CN110610202A - 一种图像处理方法及电子设备 - Google Patents
一种图像处理方法及电子设备 Download PDFInfo
- Publication number
- CN110610202A CN110610202A CN201910818430.7A CN201910818430A CN110610202A CN 110610202 A CN110610202 A CN 110610202A CN 201910818430 A CN201910818430 A CN 201910818430A CN 110610202 A CN110610202 A CN 110610202A
- Authority
- CN
- China
- Prior art keywords
- frame
- image
- detection
- search
- reference frame
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种图像处理方法及电子设备,其中,所述方法包括:确定图像集合中的参考帧和搜索帧;所述参考帧和所述搜索帧为所述图像集合中不同的图像帧;检测所述参考帧中的包括目标对象的检测框与所述搜索帧中对应区域的包括目标对象的检测框的第一重叠度,以及所述参考帧中的检测框对应区域的图像与所述搜索帧中对应所述参考帧中的检测框的区域的图像的相似度;根据所述第一重叠度和所述相似度确定所述搜索帧中对应所述参考帧中的检测框的区域是否包括有所述目标对象。
Description
技术领域
本申请涉及计算机技术,尤其涉及一种图像处理方法及电子设备。
背景技术
在识别图像中的某一个对象时,可通过卷积神经网络对图像中的对象进行检测。目前,在卷积神经网络输出检测结果后,无法确定输出的检测结果中是否存在被漏检的检测结果,无法对漏检结果进行召回。
发明内容
本申请实施例提供了一种图像处理方法及电子设备。
一方面,本申请实施例提供的图像处理方法,包括:
确定图像集合中的参考帧和搜索帧;所述参考帧和所述搜索帧为所述图像集合中不同的图像帧;
检测所述参考帧中的包括目标对象的检测框与所述搜索帧中对应区域的包括目标对象的检测框的第一重叠度,以及所述参考帧中的检测框对应区域的图像与所述搜索帧中对应所述参考帧中的检测框的区域的图像的相似度;
根据所述第一重叠度和所述相似度确定所述搜索帧中对应所述参考帧中的检测框的区域是否包括有所述目标对象。
一方面,本申请实施例提供一种电子设备,包括:
确定单元,用于确定图像集合中的参考帧和搜索帧;所述参考帧和所述搜索帧为所述图像集合中不同的图像帧;
检测单元,用于检测所述参考帧中的包括目标对象的检测框与所述搜索帧中对应区域的包括目标对象的检测框的第一重叠度,以及所述参考帧中的检测框对应区域的图像与所述搜索帧中对应所述参考帧中的检测框的区域的图像的相似度;
判断单元,用于根据所述第一重叠度和所述相似度确定所述搜索帧中对应所述参考帧中的检测框的区域是否包括有所述目标对象。
一方面,本申请实施例提供一种电子设备,包括:处理器和用于存储能够在处理器上运行的计算机程序的存储器,其中,所述处理器用于运行所述计算机程序时,执行上述的图像处理方法的步骤。
一方面,本申请实施例提供一种存储介质,所述存储介质上存储有图像处理程序,所述图像处理程序被处理器执行时实现上述的图像处理方法的步骤。
本申请实施例中,以图像集合中的不同图像帧分别作为参考帧和搜索帧,确定参考帧中包括目标对象的检测框与搜索帧中对应区域的检测框的第一重叠度,以及参考帧中该检测框的图像与搜索帧中对应区域的图像的相似度,以确定搜索框中对应区域是否存在目标对象,从而确定搜索框中对应参考帧的检测框区域的区域是否为实际包括目标对象而未检测出的漏检区域;如此,通过参考帧中的检测框召回漏检区域,提高图像识别的召回率。
附图说明
图1为本申请实施例图像处理方法的一种可选的实现流程示意图;
图2A为本申请实施例的一种可选的图像帧示意图;
图2B为本申请实施例的一种可选的检测框示意图;
图3A为本申请实施例的一种可选的参考帧检测框示意图;
图3B为本申请实施例的一种可选的搜索帧检测框示意图;
图3C为本申请实施例的一种可选的检测框映射效果示意图;
图4为本申请实施例检测框的交集示意图;
图5为本申请实施例图像处理方法的一种可选的实现流程示意图;
图6为本申请实施例图像处理方法的一种可选的实现流程示意图;
图7为本申请实施例的一种可选的分割区域示意图;
图8A为本申请实施例的一种可选的分割区域示意图;
图8B为本申请实施例的一种可选的分割框示意图;
图8C为本申请实施例的一种可选的合并的检测框示意图;
图9为本申请实施例图像处理方法的一种可选的实现流程示意图;
图10为本申请实施例电子设备的一种可选的结构示意图;
图11为本申请实施例电子设备的一种可选的结构示意图。
具体实施方式
以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所提供的实施例仅仅用以解释本申请,并不用于限定本申请。另外,以下所提供的实施例是用于实施本申请的部分实施例,而非提供实施本申请的全部实施例,在不冲突的情况下,本申请实施例记载的技术方案可以任意组合的方式实施。
在本申请的各种实施例中,确定图像集合中的参考帧和搜索帧;所述参考帧和所述搜索帧为所述图像集合中不同的图像帧;检测所述参考帧中的包括目标对象的检测框与所述搜索帧中对应区域的包括目标对象的检测框的第一重叠度,以及所述参考帧中的检测框对应区域的图像与所述搜索帧中对应所述参考帧中的检测框的区域的图像的相似度;根据所述第一重叠度和所述相似度确定所述搜索帧中对应所述参考帧中的检测框的区域是否包括有所述目标对象。
本申请实施例提供一种图像处理方法,该方法应用于电子设备,电子设备中的各功能模块可以由设备(如终端设备、服务器或服务器集群)的硬件资源,如处理器等计算资源、通信资源(如用于支持实现光缆、蜂窝等各种方式通信)协同实现。
电子设备可以是任何具有信息处理能力的设备,在一种实施例中,电子设备可以是智能终端,例如可以是笔记本等具有无线通信能力的移动终端、AR/VR设备。在另一种实施例中,电子设备还可以是不便移动的具有计算功能的终端设备,比如台式计算机、桌面电脑、服务器等。
当然,本申请实施例不局限于提供为方法和硬件,还可有多种实现方式,例如提供为存储介质(存储有用于执行本申请实施例提供的图像处理方法的指令)。
图1为本申请实施例提供的一种图像处理方法的一种可选地的实现流程示意图,如图1所示,该图像处理方法包括:
S101、确定图像集合中的参考帧和搜索帧。
电子设备中可安装有图像处理应用程序,图像处理应用程序具有图像显示、图像删除、图像查询、图像参数显示、图像参数查询、图像识别、图像分割等与图像处理相关的功能。
针对包括同一目标对象的显示内容的多张图像帧,构成一图像集合,且各图像帧为针对显示内容采集的图像。比如:图像集合中的多张图像帧为针对同一疑似患有脑部肿瘤的用户的头部的多张计算机断层扫描(Computed Tomography,CT)图像。
电子设备对图像集合中的每一图像帧进行目标对象的识别,得到图像帧中标注目标对象的检测框。其中,目标对象可以为特定的对象,例如,多个人中的一个人,也可以是一类对象,例如,男性、女性、某个身体器官、某个身体器官上的肿瘤等。
进行检测框标注以前的图像集合可以封装的视频、视频流或图像集等格式将不同的图像帧进行关联。电子设备可将未标注检测框的图像集合输入用于对目标对象进行识别的检测模型中,检测模型输出输入的图像集合中各图像帧的目标对象所在的区域的位置,并以检测框的形式进行标注。
在本申请实施例中,可通过包括目标对象的图像样本以及对应的图像位置对检测模型进行训练,得到具有高准确率的能够识别图像中的目标对象所在的位置的检测模型。
在一示例中,当未标注检测框的图像帧为图2A所述的CT图像,且目标对象为201所示的肿瘤,通过检测框202对肿瘤201进行标注的图像帧可如图2B所示。需要说明的是,在图2B所示的图像帧中,仅示出一个检测框,在实际应用中,图像帧中的检测框的个数不进行任何限制。
这里,从图像集合中选取参考帧和搜索帧,所述参考帧和所述搜索帧为所述图像集合中不同的图像帧。比如:图像集合中的检测图像包括:图像帧1至图像帧10时,可将图像帧1作为参考帧,分别将图像帧2至图像帧10作为不同的搜索帧,也可将图像帧5作为参考帧,分别将图像帧1至图像帧4、图像帧6至图像帧10作为不同的搜索帧。
本申请实施例中,可将图像集合中任一图像帧作为参考帧,将参考帧之外的任一图像帧作为搜索帧。
S102、检测所述参考帧中的包括目标对象的检测框与所述搜索帧中对应区域的包括目标对象的检测框的第一重叠度,以及所述参考帧中的检测框对应区域的图像与所述搜索帧中对应所述参考帧中的检测框的区域的图像的相似度。
电子设备确定参考帧中的检测框,以及搜索框中与参考帧中的检测框的位置对应的检测框,确定两个检测框的重叠度(Intersection over Union,IOU)即第一重叠度,并确定搜索框与参考帧中的检测框的位置对应的区域,计算参考帧中检测框对应的区域的图像和确定的搜索框中的区域的图像的相似度。
当参考帧中包括多个检测框时,可针对每个检测框分别执行步S102所示的步骤。
在实际应用中,可将参考帧中的检测框与搜索帧中的检测框映射至映射区域中,以将参考帧中的检测框和搜索帧中的检测框进行位置对应。在一示例中,搜索帧中的检测框如图3A所示,包括:检测框301和检测框302,搜索帧中的检测框如图3B所示,包括:检测框303和检测框304,则将参考帧中的检测框和搜索帧中的检测框映射至映射区域305之后的映射结果如图3C所示,包括有:检测框301、检测框302、检测框303和检测框304。此时,确定检测框301和检测框303的第一重叠度,以及参考帧中检测框301对应的区域的图像和搜索帧中对应检测框301的区域的图像的相似度,并确定检测框302和检测框304的第一重叠度,以及参考帧中检测框302对应的区域的图像和搜索帧中对应检测框302的区域的图像的相似度。
在本申请实施例中,将两个检测框的交集除以两个检测框的并集得到两个检测框的IOU。以图3A至图3C中的参考帧中的检测框301与搜索帧中的检测框303为例说明IOU的计算,如图4所示,确定参考帧中的检测框301和搜索帧中对应检测框301的位置的检测框303的交集301∩303,并确定检测框301和检测框303的并集301∪303,其中,图4中的阴影区域401为检测框301与检测框303的交集301∩303。检测框301和检测框303的重叠度IOU301,302的计算如公式(1)所示:
IOU301,303=(301∩303)/(301∪303) 公式(1)。
在本申请实施例中,可确定参考帧中检测框对应区域的图像的图像特征,并确定搜索帧中对应参考帧中的检测框的区域的图像的图像特征,基于所确定的图像特征确定二者的相似度。图像特征可包括:灰度直方图、哈希值等。这里,相似度可基于灰度直方图的相似性、图像的相关性、巴士距离等量化值中的一个或多个进行衡量。当基于多个量化值计算相似度时,可基于各量化值对应的权值系数与对应的量化值相乘,并将相乘的结果进行相加,得到相似度。本申请实施例对图像之间的相似度的计算方式不进行任何的限定。
S103、根据所述第一重叠度和所述相似度确定所述搜索帧中对应所述参考帧中的检测框的区域是否包括有所述目标对象。
执行S102得到参考帧中的检测框与搜索框中对应区域的检测框的第一重叠度,以及参考帧中检测框的图像与搜索帧中对应参考帧的检测框的区域的图像的相似度后,基于第一重叠度和相似度确定搜索帧中对应参考帧中的检测帧的区域是否包括有目标对象。
这里,当第一重叠度大于第一指定重叠度阈值,则认为两个图像帧中对应相同的区域都检测到目标对象,确定搜索帧中对应参考帧中的检测帧的区域包括有目标对象,且目标对象所在的区域为搜索帧中对应的检测框所在的区域。
当第一重叠度小于或等于第一指定重叠度阈值,则认为参考帧中的检测框与搜索帧中对应区域的检测框的位置的偏移较大,确定搜索帧中所检测的包括目标对象的对应的检测框存在误检。
当相似度大于指定相似度阈值,则认为搜索帧中对应参考帧的检测框的区域的图像与参考帧的检测框的区域的图像相似,搜索帧中对应参考帧的检测框的区域的图像包括目标对象。
当相似度小于或等于指定相似度阈值,则认为搜索帧中对应参考帧的检测框的区域的图像与参考帧的检测框的区域的图像不相似,搜索帧中对应参考帧的检测框的区域的图像不包括目标对象。
在本申请实施例中,根据所述第一重叠度和所述相似度确定所述搜索帧中对应所述参考帧中的检测框的区域是否包括有所述目标对象,包括:如果所述第一重叠度小于或等于第一指定重叠度阈值,且所述相似度大于指定相似度阈值,确定所述搜索帧中对应所述参考帧中的检测框的区域包括有所述目标对象。
这里,基于第一重叠度与第一指定重叠度阈值以及相似度与指定相似度阈值之间的关系,存在以下几种情况:
情况一、在第一重叠度大于第一指定重叠度阈值时,确定搜索帧中检测框的检测准确。
情况二、在第一重叠度小于或等于第一指定重叠度阈值且相似度大于指定相似度阈值,则确定参考帧的检测框的区域的图像与搜索框中对应区域的图像相似,搜索帧中对应所述参考帧中的检测框的区域包括有所述目标对象,但未在该区域中标注有检测框,确定搜索帧中该区域为漏检区域。
情况三、在第一重叠度小于或等于第一指定重叠度阈值且相似度小于或等于指定相似度阈值,则认为未在该区域中标注有检测框,且参考帧的检测框的区域的图像与搜索框中对应区域的图像不相似,搜索帧中的检测结果准确,未在不包括目标对象的区域标注检测框。
本申请实施例提供的图像处理方法,以图像集合中的不同图像帧分别作为参考帧和搜索帧,确定参考帧中包括目标对象的检测框与搜索帧中对应区域的检测框的第一重叠度,以及参考帧中该检测框的图像与搜索帧中对应区域的图像的相似度,以确定搜索框中对应区域是否存在目标对象,从而确定搜索框中对应参考帧的检测框区域的区域是否为实际包括目标对象而未检测出的漏检区域;如此,通过参考帧中的检测框召回漏检区域,提高图像识别的召回率。
在一些实施例中,如图5所示,S101的执行可包括:
S101a,分别以所述图像集合中的各图像帧作为所述参考帧。
S101b,在所述参考帧固定的情况下,分别以所述图像集合中所述参考帧以外的图像帧作为所述搜索帧。
这里,在确定参考帧之后,固定参考帧,分别以图像集合中参考帧以外的图像帧分别作为搜索帧来执行S102和S103。在以一个图像帧作为参考帧,且将图像集合中所有的其他图像帧作为搜索帧遍历后,继续图像集合中的另一图像帧作为参考帧,继续执行上述参考帧和搜索帧的确定。
比如:图像集合中的图像帧包括:图像帧1至图像帧10。首先,将图像帧1作为参考帧,此时,搜索帧可分别为:图像帧2至图像帧10;当以图像帧1作为参考帧,以图像帧2至图像帧10分别为搜索帧执行步骤S102至103之后,以图像帧2作为参考帧,此时,搜索帧可分别为:图像帧1、图像帧3至图像帧10;当以图像帧2作为参考帧,以图像帧1、图像帧3至图像帧10分别为搜索帧执行步骤S102至103之后,以图像帧3作为参考帧,此时,搜索帧可分别为:图像帧1至图像帧2、图像帧4至图像帧10;依次类推,直至将图像帧10作为参考帧,且以图像帧1至图像帧9分别为搜索帧。
需要说明的是,在图像集合中首次确定参考帧时,可以第一个图像帧作为参考帧,可以最后一个图像帧作为参考帧,也可以除第一个和最后一个图像帧以外的任意一个图像帧作为参考帧。
在一实施例中,S101a分别以所述图像集合中的各图像帧作为参考帧,包括:
如果当前搜索帧对应的第一重叠度大于第一指定重叠度阈值,或当前搜索帧对应的相似度小于或等于指定相似度阈值,则继续将所述图像集合中与当前参考帧相邻的图像帧作为参考帧。
这里,对于当前参考帧和当前搜索帧,当当前搜索帧对应的第一重叠度大于第一指定重叠度阈值,或当前搜索帧对应的相似度小于或等于指定相似度阈值,则认为当前参考帧和搜索帧中的检测框的标注都准确,则此时,将继续以与当前参考帧相邻的图像帧作为新的参考帧。
比如,当图像集合中的图像帧包括图像帧1至图像帧10,当当前参考帧为图像帧2,当前搜索帧为图像帧5,且对于图像帧2和图像帧5,第一重叠度大于第一指定重叠度阈值,或相似度小于或等于指定相似度阈值,则将参考帧更新为图像帧3。
在实际应用中,当参考帧中包括多个检测帧,且针对多个检测帧中每个检测帧与当前搜索帧所计算的第一重叠度大于第一指定重叠度阈值,或相似度小于或等于指定相似度阈值,则认为当前参考帧和搜索帧中的检测框的标注都准确。
在一实施例中,S101b在所述参考帧固定的情况下,分别以所述图像集合中所述参考帧以外的图像帧作为所述搜索帧,包括:
在所述参考帧固定的情况下,如果当前搜索帧对应的第一重叠度小于或等于第一指定重叠度阈值,且当前搜索帧对应的相似度大于指定相似度阈值,则继续将所述图像集合中与当前搜索帧相邻的图像帧作为搜索帧。
这里,对于当前参考帧和当前搜索帧,当当前搜索帧对应的小于或等于第一指定重叠度阈值,且当前搜索帧对应的相似度大于指定相似度阈值,则认为当前搜索帧中存在漏检,且确定出搜索帧中漏检的位置,此时,将继续以与当前搜索帧相邻的图像帧作为新的搜索帧,以确定其他搜索帧中是否存在漏检的情况。
比如,当图像集合中的图像帧包括图像帧1至图像帧10,当当前参考帧为图像帧2,当前搜索帧为图像帧5,且对于图像帧2和图像帧5,当第一重叠度小于或等于第一指定重叠度阈值,且相似度大于指定相似度阈值,则仍然以图像帧2作为参考帧,以图像帧6和图像帧4作为新的搜索帧。
在本申请实施例中,当基于当前搜索帧确定新的搜索时,可向前看确定搜索帧,也可向后看确定搜索帧。
在实际应用中,当参考帧中包括多个检测帧,且针对多个检测帧中存在一个检测帧与当前搜索帧所计算的第一重叠度小于或等于第一指定重叠度阈值,且相似度大于指定相似度阈值,则认为当前搜索帧存在漏检,需要继续前后看确定新的搜索帧中是否存在漏检。
本申请实施例中,对于不同的参考帧,确定是否固定当前参考帧,以新的图像帧作为搜索帧,还是对参考帧进行更新,将以新的参考帧替换当前参考帧,其对应的搜索帧的数量是不固定的,可根据实际的第一重叠度和相似度的值确定,因此,本申请实施例中的图像处理防范中,召回漏检过程中的前后看的帧数是实时动态的,不需要固定前后看的帧数,从而在保证召回漏检的准确率的基础上,减小计算量,提高召回漏检的效率。
在一实施例中,如图6所示,在步骤S103之后包括:
S104,确定所述搜索帧中对应所述参考帧中的检测框的区域所存在的分割区域。
电子设备对图像集合中的每一图像帧进行目标对象的分割,得到图像帧中标注目标对象的分割区域。
电子设备可将未标注检测框的图像集合输入用于对目标对象进行分割的分割模型中,分割模型输出输入的图像集合中各图像帧的目标对象所在的区域的位置,并以分割区域的形式进行标注。
在本申请实施例中,可通过包括目标对象的图像样本以及对应的图像位置对分割模型进行训练,得到具有高召回率的能够分割图像中的目标对象所在的位置的分割模型。
在一示例中,当原始图像为图2A所述的CT图像,且目标对象为201所示的肿瘤,通过分割区域203对肿瘤201进行标注的图像帧可如图7所示。需要说明的是,在图7所示的图像帧中,仅示出一个分割区域,在实际应用中,图像帧中的分割区域的个数不进行任何限制。
当确定搜索帧中对应参考帧的检测框的区域包括有目标对象,确定该搜索帧对应的分割结果中所包括的分割区域,并确定与分割结果中与对应所述参考帧中的检测框的区域所存在的分割区域。
S105,将所述分割区域的最小外接矩形作为所述搜索帧中所述目标对象所在的检测框。
在本申请实施例中,最小外接矩形为以二维坐标表示的分割区域的最大范围。在一示例中,分割区域为图8A所示的801,分割区域801的最小外接矩形为如图8B所示802。
在确定分割区域后,将分割区域的最小外接矩形作为该分割区域的分割框,并将分割框作为漏检的包括目标区域的检测框。
在一实施例中,所述方法还包括:分别以所述图像集合中的每一图像帧作为目标图像帧,执行以下处理:确定所述目标图像帧中的检测框与所述目标图像帧的相邻图像帧中对应的区域的检测框的第二重叠度;将所述目标图像帧中第二重叠度小于或等于第二指定重叠度阈值的检测框丢弃。
这里,将图像集合中各图像帧和相邻的图像帧中对应位置的检测框进行重叠度的计算,得到第二重叠度,确定各检测框中对应位置的相邻的图像帧中是否存在重叠度高的检测框,当第二重叠度小于或等于第二指定重叠度阈值,确定与对应位置的检测框的重叠度低,此时,认为该检测框中的目标对象为噪点,将目标图像帧中该检测框丢弃。其中,当对应位置不存在检测框即与对应位置的检测框的重叠度为0,则认为重叠度小于第二指定重叠度阈值,将该检测框丢弃。当第二重叠度大于第二指定重叠度阈值,确定与对应位置的检测框的重叠度高,此时,认为该检测框中的目标对象为不是噪点,而是实际的目标对象,将目标图像帧中该检测框保留。
通过对应位置的检测框的第二重叠度的计算,将重叠度低的检测框丢弃,对目标图像帧中的检测框进行过滤,从而实现去噪。此时,图像集合中的各图像帧为经过检测框过滤的图像帧。
比如:图像集合中的图像帧包括:图像帧1至图像帧10;首先,以图像帧1为目标图像帧,计算图像帧1中的各检测框与图像帧2中对应位置的检测框的第二重叠度,对图像帧1中的检测框进行过滤;对图像帧1中的检测框过滤后,以图像帧1为目标图像帧,计算图像帧2中的各检测框与图像帧3中对应位置的检测框的第二重叠度,对图像帧2中的检测框进行过滤;对图像帧2中的检测框过滤后,以图像帧3为目标图像帧,直到将图像集合中的所有的图像帧作为目标图像帧,进行了检测框的过滤。
在实际应用中,第二指定重叠率可为零。
对于一目标图像帧,可将目标图像帧前后设定数量个相邻的图像帧作为确定第二重叠度的相邻图像帧。其中,设定数量可为设置的固定的数值,也可根据检测框的大小确定。在一示例中,根据检测框的大小确定目标对象的大小,根据目标对象的大小确定设定数量,比如,将目标对象的大小分为以下三个等级:小于3cm,介于3cm和5cm之间以及大于5cm,分别对应的设定数量为:1、2和3;则当目标对象的大小为介于3cm和5cm之间的4cm,则设定数量为2,此时,选取目标图像帧前后两帧的图像帧作为目标图像帧的相邻图像帧。
在本申请实施例中,一个目标图像帧可包括多个检测框,且检测框的大小可不同,当基于检测框的大小确定相邻图像帧的数量时,同一目标图像帧中不同检测框对应的相邻图像帧的数量可不同。同上例:将目标对象的大小分为以下三个等级:小于3cm,介于3cm和5cm之间以及大于5cm,分别对应的设定数量为:1、2和3;目标图像帧中的检测框包括检测框1和检测框2,其中,检测框1中目标对象的大小为小于3cm的2cm,检测框2中的目标对象的大小为介于3cm和5cm之间的4cm,则检测框1对应的相邻图像帧的数量为1,检测框对象的相邻图像帧的数量为2;计算检测框1对应的第二重叠度时,将目标图像帧中前后图像帧中的一帧图像帧作为相邻图像帧;计算检测框2对应的第二重叠度时,将目标图像帧中前后图像帧中的两帧图像帧作为相邻图像帧。
这里,在计算第二重叠度时,第二重叠度的数量同相邻图像帧的数量,对应地,第二指定重叠度阈值的数量同第二重叠度的数量。可在一检测框对应的各第二重叠度都小于或等于对应的第二指定重叠度阈值时,确定第二重叠度大于第二指定重叠度阈值。
在本申请实施例中,当对应一检测框包括多个第二指定重叠度阈值时,各第二指定重叠度阈值的大小可相同,也可不同。
在一实施例中,所述方法还包括:将目标图像帧中的分割区域的最小外接矩形作为对应分割区域的分割框;确定所述目标图像帧中检测框和所述目标图像帧对应的分割框的第三重叠度;将所述目标图像帧中第三重叠度大于第三指定重叠度的检测框和分割框进行合并,得到合并后的检测框。
对于每一目标图像帧,将基于分割模型识别出的目标图像帧中的分割区域得到各分割区域对应的分割框,其中,分割区域的示例可参见图7,分割区域和分割框的示例可参见图8A和图8B,这里不再赘述。
对于每一目标图像帧,确定该目标图帧中的各检测框和对应区域的分割框的重叠度,得到第三重叠度,将确定各检测框中对应位置的相邻的图像帧中是否存在重叠度高的检测框和分割框,当第三重叠度大于第三指定重叠度阈值,确定对应位置的检测框和分割框的重叠度高,此时,将对应位置的检测框和分割框进行合并;当第三重叠度小于或等于第三指定重叠度阈值,确定对应位置的检测框和分割框的重叠度低,将当前分割框对应的分割区域丢弃。
在本申请实施例中,确定对应位置的检测框和分割框的最小外接矩形,将得到的最小外接矩形作为检测框和分割框合并后的合并检测框。如图8C所示,803为检测框,804为分割框,805为检测框和分割框合并后的检测框。
这里,检测框为监测模型对目标对象的检测结果,分割框为分割模型对目标对象的分割结果,将第三重叠度大于第三指定重叠度阈值的对应位置的检测框和分割框进行合并,将检测模型的检测结果与分割模型的分割结果进行合并,能够准确地确定出包括目标对象的区域。基于检测模型注重精度,分割模型注重召回率,因此,分割模型存在将不是目标对象对应的区域识别为目标结果所在的区域,通过对应位置的检测框和分割框的重叠度的计算,能够过滤出被分割模型误识别为包括目标对象的分割区域而实际为不包括目标对象的区域。
在本申请实施例中,对于一目标图像帧,将对应位置的检测框与分割框合并后,将该检测框替换为合并后的检测框。
在一实施例中,在对目标图像帧中的检测框进行过滤和对目标图像帧中的检测框和分割框进行合并处理中的任一步骤或两个步骤之前,在所述目标图像帧中包括至少两个检测框的情况下,所述方法还包括:确定所述目标图像帧中任两个检测框的第四重叠度;将所述目标图像帧中第四重叠度大于第四指定重叠度阈值的两个检测框进行合并,得到合并后的检测框。
这里,目标图像帧中的检测框可经过过滤,可为通过检测框和分割框合并得到的检测框,也可为经过过滤之后的检测框和分割框合并之后的检测框。
对于一目标图像帧,在包括多个检测框的情况下,确定目标图像帧中的检测框中的任两个检测框的重叠度,得到第四重叠度,在得到第四重叠度后,将第四重叠度和第四指定重叠度阈值进行比较,当第四重叠度大于第四指定重叠度阈值,确定两个检测框的重叠度低高,此时,两个两检测框进行合并,得到合并后的检测框;当第四重叠度小于或等于第四指定重叠度阈值,确定两个检测框和分割框的重叠度低,保持两个检测框不变。其中,第四重叠度阈值可为0,此时,将目标图像帧中存在交集的检测框进行合并,将不存在交集即相互独立的检测框保持不变。
本申请实施例中,对检测模型的检测结果进行融合,将重叠度高的两个检测框即可能为同一目标对象的检测框进行合并,得到目标对象所在的覆盖范围更大的检测框,从而在召回漏检结果的过程中,提高召回漏检结果的准确率。
下面,以CT图像作为图像集合中的图像帧为例,对本申请实施例提供的图像处理方法进行说明,如图9所示,包括:
S901,判断目标图像帧中的检测框和相邻图像帧中对应位置的检测框是否存在交集。
以图像集合中的任一CT图像的检测结果作为目标图像帧,根据目标图像帧中当前检测框的大小确定前后搜索的帧数,根据前后搜索的帧数确定相邻图形帧,计算当前目标图像帧中各检测框与相邻图像帧中对应位置的检测框的IOU,以确定是否存在交集。
当存在交集,执行S902a,当不存在交集,执行S902b:将当前检测框丢弃。
S902a,确定当前检测框与当前目标图像帧内其他检测框是否存在交集。
当存在交集,执行S904,当不存在交集,执行S903:保留当前检测框。
S904,将存在交集的两个检测框进行融合,得到合并后的检测框。
S905,根据CT图像中的分割区域得到对应的分割框。
这里,确定每一CT图像中各分割区域对应的分割框。
S906,确定当前目标图像帧的检测框和对应位置的分割框是否存在交集。
当存在交集,执行S907a,当不存在交集,执行S907b:将当前分割框丢弃。
S907a,将目标图像帧中检测框和分割框进行融合,得到合并的检测框。
S908,将目标图像帧中具有交集的检测框进行融合,得到合并后的检测框。
这里,以图像集合中的每一CT图像作为目标图像帧,分别执行S901至S908。
S909,确定图像帧中任一CT图像为参考帧。
S910,以参考帧相邻的CT图像作为当前参考帧对应的搜索帧。
S911,计算当前参考帧中检测框和当前搜索帧中对应位置的检测框的重叠度。
当计算的各检测框的重叠度大于第一指定重叠度阈值,则对参考帧进行更新,继续执行步骤S910,直到所有的CT图像都作为参考帧。对于计算的重叠度小于或等于第一指定重叠度阈值的检测框,执行S912。
S912,检测当前参考帧中检测框的图像的灰度直方图和当前搜索帧中对应区域的图像的灰度直方图的相似度。
对于计算的相似度大于相似度阈值的检测框,执行S913,当不选在相似度大于相似度阈值的检测框,则对参考帧进行更新,继续执行S910,直到所有的CT图像都作为参考帧。
S913,将当前搜索帧中该区域对应的分割框作为检测框,并入检测结果。
S914,固定参考帧,对搜索帧进行更新。
继续向前后推进一帧作为新的搜索帧,并执行S911。
本申请实施例中,通过S901至S904,对检测结果进行后处理,实现误检框的滤除以及重叠检测框的融合。通过S905至S908,利用检测的结果去除误检测区域。通过S909至S914利用分割的结果找回漏检区域。
为实现本申请实施例的方法,本申请实施例提供一种电子设备,如图10所示,该电子设备100包括:
确定单元1001,用于确定图像集合中的参考帧和搜索帧;所述参考帧和所述搜索帧为所述图像集合中不同的图像帧;
检测单元1002,用于检测所述参考帧中的包括目标对象的检测框与所述搜索帧中对应区域的包括目标对象的检测框的第一重叠度,以及所述参考帧中的检测框对应区域的图像与所述搜索帧中对应所述参考帧中的检测框的区域的图像的相似度;
判断单元1003,用于根据所述第一重叠度和所述相似度确定所述搜索帧中对应所述参考帧中的检测框的区域是否包括有所述目标对象。
在一实施例中,确定单元1001,还用于:
分别以所述图像集合中的各图像帧作为所述参考帧;
在所述参考帧固定的情况下,分别以所述图像集合中所述参考帧以外的图像帧作为所述搜索帧。
在一实施例中,确定单元1001,还用于:
如果当前搜索帧对应的第一重叠度大于第一指定重叠度阈值,或当前搜索帧对应的相似度小于或等于指定相似度阈值,则继续将所述图像集合中与当前参考帧相邻的图像帧作为参考帧。
在一实施例中,确定单元1001,还用于:
在所述参考帧固定的情况下,如果当前搜索帧对应的第一重叠度小于或等于第一指定重叠度阈值,且当前搜索帧对应的相似度大于指定相似度阈值,则继续将所述图像集合中与当前搜索帧相邻的图像帧作为搜索帧。
在一实施例中,判断单元1003,还用于:
如果所述第一重叠度小于或等于第一指定重叠度阈值,且所述相似度大于指定相似度阈值,确定所述搜索帧中对应所述参考帧中的检测框的区域包括有所述目标对象。
在一实施例中,所述电子设备还包括:检测框确定单元,用于:
确定所述搜索帧中对应所述参考帧中的检测框的区域所存在的分割区域;
将所述分割区域的最小外接矩形作为所述搜索帧中所述目标对象所在的检测框。
在一实施例中,所述电子设备还包括:第一过滤单元,用于:
分别以所述图像集合中的每一图像帧作为目标图像帧,执行以下处理:
确定所述目标图像帧中的检测框与所述目标图像帧相邻的相邻图像帧中对应的区域的检测框的第二重叠度;
将所述目标图像帧中第二重叠度小于或等于第二指定重叠度阈值的检测框丢弃。
在一实施例中,所述电子设备还包括:第二过滤单元,用于:
确定所述目标图像帧中检测框和所述目标图像帧对应的分割框的第三重叠度;
将所述目标图像帧中第三重叠度大于第三指定重叠度的检测框和分割框进行合并,得到合并后的检测框。
在一实施例中,所述电子设备还包括:合并单元,用于:
在所述目标图像帧中包括至少两个检测框的情况下,确定所述目标图像帧中任两个检测框的第四重叠度;
将所述目标图像帧中第四重叠度大于第四指定重叠度阈值的两个检测框进行合并,得到合并后的检测框。
需要说明的是,本申请实施例提供的电子设备包括所包括的各单元、以及各单元所包括的各模块,可以通过电子设备中的处理器来实现;当然也可通过具体的逻辑电路实现;在实施的过程中,处理器可以为中央处理器(CPU,Central Processing Unit)、微处理器(MPU,Micro Processor Unit)、数字信号处理器(DSP,Digital Signal Processor)或现场可编程门阵列(FPGA,Field-Programmable Gate Array)等。
本申请实施例提供的电子设备,如图11所示,电子设备1100包括:一个处理器1101、至少一个通信总线1102、用户接口1103、至少一个外部通信接口1104和存储器1105。其中,通信总线1102配置为实现这些组件之间的连接通信。其中,用户接口1103可以包括显示屏,外部通信接口1104可以包括标准的有线接口和无线接口。
其中,所述处理器1101,配置为执行存储器中存储的图像处理程序,以实现以下步骤:
确定图像集合中的参考帧和搜索帧;所述参考帧和所述搜索帧为所述图像集合中不同的图像帧;
检测所述参考帧中的包括目标对象的检测框与所述搜索帧中对应区域的包括目标对象的检测框的第一重叠度,以及所述参考帧中的检测框对应区域的图像与所述搜索帧中对应所述参考帧中的检测框的区域的图像的相似度;
根据所述第一重叠度和所述相似度确定所述搜索帧中对应所述参考帧中的检测框的区域是否包括有所述目标对象。
相应地,本申请实施例再提供一种存储介质,即计算机可读存储介质,所述计算机可读存储介质上存储有图像处理程序,所述图像处理程序被处理器执行时实现上述的图像处理方法的步骤。
以上电子设备和存储介质实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请电子设备和计算机可读存储介质实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
本申请实施例中,如果以软件功能模块的形式实现上述的图像处理方法,并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品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)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read OnlyMemory)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本申请实施例不限制于任何特定的硬件和软件结合。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备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,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,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全部单元来实现本实施例方案的目的。
另外,在本申请各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,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。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品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)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种图像处理方法,所述方法包括:
确定图像集合中的参考帧和搜索帧;所述参考帧和所述搜索帧为所述图像集合中不同的图像帧;
检测所述参考帧中的包括目标对象的检测框与所述搜索帧中对应区域的包括目标对象的检测框的第一重叠度,以及所述参考帧中的检测框对应区域的图像与所述搜索帧中对应所述参考帧中的检测框的区域的图像的相似度;
根据所述第一重叠度和所述相似度确定所述搜索帧中对应所述参考帧中的检测框的区域是否包括有所述目标对象。
2.根据权利要求1所述的方法,其中,所述确定图像集合中的参考帧和搜索帧,包括:
分别以所述图像集合中的各图像帧作为所述参考帧;
在所述参考帧固定的情况下,分别以所述图像集合中所述参考帧以外的图像帧作为所述搜索帧。
3.根据权利要求2所述的方法,其中,所述分别以所述图像集合中的各图像帧作为参考帧,包括:
如果当前搜索帧对应的第一重叠度大于第一指定重叠度阈值,或当前搜索帧对应的相似度小于或等于指定相似度阈值,则继续将所述图像集合中与当前参考帧相邻的图像帧作为参考帧。
4.根据权利要求2所述的方法,其中,所述在所述参考帧固定的情况下,分别以所述图像集合中所述参考帧以外的图像帧作为所述搜索帧,包括:
在所述参考帧固定的情况下,如果当前搜索帧对应的第一重叠度小于或等于第一指定重叠度阈值,且当前搜索帧对应的相似度大于指定相似度阈值,则继续将所述图像集合中与当前搜索帧相邻的图像帧作为搜索帧。
5.根据权利要求1至4任一项所述的方法,其中,根据所述第一重叠度和所述相似度确定所述搜索帧中对应所述参考帧中的检测框的区域是否包括有所述目标对象,包括:
如果所述第一重叠度小于或等于第一指定重叠度阈值,且所述相似度大于指定相似度阈值,确定所述搜索帧中对应所述参考帧中的检测框的区域包括有所述目标对象。
6.根据权利要求5所述的方法,所述方法还包括:
确定所述搜索帧中对应所述参考帧中的检测框的区域所存在的分割区域;
将所述分割区域的最小外接矩形作为所述搜索帧中所述目标对象所在的检测框。
7.根据权利要求1所述的方法,其中,所述方法还包括:
分别以所述图像集合中的每一图像帧作为目标图像帧,执行以下处理:
确定所述目标图像帧中的检测框与所述目标图像帧的相邻图像帧中对应的区域的检测框的第二重叠度;
将所述目标图像帧中第二重叠度小于或等于第二指定重叠度阈值的检测框丢弃。
8.根据权利要求7所述的方法,其中,所述方法还包括:
将目标图像帧中的分割区域的最小外接矩形作为对应分割区域的分割框;
确定所述目标图像帧中检测框和所述目标图像帧对应的分割框的第三重叠度;
将所述目标图像帧中第三重叠度大于第三指定重叠度的检测框和分割框进行合并,得到合并后的检测框。
9.根据权利要求7或8所述的方法,其中,在所述目标图像帧中包括至少两个检测框的情况下,所述方法还包括:
确定所述目标图像帧中任两个检测框的第四重叠度;
将所述目标图像帧中第四重叠度大于第四指定重叠度阈值的两个检测框进行合并,得到合并后的检测框。
10.一种电子设备,所述电子设备包括:处理器和用于存储能够在处理器上运行的计算机程序的存储器,其中,所述处理器用于运行所述计算机程序时,执行权利要求1至9中任一项所述的图像处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910818430.7A CN110610202B (zh) | 2019-08-30 | 2019-08-30 | 一种图像处理方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910818430.7A CN110610202B (zh) | 2019-08-30 | 2019-08-30 | 一种图像处理方法及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110610202A true CN110610202A (zh) | 2019-12-24 |
CN110610202B CN110610202B (zh) | 2022-07-26 |
Family
ID=68890611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910818430.7A Active CN110610202B (zh) | 2019-08-30 | 2019-08-30 | 一种图像处理方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110610202B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260546A (zh) * | 2020-03-11 | 2020-06-09 | 联想(北京)有限公司 | 一种图像处理方法、装置及电子设备 |
CN111814807A (zh) * | 2020-07-16 | 2020-10-23 | 北京字节跳动网络技术有限公司 | 用于处理图像的方法、装置、电子设备和计算机可读介质 |
CN111932590A (zh) * | 2020-09-28 | 2020-11-13 | 创新奇智(广州)科技有限公司 | 对象跟踪方法、装置、电子设备及可读存储介质 |
CN114511569A (zh) * | 2022-04-20 | 2022-05-17 | 中南大学湘雅医院 | 基于肿瘤标志物的医学图像识别方法、装置、设备及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107037962A (zh) * | 2015-10-23 | 2017-08-11 | 株式会社摩如富 | 图像处理装置、电子设备以及图像处理方法 |
CN107909027A (zh) * | 2017-11-14 | 2018-04-13 | 电子科技大学 | 一种具有遮挡处理的快速人体目标检测方法 |
CN108961316A (zh) * | 2017-05-23 | 2018-12-07 | 华为技术有限公司 | 图像处理方法、装置及服务器 |
CN109376572A (zh) * | 2018-08-09 | 2019-02-22 | 同济大学 | 基于深度学习的交通视频中实时车辆检测与轨迹跟踪方法 |
CN109522968A (zh) * | 2018-11-29 | 2019-03-26 | 济南浪潮高新科技投资发展有限公司 | 一种基于串行双任务网络的病灶区检测方法及系统 |
CN109543534A (zh) * | 2018-10-22 | 2019-03-29 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 一种目标跟踪中目标丢失重检的方法及装置 |
CN109583424A (zh) * | 2018-12-21 | 2019-04-05 | 杭州电子科技大学 | 一种基于衰减置信度的重叠舰船目标候选框筛选方法 |
CN109657631A (zh) * | 2018-12-25 | 2019-04-19 | 上海智臻智能网络科技股份有限公司 | 人体姿态识别方法及装置 |
CN109902676A (zh) * | 2019-01-12 | 2019-06-18 | 浙江工业大学 | 一种基于动态背景的违停检测算法 |
-
2019
- 2019-08-30 CN CN201910818430.7A patent/CN110610202B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107037962A (zh) * | 2015-10-23 | 2017-08-11 | 株式会社摩如富 | 图像处理装置、电子设备以及图像处理方法 |
CN108961316A (zh) * | 2017-05-23 | 2018-12-07 | 华为技术有限公司 | 图像处理方法、装置及服务器 |
CN107909027A (zh) * | 2017-11-14 | 2018-04-13 | 电子科技大学 | 一种具有遮挡处理的快速人体目标检测方法 |
CN109376572A (zh) * | 2018-08-09 | 2019-02-22 | 同济大学 | 基于深度学习的交通视频中实时车辆检测与轨迹跟踪方法 |
CN109543534A (zh) * | 2018-10-22 | 2019-03-29 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 一种目标跟踪中目标丢失重检的方法及装置 |
CN109522968A (zh) * | 2018-11-29 | 2019-03-26 | 济南浪潮高新科技投资发展有限公司 | 一种基于串行双任务网络的病灶区检测方法及系统 |
CN109583424A (zh) * | 2018-12-21 | 2019-04-05 | 杭州电子科技大学 | 一种基于衰减置信度的重叠舰船目标候选框筛选方法 |
CN109657631A (zh) * | 2018-12-25 | 2019-04-19 | 上海智臻智能网络科技股份有限公司 | 人体姿态识别方法及装置 |
CN109902676A (zh) * | 2019-01-12 | 2019-06-18 | 浙江工业大学 | 一种基于动态背景的违停检测算法 |
Non-Patent Citations (1)
Title |
---|
周启晨等: ""基于深度学习的目标跟踪方法及其实现"", 《工业控制计算机》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260546A (zh) * | 2020-03-11 | 2020-06-09 | 联想(北京)有限公司 | 一种图像处理方法、装置及电子设备 |
CN111814807A (zh) * | 2020-07-16 | 2020-10-23 | 北京字节跳动网络技术有限公司 | 用于处理图像的方法、装置、电子设备和计算机可读介质 |
CN111814807B (zh) * | 2020-07-16 | 2023-10-24 | 抖音视界有限公司 | 用于处理图像的方法、装置、电子设备和计算机可读介质 |
CN111932590A (zh) * | 2020-09-28 | 2020-11-13 | 创新奇智(广州)科技有限公司 | 对象跟踪方法、装置、电子设备及可读存储介质 |
CN111932590B (zh) * | 2020-09-28 | 2021-03-16 | 创新奇智(广州)科技有限公司 | 对象跟踪方法、装置、电子设备及可读存储介质 |
CN114511569A (zh) * | 2022-04-20 | 2022-05-17 | 中南大学湘雅医院 | 基于肿瘤标志物的医学图像识别方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110610202B (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109255352B (zh) | 目标检测方法、装置及系统 | |
CN110610202B (zh) | 一种图像处理方法及电子设备 | |
CN109146892B (zh) | 一种基于美学的图像裁剪方法及装置 | |
CN109376667B (zh) | 目标检测方法、装置及电子设备 | |
JP6471448B2 (ja) | 視差深度画像のノイズ識別方法及びノイズ識別装置 | |
WO2021051601A1 (zh) | 利用Mask R-CNN选择检测框的方法及系统、电子装置及存储介质 | |
US11600008B2 (en) | Human-tracking methods, systems, and storage media | |
CN112001401B (zh) | 用于实例分割的模型及训练方法,实例分割网络 | |
CN112241952B (zh) | 大脑中线识别方法、装置、计算机设备及存储介质 | |
CN114519853A (zh) | 一种基于多模态融合的三维目标检测方法及系统 | |
US10296810B2 (en) | Apparatus and method for determining lesion similarity of medical image | |
CN114565035A (zh) | 一种舌象分析方法、终端设备及存储介质 | |
CN114419599A (zh) | 障碍物识别方法、装置及电子设备 | |
CN114255493A (zh) | 图像检测方法、人脸检测方法及装置、设备及存储介质 | |
CN116071569A (zh) | 图像选择方法、计算机设备及存储装置 | |
Fareed et al. | Saliency detection by exploiting multi-features of color contrast and color distribution | |
KR101489216B1 (ko) | 직선을 기반으로 장소를 인식하는 방법 및 장치 | |
CN113822871A (zh) | 基于动态检测头的目标检测方法、装置、存储介质及设备 | |
CN113283396A (zh) | 目标对象的类别检测方法、装置、计算机设备和存储介质 | |
CN113569600A (zh) | 物体重识别的方法、装置、电子设备及存储介质 | |
CN112784691A (zh) | 一种目标检测模型训练方法、目标检测方法和装置 | |
Zhao et al. | IR saliency detection via a GCF-SB visual attention framework | |
CN110599456A (zh) | 一种医学图像的特定区域的提取方法 | |
Zhang et al. | Estimation of atmospheric light based on gaussian distribution | |
EP4092565A1 (en) | Device and method to speed up annotation quality check process |
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 |