所在区域的中心重合;并将第二矩形区域映射在色彩空间中,根据目标对象所在区域的边界去除第二矩形区域内目标对象所在区域之外的像素点,提取目标对象所在区域内第一颜色的像素点,获取第二图像。
可选的,获取单元1103在根据目标对象所在区域的图像,获取目标对象的背景图像时,可以根据第一图像与第二图像,从待检测图像中截取第三图像,第三图像包括第一图像和第二图像;之后,对第三图像进行灰度,获取第三图像的灰度图像;并基于第三图像的灰度图像的灰度分布情况,在目标对象所在区域区分目标对象以及目标对象的背景,提取目标对象的背景图像。
可选的,生成单元1104在从目标对象所在区域的图像中去除目标对象的背景,生成目标对象的图像时,可以比对目标对象的背景图像与目标对象所在区域的图像中相同位置的像素点的值,从目标对象所在区域的图像中去除与目标对象的背影图像中非零像素点相同位置的像素点,获取目标对象的图像。
可选的,比对单元1105在通过比对目标对象的图像与参考图像,确定目标对象的图像与参考图像的相似程度时,可以先通过匹配目标对象的图像的特征点与参考图像的特征点,对目标对象的图像进行旋转;之后,通过比对参考图像与旋转后的目标对象的图像的主体结构、图像纹理、像素点以及角度,确定目标对象的图像与参考图像的相似程度。
定位单元1101定位目标对象所在区域、截取单元1102截取目标对象所在区域的图像、获取单元1103获取目标对象的背景图像、生成单元1104生成目标对象的图像以及比对单元1105比对目标对象的图像和参考图像的具体实现,可以参考如图2所示的实施例中图像检测设备100定位印章所在区域、截取印章所在区域的图像、获取印章的背景图像、生成印章图像以及比对印章图像和参考图像的详细实现方式来实现。
需要说明的是,本申请实施例中对单元的划分是示意性的,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。在本申请的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,也可以采用软件功能单元的形式实现。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘(solid state drive,SSD)。
图12为本申请实施例提供的一种图像检测设备1200的示意图,如图12所示,图像检测设备1200包括处理器1201、存储器1202。可选的,图像检测设备1200还可以包括通信接口1203。其中,处理器1201、存储器1202和通信接口1203的个数并不构成对本申请实施例的限定,具体实施时,可以根据业务需求任意配置。
存储器1202可以是易失性存储器,例如随机存取存储器;存储器也可以是非易失性存储器,例如只读存储器,闪存,硬盘(hard disk drive,HDD)或固态硬盘(solid-statedrive,SSD)、或者存储器1202是其他可以存储计算机程序指令的介质。
本申请实施例中不限定上述处理器1201以及存储器1202之间的具体连接介质。
处理器1201可以为中央处埋器(central processing unit,CPU)、专用集成电路(application specific integrated circuit,ASIC)、现场可编程门阵列(fieldprogrammable gate array,FPGA)、人工智能(artificial intelligence,AI)芯片、片上系统(system on chip,SoC)或复杂可编程逻辑器件(complex programmable logic device,CPLD),图形处理器(graphics processing unit,GPU)等。
在如图12装置中,也可以设置独立的数据收发模块,例如通信接口1203,用于收发数据;处理器1201在与其他设备进行通信时,可以通过通信接口1203进行数据传输,如从访问设备300中接收指令,以及从采集设备100或数据服务器的数据库中获取待检测图像等。
当图像检测设备采用图12所示的形式时,图12中的处理器1201可以通过调用存储器1202中存储的计算机执行指令,使得图像检测设备可以执行如图2所示的实施例中的图像检测设备100执行的步骤201~205。
图11中的定位单元1101、截取单元1102、获取单元1103、生成单元1104以及比对单元1105的功能/实现过程均可以通过图12中的处理器1201调用存储器1202中存储的计算机执行指令来实现。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、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。
以上所述,仅为本发明的具体实施方式。熟悉本技术领域的技术人员根据本发明提供的具体实施方式,可想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (29)
1.一种图像检测方法,其特征在于,该方法包括:
定位待检测图像中目标对象所在区域;
从所述待检测图中截取所述目标对象所在区域的图像;
获取所述目标对象的背景图像,所述目标对象的背景图像为所述目标对象所在区域中除去所述目标对象的图像;
比对所述目标对象的背景图像与所述目标对象所在区域的图像中相同位置的像素点的值,从所述目标对象所在区域的图像中去除与所述目标对象的背影图像中非零像素点相同位置的像素点,获取所述目标对象的图像;
通过比对所述目标对象的图像与参考图像的主体结构、图像纹理、像素点、角度中的部分或全部,确定所述目标对象的图像与所述参考图像的相似程度。
2.如权利要求1所述的方法,其特征在于,所述定位待检测图像中目标对象所在区域,包括:
通过目标检测算法检测所述待检测图像中的目标对象,定位所述待检测图中的第一区域,所述第一区域包括所述目标对象;
在所述待检测图像中检测所述待检测图像中的预设图形,所述待检测图像中预设图形所在区域为第二区域,所述预设图形为所述目标对象的边界形状;
综合所述第一区域以及所述第二区域,获取所述目标对象所在区域。
3.如权利要求2所述的方法,其特征在于,所述综合所述第一区域以及所述第二区域,获取所述目标对象所在区域,包括:
对所述第一区域的边界以及所述第二区域的边界进行曲线拟合,确定所述目标对象所在区域的边界;
根据所述第一区域的中心坐标和所述第二区域的中心坐标确定所述目标对象所在区域的中心坐标。
4.如权利要求1所述的方法,其特征在于,所述定位待检测图像中目标对象所在区域,包括:
通过目标检测算法检测所述待检测图像中的目标对象,定位所述待检测图像中的第一区域,所述第一区域包括所述目标对象;
在所述待检测图像中检测所述待检测图像中的预设图形,所述待检测图像中预设图形所在区域为第二区域,所述预设图形为所述目标对象的边界形状;
根据所述目标对象的颜色,从所述待检测图像中确定第三区域,所述第三区域的颜色为所述目标对象的颜色;
综合所述第一区域、所述第二区域以及所述第三区域,获取所述目标对象所在区域。
5.如权利要求4所述的方法,其特征在于,所述综合所述第一区域、所述第二区域以及所述第三区域,获取所述目标对象所在区域,包括:
对所述第一区域的边界、所述第二区域的边界以及所述第三区域的边界进行曲线拟合,确定所述目标对象所在区域的边界;
根据所述第一区域的中心坐标、所述第二区域的中心坐标以及所述第三区域的中心坐标确定所述目标对象所在区域的中心坐标。
6.如权利要求2所述的方法,其特征在于,所述综合所述第一区域以及所述第二区域,获取所述目标对象所在区域之前,包括:
剔除所述第一区域以及所述第二区域中满足预设条件的区域,所述预设条件为下列至少一项:
区域面积小于标准值、区域包含在一个或多个其他区域;
区域面积大于所述标准值、区域包括在一个或多个其他区域。
7.如权利要求4所述的方法,其特征在于,所述综合所述第一区域、所述第二区域以及所述第三区域,获取所述目标对象所在区域之前,包括:
剔除所述第一区域、所述第二区域以及所述第三区域中满足预设条件的区域,所述预设条件为下列至少一项:
区域面积小于标准值、区域包含在一个或多个其他区域;
区域面积大于所述标准值、区域包括在一个或多个其他区域。
8.如权利要求2或6中所述的方法,其特征在于,所述综合所述第一区域以及所述第二区域,获取所述目标对象所在区域,具体包括:
计算所述第一区域以及所述第二区域中相邻的两个区域之间的重叠率,将所述待检测图像中预设范围内,重叠率大于第一阈值的区域划分在一个组,在同一组中的任意两个区域的重叠率大于所述第一阈值;
综合属于同一组的所述第一区域以及所述第二区域,获取所述目标对象所在区域。
9.如权利要求4或7中所述的方法,其特征在于,所述综合所述第一区域、所述第二区域以及所述第三区域,获取所述目标对象所在区域,具体包括:
计算所述第一区域、所述第二区域以及所述第三区域中相邻的两个区域之间的重叠率,将所述待检测图像中预设范围内,重叠率大于第一阈值的区域划分在一个组,在同一组中的任意两个区域的重叠率大于所述第一阈值;
综合属于同一组的所述第一区域、所述第二区域以及所述第三区域,获取所述目标对象所在区域。
10.如权利要求1、2、4中任一所述的方法,其特征在于,所述从所述待检测图像中截取所述目标对象所在区域的图像,包括:
通过图像分割算法从所述待检测图像中所述目标对象所在区域分割出第一图像,所述第一图像包括所述目标对象;或
从所述目标对象所在区域中提取第一颜色的像素点,根据所述第一颜色的像素点获取第二图像,所述第一颜色为所述目标对象的颜色。
11.如权利要求10所述的方法,其特征在于,所述通过图像分割算法从所述待检测图像中所述目标对象所在区域分割出第一图像,包括:
从所述待检测图像中截取第一矩形区域,所述第一矩形区域的中心与所述目标对象所在区域的中心重合,所述第一矩形区域包括所述目标对象所在区域;
将所述第一矩形区域作为图像分割算法的输入值,根据图像分割算法的输出值确定所述第一图像。
12.如权利要求10所述的方法,其特征在于,所述从所述目标对象所在区域中提取第一颜色的像素点,根据所述第一颜色的像素点获取第二图像,包括:
从所述待检测图像中截取包括所述目标对象所在区域的第二矩形区域,所述第二矩形区域的中心与所述目标对象所在区域的中心重合;
将所述第二矩形区域映射在色彩空间中,根据所述目标对象所在区域的边界去除所述第二矩形区域内所述目标对象所在区域之外的像素点,提取所述目标对象所在区域内所述第一颜色的像素点,获取所述第二图像。
13.如权利要求10所述的方法,其特征在于,所述获取所述目标对象的背景图像,包括:
根据所述第一图像与所述第二图像,从所述待检测图像中截取第三图像,所述第三图像覆盖所述第一图像和所述第二图像在所述待检测图像中的区域;
对所述第三图像进行灰度,获取所述第三图像的灰度图像;
基于所述第三图像的灰度图像的灰度分布情况,在所述目标对象所在区域区分所述目标对象以及所述目标对象的背景,以提取所述目标对象的背景图像。
14.如权利要求1所述的方法,其特征在于,所述通过比对所述目标对象的图像与参考图像,确定所述目标对象的图像与所述参考图像的相似程度,包括:
通过匹配所述目标对象的图像的特征点与所述参考图像的特征点,对所述目标对象的图像进行旋转;
通过比对所述参考图像与旋转后的所述目标对象的图像的主体结构、图像纹理、像素点以及角度中的至少其中一个,确定所述目标对象的图像与所述参考图像的相似程度。
15.一种图像检测设备,其特征在于,该图像检测设备包括处理器和存储器:
所述存储器,用于存储计算机程序指令;
所述处理器,用于调用所述存储器存储的计算机程序指令,执行:
定位待检测图像中目标对象所在区域;
从所述待检测图中截取所述目标对象所在区域的图像;
获取所述目标对象的背景图像,所述目标对象的背景图像为所述目标对象所在区域中除去所述目标对象的图像;
比对所述目标对象的背景图像与所述目标对象所在区域的图像中相同位置的像素点的值,从所述目标对象所在区域的图像中去除与所述目标对象的背影图像中非零像素点相同位置的像素点,获取所述目标对象的图像;
通过比对所述目标对象的图像与参考图像的主体结构、图像纹理、像素点、角度中的部分或全部,确定所述目标对象的图像与所述参考图像的相似程度。
16.如权利要求15所述的图像检测设备,其特征在于,所述处理器,具体用于:
通过目标检测算法检测所述待检测图像中的目标对象,定位所述待检测图像中的第一区域,所述第一区域包括所述目标对象;
在所述待检测图像中检测所述待检测图像中的预设图形,所述待检测图像中预设图形所在区域为第二区域,所述预设图形为所述目标对象的边界形状;
综合所述第一区域以及所述第二区域,获取所述目标对象所在区域。
17.如权利要求16所述的图像检测设备,其特征在于,所述处理器在综合所述第一区域以及所述第二区域,获取所述目标对象所在区域,具体用于:
对所述第一区域的边界以及所述第二区域的边界进行曲线拟合,确定所述目标对象所在区域的边界;
根据所述第一区域的中心坐标和所述第二区域的中心坐标确定所述目标对象所在区域的中心坐标。
18.如权利要求15所述的图像检测设备,其特征在于,所述处理器,具体用于:
通过目标检测算法检测所述待检测图像中的目标对象,定位所述待检测图中的第一区域,所述第一区域包括所述目标对象;
在所述待检测图像中检测所述待检测图像中的预设图形,所述待检测图像中预设图形所在区域为第二区域,所述预设图形为所述目标对象的边界形状;
根据所述目标对象的颜色,从所述待检测图像中确定第三区域,所述第三区域的颜色为所述目标对象的颜色;
综合所述第一区域、所述第二区域以及所述第三区域,获取所述目标对象所在区域。
19.如权利要求18所述的图像检测设备,其特征在于,所述处理器在综合所述第一区域、所述第二区域以及所述第三区域,获取所述目标对象所在区域,具体用于:
对所述第一区域的边界、所述第二区域的边界以及所述第三区域的边界进行曲线拟合,确定所述目标对象所在区域的边界;
根据所述第一区域的中心坐标、所述第二区域的中心坐标以及所述第三区域的中心坐标确定所述目标对象所在区域的中心坐标。
20.如权利要求16或17所述的图像检测设备,其特征在于,所述处理器,还用于:
剔除所述第一区域以及所述第二区域中满足预设条件的区域,所述预设条件为下列至少一项:
区域面积小于标准值、区域包含在一个或多个其他区域;
区域面积大于所述标准值、区域包括在一个或多个其他区域。
21.如权利要求18或19所述的图像检测设备,其特征在于,所述处理器,还用于:
剔除所述第一区域、所述第二区域以及所述第三区域中满足预设条件的区域,所述预设条件为下列至少一项:
区域面积小于标准值、区域包含在一个或多个其他区域;
区域面积大于所述标准值、区域包括在一个或多个其他区域。
22.如权利要求16或17所述的图像检测设备,其特征在于,所述处理器,具体用于:
计算所述第一区域、所述第二区域中相邻的两个区域之间的重叠率,将所述待检测图像中预设范围内,重叠率大于第一阈值的区域划分在一个组,在同一组中的任意两个区域的重叠率大于所述第一阈值;
综合属于同一组的所述第一区域以及所述第二区域,获取所述目标对象所在区域。
23.如权利要求18或19所述的图像检测设备,其特征在于,所述处理器,具体用于:
计算所述第一区域、所述第二区域以及所述第三区域中相邻的两个区域之间的重叠率,将所述待检测图像中预设范围内,重叠率大于第一阈值的区域划分在一个组,在同一组中的任意两个区域的重叠率大于所述第一阈值;
综合属于同一组的所述第一区域、所述第二区域以及所述第三区域,获取所述目标对象所在区域。
24.如权利要求15、16、18中任一所述的图像检测设备,其特征在于,所述处理器,具体用于:
通过图像分割算法从所述待检测图像中所述目标对象所在区域分割出第一图像,所述第一图像包括所述目标对象;或
从所述目标对象所在区域中提取第一颜色的像素点,根据所述第一颜色的像素点获取第二图像,所述第一颜色为所述目标对象的颜色。
25.如权利要求24所述的图像检测设备,其特征在于,所述处理器在通过图像分割算法从所述待检测图像中所述目标对象所在区域分割出第一图像,具体用于:
从所述待检测图像中截取第一矩形区域,所述第一矩形区域的中心与所述目标对象所在区域的中心重合,所述第一矩形区域包括所述目标对象所在区域;
将所述第一矩形区域作为图像分割算法的输入值,根据图像分割算法的输出值确定所述第一图像。
26.如权利要求24所述的图像检测设备,其特征在于,所述处理器在从所述目标对象所在区域中提取第一颜色的像素点,根据所述第一颜色的像素点获取第二图像,具体用于:
从所述待检测图像中截取包括所述目标对象所在区域的第二矩形区域,所述第二矩形区域的中心与所述目标对象所在区域的中心重合;
将所述第二矩形区域映射在色彩空间中,根据所述目标对象所在区域的边界去除所述第二矩形区域内目标对象所在区域之外的像素点,提取所述目标对象所在区域内所述第一颜色的像素点,获取所述第二图像。
27.如权利要求24所述的图像检测设备,其特征在于,所述处理器在获取所述目标对象的背景图像,具体用于:
根据所述第一图像与所述第二图像,从所述待检测图像中截取第三图像,所述第三图像覆盖所述第一图像和所述第二图像在所述待检测图像中的区域;
对所述第三图像进行灰度,获取所述第三图像的灰度图像;
基于所述第三图像的灰度图像的灰度分布情况,在所述目标对象所在区域区分所述目标对象以及所述目标对象的背景,提取所述目标对象的背景图像。
28.如权利要求15所述的图像检测设备,其特征在于,所述处理器,具体用于:
通过匹配所述目标对象的图像的特征点与所述参考图像的特征点,对所述目标对象的图像进行旋转;
通过比对所述参考图像与旋转后的所述目标对象的图像的主体结构、图像纹理、像素点以及角度中的至少其中一个,确定所述目标对象的图像与所述参考图像的相似程度。
29.一种图像检测系统,其特征在于,该系统包括如权利要求15~28任一所述的图像检测设备,该系统还包括采集设备和访问设备,所述采集设备用于采集所述待检测图像,将所述待检测图像发送至所述图像检测设备,所述访问设备用于向所述图像检测设备发送指令,所述指令用于指示所述图像检测设备检测所述待检测图像中的目标对象。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910581381.XA CN110472623B (zh) | 2019-06-29 | 2019-06-29 | 图像检测方法、设备以及系统 |
PCT/CN2020/094997 WO2021000702A1 (zh) | 2019-06-29 | 2020-06-08 | 图像检测方法、设备以及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910581381.XA CN110472623B (zh) | 2019-06-29 | 2019-06-29 | 图像检测方法、设备以及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110472623A CN110472623A (zh) | 2019-11-19 |
CN110472623B true CN110472623B (zh) | 2022-08-09 |
Family
ID=68507430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910581381.XA Active CN110472623B (zh) | 2019-06-29 | 2019-06-29 | 图像检测方法、设备以及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110472623B (zh) |
WO (1) | WO2021000702A1 (zh) |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472623B (zh) * | 2019-06-29 | 2022-08-09 | 华为技术有限公司 | 图像检测方法、设备以及系统 |
CN111027415B (zh) * | 2019-11-21 | 2022-08-05 | 杭州凌像科技有限公司 | 一种基于偏振图像的车辆检测方法 |
CN110991374B (zh) * | 2019-12-10 | 2023-04-04 | 电子科技大学 | 一种基于rcnn的指纹奇异点检测方法 |
CN111147862B (zh) * | 2020-01-03 | 2021-02-23 | 南京大学 | 一种基于目标编码的端到端图像压缩方法 |
CN111382726B (zh) * | 2020-04-01 | 2023-09-01 | 浙江大华技术股份有限公司 | 工程作业检测方法以及相关装置 |
CN111694796B (zh) * | 2020-05-29 | 2024-09-10 | 平安银行股份有限公司 | 识别扫描文件信息的方法、装置、计算机设备和存储介质 |
CN113763402A (zh) * | 2020-06-04 | 2021-12-07 | Oppo(重庆)智能科技有限公司 | 一种检测方法、检测装置、电子设备和存储介质 |
CN111696154B (zh) * | 2020-06-16 | 2023-06-13 | 北京惠朗时代科技有限公司 | 坐标定位方法、装置、设备及存储介质 |
CN112784900A (zh) * | 2021-01-22 | 2021-05-11 | 深圳壹账通智能科技有限公司 | 图像目标对比方法、装置、计算机设备及可读存储介质 |
CN113762315A (zh) * | 2021-02-04 | 2021-12-07 | 北京京东振世信息技术有限公司 | 图像检测方法、装置、电子设备和计算机可读介质 |
CN113033550B (zh) * | 2021-03-15 | 2022-04-15 | 合肥联宝信息技术有限公司 | 一种图像的检测方法、装置及计算机可读介质 |
CN112966639B (zh) * | 2021-03-22 | 2024-04-26 | 新疆爱华盈通信息技术有限公司 | 车辆检测方法、装置、电子设备及存储介质 |
CN113269197B (zh) * | 2021-04-25 | 2024-03-08 | 南京三百云信息科技有限公司 | 基于语义分割的证件图像顶点坐标回归系统和识别方法 |
CN113221754A (zh) * | 2021-05-14 | 2021-08-06 | 深圳前海百递网络有限公司 | 快递单图像检测方法、装置、计算机设备和存储介质 |
CN113191985B (zh) * | 2021-05-24 | 2024-05-28 | 北京美医医学技术研究院有限公司 | 一种基于红外激光的智能祛斑系统 |
CN113688795A (zh) * | 2021-09-27 | 2021-11-23 | 上海合合信息科技股份有限公司 | 一种将图像中表格转换为电子表格的方法及装置 |
CN113870439A (zh) * | 2021-09-29 | 2021-12-31 | 北京百度网讯科技有限公司 | 用于处理图像的方法、装置、设备以及存储介质 |
CN113989481A (zh) * | 2021-10-26 | 2022-01-28 | 深圳前海环融联易信息科技服务有限公司 | 一种合同文本图像印章检测和去除方法 |
CN113965729B (zh) * | 2021-10-29 | 2023-12-26 | 深圳供电局有限公司 | 一种区域安全监控系统及方法 |
CN113935997B (zh) * | 2021-12-16 | 2022-03-04 | 深圳致星科技有限公司 | 用于料件检测的图像处理方法、存储介质及图像处理装置 |
CN113989510B (zh) * | 2021-12-28 | 2022-03-11 | 深圳市万物云科技有限公司 | 一种河道排水口溢流检测方法、装置及相关设备 |
CN114021099B (zh) * | 2022-01-06 | 2022-03-25 | 北科信链(武汉)数字科技有限公司 | 一种基于指纹与印章的验证方法及装置 |
CN114596336A (zh) * | 2022-03-03 | 2022-06-07 | 中国科学院微电子研究所 | 基于YOLOv3的复杂场景激光跟踪仪靶球球心定位方法及装置 |
CN114972344B (zh) * | 2022-07-29 | 2022-10-04 | 山东聊城中泰表业有限公司 | 一种用于手表零配件的生产质量缺陷检测方法 |
CN115334239B (zh) * | 2022-08-10 | 2023-12-15 | 青岛海信移动通信技术有限公司 | 前后摄像头拍照融合的方法、终端设备和存储介质 |
CN115830719B (zh) * | 2023-02-16 | 2023-04-28 | 青岛旭华建设集团有限公司 | 基于图像处理的建筑工地危险行为识别方法 |
CN117935296B (zh) * | 2024-02-06 | 2024-06-04 | 广东度才子集团有限公司 | 一种就业质量报告生成系统 |
CN118247523B (zh) * | 2024-05-29 | 2024-09-24 | 常州星宇车灯股份有限公司 | 一种基于交叠面积变化的汽车近光光型特征点的检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651860A (zh) * | 2016-11-02 | 2017-05-10 | 帝麦克斯(苏州)医疗科技有限公司 | 一种图像分割方法及装置 |
CN106874901A (zh) * | 2017-01-17 | 2017-06-20 | 北京智元未来科技有限公司 | 一种行驶证识别方法及装置 |
CN107154040A (zh) * | 2017-05-08 | 2017-09-12 | 重庆邮电大学 | 一种隧道衬砌表面图像裂缝检测方法 |
CN107610320A (zh) * | 2017-09-06 | 2018-01-19 | 深圳怡化电脑股份有限公司 | 一种票据识别方法和装置 |
CN109410220A (zh) * | 2018-10-16 | 2019-03-01 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、计算机设备及存储介质 |
CN109447068A (zh) * | 2018-10-26 | 2019-03-08 | 信雅达系统工程股份有限公司 | 一种从图像中分离印章并校准印章的方法 |
CN109740395A (zh) * | 2018-12-17 | 2019-05-10 | 江苏理工学院 | 深度学习与形状检测相结合的二维码定位方法及系统 |
CN109766828A (zh) * | 2019-01-08 | 2019-05-17 | 重庆同济同枥信息技术有限公司 | 一种车辆目标分割方法、装置及通信设备 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100568264C (zh) * | 2007-01-18 | 2009-12-09 | 章毅 | 印章鉴别控制方法 |
CN106056532B (zh) * | 2016-05-20 | 2020-04-07 | 深圳市奥拓电子股份有限公司 | 一种去除背景图像的方法和装置 |
CN108197642B (zh) * | 2017-12-25 | 2021-11-30 | 山东浪潮云服务信息科技有限公司 | 一种印章鉴别方法及装置 |
CN108596197B (zh) * | 2018-05-15 | 2020-08-25 | 汉王科技股份有限公司 | 一种印章匹配方法及装置 |
CN108921158A (zh) * | 2018-06-14 | 2018-11-30 | 众安信息技术服务有限公司 | 图像校正方法、装置及计算机可读存储介质 |
CN109635818B (zh) * | 2018-10-26 | 2024-09-27 | 平安科技(深圳)有限公司 | 印章防伪检验方法、装置及计算机可读存储介质 |
CN109670500B (zh) * | 2018-11-30 | 2024-06-28 | 平安科技(深圳)有限公司 | 一种文字区域获取方法、装置、存储介质及终端设备 |
CN110472623B (zh) * | 2019-06-29 | 2022-08-09 | 华为技术有限公司 | 图像检测方法、设备以及系统 |
-
2019
- 2019-06-29 CN CN201910581381.XA patent/CN110472623B/zh active Active
-
2020
- 2020-06-08 WO PCT/CN2020/094997 patent/WO2021000702A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651860A (zh) * | 2016-11-02 | 2017-05-10 | 帝麦克斯(苏州)医疗科技有限公司 | 一种图像分割方法及装置 |
CN106874901A (zh) * | 2017-01-17 | 2017-06-20 | 北京智元未来科技有限公司 | 一种行驶证识别方法及装置 |
CN107154040A (zh) * | 2017-05-08 | 2017-09-12 | 重庆邮电大学 | 一种隧道衬砌表面图像裂缝检测方法 |
CN107610320A (zh) * | 2017-09-06 | 2018-01-19 | 深圳怡化电脑股份有限公司 | 一种票据识别方法和装置 |
CN109410220A (zh) * | 2018-10-16 | 2019-03-01 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、计算机设备及存储介质 |
CN109447068A (zh) * | 2018-10-26 | 2019-03-08 | 信雅达系统工程股份有限公司 | 一种从图像中分离印章并校准印章的方法 |
CN109740395A (zh) * | 2018-12-17 | 2019-05-10 | 江苏理工学院 | 深度学习与形状检测相结合的二维码定位方法及系统 |
CN109766828A (zh) * | 2019-01-08 | 2019-05-17 | 重庆同济同枥信息技术有限公司 | 一种车辆目标分割方法、装置及通信设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2021000702A1 (zh) | 2021-01-07 |
CN110472623A (zh) | 2019-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472623B (zh) | 图像检测方法、设备以及系统 | |
US11443133B2 (en) | Computer vision system for industrial equipment gauge digitization and alarms | |
US20210366124A1 (en) | Graphical fiducial marker identification | |
CN104778721B (zh) | 一种双目图像中显著性目标的距离测量方法 | |
US9245345B2 (en) | Device for generating three dimensional feature data, method for generating three-dimensional feature data, and recording medium on which program for generating three-dimensional feature data is recorded | |
US8666170B2 (en) | Computer system and method of matching for images and graphs | |
CN111178355B (zh) | 印章识别方法、装置和存储介质 | |
CN109635783A (zh) | 视频监控方法、装置、终端和介质 | |
US20080089577A1 (en) | Feature extraction from stereo imagery | |
CN110909640A (zh) | 水位线的确定方法及装置、存储介质、电子装置 | |
US20210027055A1 (en) | Methods and Systems for Identifying Topographic Features | |
CN113436080B (zh) | 印章图像的处理方法、装置、设备及存储介质 | |
CN111680704B (zh) | 海洋红线新增人类活动斑块自动化快速提取方法和装置 | |
CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN109658523A (zh) | 利用ar增强现实应用实现车辆各功能使用说明的方法 | |
JP2008242508A (ja) | 特定領域自動抽出システム、特定領域自動抽出方法、および、プログラム | |
CN115131363A (zh) | 基于语义信息的定位方法、装置和终端设备 | |
CN109635679B (zh) | 一种实时的靶纸定位及环线识别方法 | |
Kim et al. | Tree and building detection in dense urban environments using automated processing of IKONOS image and LiDAR data | |
CN116883664A (zh) | 遥感影像分割方法、装置、设备和计算机可读存储介质 | |
CN114742876B (zh) | 一种土地视觉立体测量方法 | |
Stötzner et al. | CNN based Cuneiform Sign Detection Learned from Annotated 3D Renderings and Mapped Photographs with Illumination Augmentation | |
KR101357581B1 (ko) | 깊이 정보 기반 사람의 피부 영역 검출 방법 | |
Jiao et al. | Individual Building Rooftop and Tree Crown Segmentation from High‐Resolution Urban Aerial Optical Images | |
Li et al. | Low-cost 3D building modeling via image processing |
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 |