CN110837789A - 一种检测物体的方法、装置、电子设备及介质 - Google Patents
一种检测物体的方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN110837789A CN110837789A CN201911054654.1A CN201911054654A CN110837789A CN 110837789 A CN110837789 A CN 110837789A CN 201911054654 A CN201911054654 A CN 201911054654A CN 110837789 A CN110837789 A CN 110837789A
- Authority
- CN
- China
- Prior art keywords
- target
- candidate
- detected
- image
- color value
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种检测物体的方法、装置、电子设备及介质，涉及计算机技术领域，所述方法包括：根据预设的待检测物体对应的目标特征，确定待检测图像中包括目标特征的候选目标，根据各候选目标的位置，确定包含各候选目标的候选区域，将候选区域内的图像以不同的倍数放大，得到以不同倍数放大得到的候选区域放大图像，将各候选区域放大图像输入预设的图像检测模型，得到待检测图像中的各正式目标的坐标信息，获取图像检测模型输出的检测结果图像。采用本申请，即使待检测物体处于复杂环境中，电子设备也可以检测到处于远处或者本身细小的待检测物体。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种检测物体的方法、装置、电子设备及介质。
背景技术
目前，电子设备可以通过图像检测算法，检测图像中的特定物体。例如，电子设备可以通过图像检测算法，检测交通道路图像中的信号灯。
现有技术中，关于图像检测算法(比如：基于传统方法的图像检测算法或者基于深度学习的图像检测算法)，电子设备通过图像检测算法检测图像时，若该图像中的待检测物体处于复杂环境中，电子设备很难识别出该复杂环境中，处于远处或者本身细小的待检测物体，往往出现漏检的现象。
发明内容
本申请实施例的目的在于提供一种检测物体的方法、装置、电子设备及介质，以提高电子设备在复杂环境中，检测细小物体的准确性。具体技术方案如下：
第一方面，提供了一种检测物体的方法，所述方法应用于电子设备，所述方法包括：
根据预设的待检测物体对应的目标特征，确定待检测图像中包括所述目标特征的候选目标；
根据各候选目标的位置，确定包含各候选目标的候选区域；
将所述候选区域内的图像以不同的倍数放大，得到以不同倍数放大得到的候选区域放大图像；
将各候选区域放大图像输入预设的图像检测模型，由所述图像检测模型分别确定每个候选区域放大图像中的正式目标的坐标信息，并对各候选区域放大图像中的正式目标的坐标信息进行加权融合，得到所述待检测图像中的各正式目标的坐标信息；
获取所述图像检测模型输出的检测结果图像，所述检测结果图像中包括所述待检测图像中的各正式目标的坐标信息。
可选的，在所述获取所述图像检测模型输出的检测结果图像之后，所述方法还包括：
根据待检测物体的类别与各类别的待检测物体的特征的对应关系，确定各正式目标所属的类别；
对所述检测结果图像中的各正式目标添加用于表示各正式目标所述类别的标记。
可选的，所述目标特征包括待检测物体的颜色值；所述根据预设的待检测物体对应的目标特征，确定待检测图像中包括所述目标特征的候选目标，包括：
对所述待检测图像进行色彩分割；
从色彩分割后的待检测图像中确定候选目标，所述候选目标的颜色值与所述待检测物体的颜色值之间的差值小于预设阈值。
可选的，所述根据各候选目标的位置，确定包含各候选目标的候选区域，包括：
对于每个候选目标，将以所述候选目标为中心的预设像素尺寸的区域确定为所述候选目标对应的候选子区域；
根据各候选子区域，确定包含各候选子区域的候选区域。
可选的，所述待检测物体为交通信号灯，所述交通信号灯的红灯对应的RGB颜色值为第一RGB颜色值、绿灯对应的RGB颜色值为第二RGB颜色值、黄灯对应的RGB颜色值为第三RGB颜色值；所述根据待检测物体的类别与各类别的待检测物体的特征的对应关系，确定各正式目标所属的类别，包括：
若正式目标的RGB颜色值为所述第一RGB颜色值，则确定所述正式目标为红灯；
若正式目标的RGB颜色值为所述第二RGB颜色值，则确定所述正式目标为绿灯；
若正式目标的RGB颜色值为所述第三RGB颜色值，则确定所述正式目标为黄灯。
可选的，所述候选目标包括：
所述待检测图像中RGB颜色值与所述第一RGB颜色值之间的差值小于所述预设阈值的目标；
所述待检测图像中RGB颜色值与所述第二RGB颜色值之间的差值小于所述预设阈值的目标；
所述待检测图像中RGB颜色值与所述第三RGB颜色值之间的差值小于所述预设阈值的目标。
第二方面，提供了一种检测物体的装置，所述装置应用于电子设备，所述装置包括：
确定模块，用于根据预设的待检测物体对应的目标特征，确定待检测图像中包括所述目标特征的候选目标；
所述确定模块，还用于根据各候选目标的位置，确定包含各候选目标的候选区域；
放大模块，用于将所述候选区域内的图像以不同的倍数放大，得到以不同倍数放大得到的候选区域放大图像；
检测模块，用于将各候选区域放大图像输入预设的图像检测模型，由所述图像检测模型分别确定每个候选区域放大图像中的正式目标的坐标信息，并对各候选区域放大图像中的正式目标的坐标信息进行加权融合，得到所述待检测图像中的各正式目标的坐标信息；
获取模块，用于获取所述图像检测模型输出的检测结果图像，所述检测结果图像中包括所述待检测图像中的各正式目标的坐标信息。
可选的，所述装置还包括：标记模块；
所述确定模块，还用于根据待检测物体的类别与各类别的待检测物体的特征的对应关系，确定各正式目标所属的类别；
所述标记模块，用于对所述检测结果图像中的各正式目标添加用于表示各正式目标所述类别的标记。
可选的，所述目标特征包括待检测物体的颜色值；所述确定模块，具体用于：
对所述待检测图像进行色彩分割；
从色彩分割后的待检测图像中确定候选目标，所述候选目标的颜色值与所述待检测物体的颜色值之间的差值小于预设阈值。
可选的，所述确定模块，具体还用于：
对于每个候选目标，将以所述候选目标为中心的预设像素尺寸的区域确定为所述候选目标对应的候选子区域；
根据各候选子区域，确定包含各候选子区域的候选区域。
可选的，所述待检测物体为交通信号灯，所述交通信号灯的红灯对应的RGB颜色值为第一RGB颜色值、绿灯对应的RGB颜色值为第二RGB颜色值、黄灯对应的RGB颜色值为第三RGB颜色值；所述确定模块，具体还用于：
若正式目标的RGB颜色值为所述第一RGB颜色值，则确定所述正式目标为红灯；
若正式目标的RGB颜色值为所述第二RGB颜色值，则确定所述正式目标为绿灯；
若正式目标的RGB颜色值为所述第三RGB颜色值，则确定所述正式目标为黄灯。
可选的，所述候选目标包括：
所述待检测图像中RGB颜色值与所述第一RGB颜色值之间的差值小于所述预设阈值的目标；
所述待检测图像中RGB颜色值与所述第二RGB颜色值之间的差值小于所述预设阈值的目标；
所述待检测图像中RGB颜色值与所述第三RGB颜色值之间的差值小于所述预设阈值的目标。
第三方面，提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现第一方面所述的方法步骤。
第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的方法步骤。
第五方面，提供了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第一方面所述的方法。
本申请实施例提供的一种检测物体的方法及装置，电子设备可以根据预设的待检测物体对应的目标特征，确定待检测图像中包括目标特征的候选目标，并根据各候选目标的位置，确定包含各候选目标的候选区域，将候选区域内的图像以不同的倍数放大，得到以不同倍数放大得到的候选区域放大图像，将各候选区域放大图像输入图像检测模型，由图像检测模型分别确定每个候选区域放大图像中的正式目标的坐标信息，并对各候选区域放大图像中的正式目标的坐标信息进行加权融合，得到待检测图像中的各正式目标的坐标信息，获取图像检测模型输出的检测结果图像。因为候选区域中包括了所有包含目标特征的候选目标，保证了候选目标中包括了待检测图像中所有待检测物体。又因为电子设备通过放大候选区域图像，放大了待检测物体的特征，使得电子设备可以检测到待检测图像中所有待检测物体，因此，即使在复杂环境中，电子设备也不会出现漏检的情况。
当然，实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种检测物体的方法流程图；
图2a为本申请实施例提供的一种交通信号场景的示意图；
图2b为本申请实施例提供的一种确定候选目标的示意图；
图2c为本申请实施例提供的一种确定候选区域的示意图；
图3为本申请实施例提供的另一种检测物体的方法流程图；
图4为本申请实施例提供的另一种检测物体的方法流程图；
图5为本申请实施例提供的另一种检测物体的方法流程图；
图6为本申请实施例提供的一种正式目标进行分类的效果示意图；
图7为本申请实施例提供的一种处理待检测图像的过程的示意图；
图8为本申请实施例提供的一种检测交通信号灯的流程示意图；
图9为本申请实施例提供的另一种检测物体的方法流程图；
图10为本申请实施例提供的一种检测物体的装置的结构示意图；
图11为本申请实施例提供的另一种检测物体的装置的结构示意图；
图12为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供一种检测物体的方法，该方法应用于电子设备。其中，电子设备为具有图像检测功能的移动终端或PC(英文：personal computer，中文：个人计算机)终端。
下面将结合具体实施方式，对本申请实施例提供的一种检测物体的方法进行详细的说明，如图1所示，具体步骤如下：
步骤101、根据预设的待检测物体对应的目标特征，确定待检测图像中包括目标特征的候选目标。
本申请实施例中，待检测图像可以是针对现实场景的图像，也可以是针对虚拟场景(网站截屏、视频截屏或者游戏截屏等)的图像，本申请实施例不做限定。
步骤102、根据各候选目标的位置，确定包含各候选目标的候选区域。
步骤103、将候选区域内的图像以不同的倍数放大，得到以不同倍数放大得到的候选区域放大图像。
步骤104、将各候选区域放大图像输入图像检测模型，由图像检测模型分别确定每个候选区域放大图像中的正式目标的坐标信息，并对各候选区域放大图像中的正式目标的坐标信息进行加权融合，得到待检测图像中的各正式目标的坐标信息。
其中，正式目标属于待检测物体。
步骤105、获取图像检测模型输出的检测结果图像。
其中，检测结果图像中包括待检测图像中的各正式目标的坐标信息。
本申请实施例提供的一种检测物体的方法，电子设备可以根据预设的待检测物体对应的目标特征，确定待检测图像中包括目标特征的候选目标，并根据各候选目标的位置，确定包含各候选目标的候选区域，将候选区域内的图像以不同的倍数放大，得到以不同倍数放大得到的候选区域放大图像，将各候选区域放大图像输入图像检测模型，由图像检测模型分别确定每个候选区域放大图像中的正式目标的坐标信息，并对各候选区域放大图像中的正式目标的坐标信息进行加权融合，得到待检测图像中的各正式目标的坐标信息，获取图像检测模型输出的检测结果图像。因为候选区域中包括了所有包含目标特征的候选目标，保证了候选目标中包括了待检测图像中所有待检测物体。又因为电子设备通过放大候选区域图像，放大了待检测物体的特征，使得电子设备可以检测到待检测图像中所有待检测物体，因此，即使在复杂环境中，电子设备也不会出现漏检的情况。
结合上述步骤101至步骤105，本申请实施例对步骤101至步骤105做出具体解释，具体如下：
针对步骤101、根据预设的待检测物体对应的目标特征，确定待检测图像中包括目标特征的候选目标。
目标特征为待检测物体具有的特征(例如，交通信号灯的目标特征可以是红色光点、绿色光点或者黄色光点，人物的目标特征可以是人脸，汽车的目标特征可以是汽车的形状)。
由于目标特征不一定是待检测物体独有的特征，例如交通信号灯和汽车尾灯都有红色光点这一特征，因为电子设备在根据目标特征，在待检测图像中确定具有目标特征的目标时，由于存在不同种类的物体具有相同目标特征的情况(比如交通信号灯和汽车尾灯都携带“红色光点”这一目标特征)，因此电子设备在待检测图像中确定的具有目标特征的候选目标可能为待检测设备，也可能不是待检测设备。
针对步骤102、根据各候选目标的位置，确定包含各候选目标的候选区域。
其中，在电子设备确定候选目标后，电子设备可以根据各候选目标的位置，确定包含各候选目标的候选区域。
本申请实施例中，候选区域可以为待检测图像中的某一区域，该区域中可以包含待检测图像中的各个候选目标。
例如，待检测图像为电视剧A中的一个视频帧，若该视频帧中包括商标A、商标B和商标C，待检测物体为商标A，则电子设备可以确定在该视频帧中包含3个候选目标，该3个候选目标分别为商标A、商标B和商标C。
电子设备可以根据该3个候选目标的位置，确定一个包含该3个候选目标的区域，该区域为候选区域。
针对步骤103、将候选区域内的图像以不同的倍数放大，得到以不同倍数放大得到的候选区域放大图像。
电子设备可以对候选区域内的图像放大1倍、2倍或者3倍，本申请实施例对放大的倍数以及候选区域放大图像不做限定。
针对步骤104、将各候选区域放大图像输入图像检测模型，由图像检测模型分别确定每个候选区域放大图像中的正式目标的坐标信息，并对各候选区域放大图像中的正式目标的坐标信息进行加权融合，得到待检测图像中的各正式目标的坐标信息。
图像检测模型是一种深度学习模型，电子设备可以基于包含待检测物体样本的训练集对深度学习模型进行训练，并将训练后的深度学习模型作为图像检测模型。
待检测物体样本中可以包括：包含待检测物体的图像，以及以不同倍数放大的包含待检测物体的图像。
基于图像检测模型的计算能力，电子设备可以通过图像检测模型，确定正式目标的坐标信息。
例如，以图2a所示的场景为例，图2a为一包含交通信号灯的场景示意图，待检测物体为交通信号灯，但是候选目标中可能包括交通信号灯和汽车尾灯，通过步骤103，电子设备可以从候选区域放大图像中得到正式目标的坐标信息，即图2a中的交通信号灯的坐标信息。
由于各候选区域放大图像中均有正式目标的坐标信息，因此一个正式目标对应了多个坐标信息。
针对待检测图像中的每个正式目标，电子设备可以通过加权融合，从正式目标对应的多个坐标信息中，筛选出一个最准确的坐标信息作为该正式目标的坐标信息。
加权融合是一种图像处理方式，在实际应用中，电子设备可以通过非极大值抑制算法实现加权融合的目的，加权融合的具体实现方式也可以参考其他相关技术，本申请实施例对此不做赘述。
针对步骤105、获取图像检测模型输出的检测结果图像。
检测结果图像中包括待检测图像中的各正式目标的坐标信息，由于电子设备在步骤104中通过加权融合，针对各正式目标确定了一个准确的坐标信息，因此在检测结果图像中，每个正式目标对应了一个准确地坐标信息。
可选的，如图3所示，针对上述步骤101、根据预设的待检测物体对应的目标特征，确定待检测图像中包括目标特征的候选目标步骤，电子设备可以具体执行为：
步骤1011、对待检测图像进行色彩分割。
其中，目标特征包括待检测物体的颜色值，基于待检测物体的颜色值，电子设备可以对待检测图像进行颜色分割。
色彩分割可以包括：RGB色彩空间分割。RGB(英文：red、green、blue，中文：红色、绿色、蓝色)是三种基本颜色，电子设备可以将待检测图像进行RGB色彩空间分割。
步骤1012、从色彩分割后的待检测图像中确定候选目标。
其中，候选目标的颜色值与待检测物体的颜色值之间的差值小于预设阈值。
电子设备可以根据色彩分割确定待检测图像中出现的颜色值，进而，电子设备可以将待检测图像中，与待检测物体携带的颜色值相同或相近的目标作为候选目标。
具体确定的方法为从待检测图像中提取与待检测物体的颜色值之间的差值小于预设阈值的颜色值对应的候选目标。
如图2a和图2b所示，图2a为一包含交通信号灯的场景示意图，图2b为电子设备在图2a中确定候选目标后的示意图，该示意图中包括5个白色点，每个白色点均对应一个候选目标。
其中，电子设备对图2a进行色彩分割处理后，可以将确定的候选目标明显显示。
如在图2b中，电子设备根据图2a中的颜色值确定了5个候选目标后，电子设备可以将该5个候选目标通过白色点表示。
结合图2a和图2b可以看出，交通信号灯和汽车尾灯均被电子设备确定为候选目标。
本申请实施例中，电子设备通过色彩分割可以对待检测图像进行初步筛选，筛选后得到的候选目标均包括目标特征，这样可以保证候选目标中包括了待检测图像中所有待检测物体，从而可以使本申请实施例的检测更加精确。
可选的，如图4所示，针对步骤102、根据各候选目标的位置，确定包含各候选目标的候选区域步骤，具体可以执行为：
步骤1021、对于每个候选目标，将以候选目标为中心的预设像素尺寸的区域确定为候选目标对应的候选子区域。
本申请实施例中，电子设备确定各个候选目标后，电子设备可以根据每个候选目标的位置，以候选目标为中心，并根据预设像素尺寸，确定各个候选目标所对应形成的候选子区域。
其中，电子设备根据预设像素尺寸，确定的候选子区域可以是矩形区域也可以是其它形状区域，本申请实施例不做限定。
步骤1022、根据各候选子区域，确定包含各候选子区域的候选区域。
本申请实施例中，候选区域包含候选子区域，且候选区域的尺寸小于等于待检测图像的尺寸，即，确定候选区域的过程，实质上是保留待检测图像中用于检测的区域，滤除无需检测的区域。
如图2c所示，图2c为电子设备在图2b中确定候选区域的示意图，其中，图2c中每个白色点表示一个候选目标，电子设备可以将每个白色点作为中心，并以预设的像素尺寸，选定每个白色点对应的候选子区域(图2c中的除了最大矩形框的矩形框为候选子区域)。当电子设备确定各个候选子区域后，可以根据候选子区域在图像中所占的区域，确定候选区域(即图2c中最大的矩形框)。
需要说明的是，电子设备确定的是候选区域的位置(即包含各候选目标的区域的位置)。在该过程中，电子设备不会改变待检测图像的原始图像信息，只是获取待检测图像中候选区域的位置信息。
本申请实施例中，电子设备通过确定候选区域的方式选取了待检测图像的部分图像，由于未被选取的区域中不包含候选目标，即候选区域图像中已经包含了全部候选目标，因此电子设备可以通过候选区域图像，更准确的检测待检测物体。
可选的，如图5所示，在上述步骤105、获取图像检测模型输出的检测结果图像之后，电子设备还可以对检测结果图像中的正式目标进行分类，具体步骤可以包括步骤106至步骤107。
步骤106、根据待检测物体的类别与各类别的待检测物体的特征的对应关系，确定各正式目标所属的类别。
本申请实施例中，电子设备中可以预先存储待检测物体的特征与待检测物体的类别的对应关系，当电子设备检测到待检测图像中存在正式目标时，可以根据预先存储的对应关系以及正式目标的特征，确定各正式目标所属的类别。
在实际应用中，待检测物体的特征与待检测物体的类别的对应关系可以包括以下示例：
示例一、若待检测物体为交通信号灯，则交通信号灯的特征为红色、黄色或者绿色，红色、黄色和绿色对应的类别分别是红灯、黄灯和绿灯。
示例二、若待检测物体为视频中出现的马赛克，则马赛克的特征可以为卡通图案区域或者矩形模糊区域，卡通图案区域对应的类别可以为马赛克A，矩形模糊区域对应的类别可以为马赛克B。
步骤107、对检测结果图像中的各正式目标添加用于表示各正式目标类别的标记。
本申请实施例中，当电子设备确定各正式目标所属的类别后，可以对检测结果图像中的各正式目标添加各类别的标记，结合上述步骤101至步骤105，由于电子设备避免了漏检的情况，因此，在此基础上，电子可以更准确的确定正式目标的分类。
可选的，针对上述示例一，本申请实施例对待检测物体为交通信号灯的情况作出具体说明，具体如下：
其中，交通信号灯的红灯对应的RGB颜色值为第一RGB颜色值、绿灯对应的RGB颜色值为第二RGB颜色值、黄灯对应的RGB颜色值为第三RGB颜色值。
结合示例一所述内容，候选目标可以包括：
待检测图像中RGB颜色值与第一RGB颜色值之间的差值小于预设阈值的目标；
待检测图像中RGB颜色值与第二RGB颜色值之间的差值小于预设阈值的目标；
待检测图像中RGB颜色值与第三RGB颜色值之间的差值小于预设阈值的目标。
上述步骤106、根据待检测物体的类别与各类别的待检测物体的特征的对应关系，确定各正式目标所属的类别，具体可以执行为：
若正式目标的RGB颜色值为第一RGB颜色值，则确定正式目标为红灯；
若正式目标的RGB颜色值为第二RGB颜色值，则确定正式目标为绿灯；
若正式目标的RGB颜色值为第三RGB颜色值，则确定正式目标为黄灯。
在本实现方式中，电子设备为交通信号灯进行分类时，可以为交通信号灯添加对应的标记，因此，电子设备可以使得用户更清楚的区分待检测图像中的红灯、绿灯和黄灯。
如图6所示，本申请实施例还提供了一种电子设备对检测结果图像中的正式目标进行分类的效果示意图。
其中，图6为一个交通场景示意图，图中主要包括汽车、交通信号灯和标记在交通信号灯上的类别标记。其中，交通信号灯为待检测物体，当电子设备确定了5个正式目标(即交通信号灯)后，可以根据电子设备预先存储的交通信号灯与交通信号灯类别的对应关系(红色对应红灯、黄色对应黄灯和绿色对应绿灯)，确定该5个交通信号灯均属于绿灯的类别，并为该5个交通信号灯添加“绿灯”的标记(即图6中的白色方框以及白色方框内的“绿灯”)。
如图7所示，图7为电子设备根据步骤104至步骤107处理待检测图像的过程的示意图，具体可以包括：
电子设备可以先将候选区域图像分别放大1倍、2倍和3倍；本申请实施例中，放大1倍、2倍和3倍后的候选区域图像为候选区域放大图像。
然后，将放大后的候选区域图像输入图7中的图像检测模型，图像检测模型包括：特征提取网络、全连接层1.1、全连接层1.2、全连接层2.1、全连接层2.2、全连接层3.1和全连接层3.2。
在图像检测模型中，特征提取网络可以确定每个候选区域放大图像对应的特征图，并将每个候选区域放大图像对应的特征图分别输入至全连接层1.1、全连接层2.1和全连接层3.1；
全连接层可以根据特征图进行计算，得到正式目标的坐标信息。
在实际应用中，该坐标信息可以由两个坐标点表示，该两个坐标点可以对应一个矩形框，该矩形框所表示的范围内即为正式目标的位置。本申请实施例也可以通过相关技术中的其他表示方法表示正式目标的位置，本申请实施例对此不做限定。
然后，将全连接层输出的正式目标的坐标信息进行加权融合，得到检测结果图像，即上述步骤105中的检测结果图像。
在本示例中，在图像检测模型中只设置全连接层1.1、全连接层2.1和全连接层3.1也可以计算正式目标的坐标信息，但是，设置多个全连接层可以使检测结果图像中的坐标信息更准确。
最后，将检测结果图像输入至正式目标分类网络，正式目标分类网络包括：卷积层1、卷积层2和全连接层。
电子设备可以将检测结果图像输入至卷积层1，通过卷积层1和卷积层2的卷积运算，得到检测结果图像中正式目标的特征，并将检测结果图像中正式目标的特征输入至全连接层，全连接层可以基于检测结果图像中正式目标的特征，计算得到正式目标的分类。
在本申请实施例中，电子设备通过采用图像检测模型结合正式目标分类网络的级联网络结构，因为图像检测模型可以检测到细小的待检测物体，且正式目标分类网络可以对正式目标准确分类，所以电子设备可以避免待检测图像中的小目标的漏检，以及小目标的准确分类。
如图8所示，图8为本身申请实施例结合交通信号灯的场景，提供的检测交通信号灯的流程示意图。
电子设备可以先获取待检测图像，其中，待检测图像为包含交通信号灯场景的图像。
然后，电子设备可以选取交通信号灯候选区域，具体过程对应上述步骤101至步骤103。
电子设备选取交通信号灯候选区域后，可以基于多尺度的交通信号灯候选区域进行交通信号灯检测，具体过程对应上述步骤104至步骤105。
电子设备进行交通信号灯检测之后，可以对检测结果进行分类，具体过程对应上述步骤106至步骤107。
最后，电子设备可以输出交通信号灯分类结果。
在交通信号灯场景中，由于电子设备可以准确检测待检测图像中的各交通信号灯，因此在实际应用中，采用本申请实施例的方法可以对自动驾驶、道路规划等实际应用场景起良好的辅助作用。
可选的，如图9所示，本申请实施例提供了一种在实际应用中的示例，本示例中，待检测图像为待检测视频帧A，待检测物体为人脸，具体步骤可以包括：
步骤901、根据预设颜色值，对待检测视频帧A进行色彩分割，确定待检测视频帧A中包括该预设颜色值的候选目标。
其中，电子设备确定的候选目标中，既可能存在符合预设颜色值的人，也可能存在符合预设颜色值的物体。
步骤902、根据各候选目标的位置，以候选目标为中心的像素尺寸为20的区域确定为候选目标对应的候选子区域，并根据各候选子区域，确定包含各候选子区域的候选区域。
步骤903、将候选区域内的图像放大1倍、2倍和3倍，得到3个倍数放大得到的候选区域放大图像。
步骤904、将该3个候选区域放大图像输入预设的人脸特征检测模型，获取人脸特征检测模型输出的每个候选区域放大图像中的正式目标的坐标信息。
步骤905、对各候选区域放大图像中的正式目标的坐标信息进行加权融合，得到待检测视频帧A中的各正式目标的坐标信息。
步骤906、根据人脸的类别与各类别的人脸的特征的对应关系，确定各正式目标所属的类别。
步骤907、对检测结果图像中的各正式目标添加用于表示各正式目标类别的标记。
其中，在本示例中，若待检测视频帧A对应的视频为一部影视作品，那么该标记可以为该影视作品中的人物名称或者演员的名称。
在实际应用中，电子设备可以根据人脸特征，确定待检测视频帧A中出现的人物，进而确定待检测视频帧A对应的视频中出现的人物。
例如，电子设备可以在影视剧视频中确定该影视剧视频中出现的演员。
采用本申请实施例，若一位用户经常观看某位演员的作品，那么电子设备可以通过上述过程确定该用户经常观看的演员，并向该用户推荐该演员的其它作品，以增加电子设备的推荐成功率。
基于相同的技术构思，本申请实施例还提供了一种检测物体的装置，如图10所示，该装置包括：确定模块1001、放大模块1002、检测模块1003和获取模块1004。
确定模块1001，用于根据预设的待检测物体对应的目标特征，确定待检测图像中包括目标特征的候选目标；
确定模块1001，还用于根据各候选目标的位置，确定包含各候选目标的候选区域；
放大模块1002，用于将候选区域内的图像以不同的倍数放大，得到以不同倍数放大得到的候选区域放大图像；
检测模块1003，用于将各候选区域放大图像输入预设的图像检测模型，由图像检测模型分别确定每个候选区域放大图像中的正式目标的坐标信息，并对各候选区域放大图像中的正式目标的坐标信息进行加权融合，得到待检测图像中的各正式目标的坐标信息；
获取模块1004，用于获取图像检测模型输出的检测结果图像，检测结果图像中包括待检测图像中的各正式目标的坐标信息。
可选的，如图11所示，该装置还包括：标记模块1101；
确定模块1001，还用于根据待检测物体的类别与各类别的待检测物体的特征的对应关系，确定各正式目标所属的类别；
标记模块1101，用于对检测结果图像中的各正式目标添加用于表示各正式目标类别的标记。
可选的，目标特征包括待检测物体的颜色值；确定模块1001，具体用于：
对待检测图像进行色彩分割；
从色彩分割后的待检测图像中确定候选目标，候选目标的颜色值与待检测物体的颜色值之间的差值小于预设阈值。
可选的，确定模块1001，具体还用于：
对于每个候选目标，将以候选目标为中心的预设像素尺寸的区域确定为候选目标对应的候选子区域；
根据各候选子区域，确定包含各候选子区域的候选区域。
可选的，待检测物体为交通信号灯，交通信号灯的红灯对应的RGB颜色值为第一RGB颜色值、绿灯对应的RGB颜色值为第二RGB颜色值、黄灯对应的RGB颜色值为第三RGB颜色值；确定模块1001，具体还用于：
若正式目标的RGB颜色值为第一RGB颜色值，则确定正式目标为红灯；
若正式目标的RGB颜色值为第二RGB颜色值，则确定正式目标为绿灯；
若正式目标的RGB颜色值为第三RGB颜色值，则确定正式目标为黄灯。
可选的，候选目标包括：
待检测图像中RGB颜色值与第一RGB颜色值之间的差值小于预设阈值的目标；
待检测图像中RGB颜色值与第二RGB颜色值之间的差值小于预设阈值的目标；
待检测图像中RGB颜色值与第三RGB颜色值之间的差值小于预设阈值的目标。
本申请实施例提供的一种检测物体的装置，电子设备可以根据预设的待检测物体对应的目标特征，确定待检测图像中包括目标特征的候选目标，并根据各候选目标的位置，确定包含各候选目标的候选区域，将候选区域内的图像以不同的倍数放大，得到以不同倍数放大得到的候选区域放大图像，将各候选区域放大图像输入图像检测模型，由图像检测模型分别确定每个候选区域放大图像中的正式目标的坐标信息，并对各候选区域放大图像中的正式目标的坐标信息进行加权融合，得到待检测图像中的各正式目标的坐标信息，获取图像检测模型输出的检测结果图像。因为候选区域中包括了所有包含目标特征的候选目标，保证了候选目标中包括了待检测图像中所有待检测物体。又因为电子设备通过放大候选区域图像，放大了待检测物体的特征，使得电子设备可以检测到待检测图像中所有待检测物体，因此，即使在复杂环境中，电子设备也不会出现漏检的情况。
本申请实施例还提供了一种电子设备，如图12所示，包括处理器1201、通信接口1202、存储器1203和通信总线1204，其中，处理器1201，通信接口1202，存储器1203通过通信总线1204完成相互间的通信，
存储器1203，用于存放计算机程序；
处理器1201，用于执行存储器1203上所存放的程序时，实现如下步骤：
根据预设的待检测物体对应的目标特征，确定待检测图像中包括所述目标特征的候选目标；
根据各候选目标的位置，确定包含各候选目标的候选区域；
将所述候选区域内的图像以不同的倍数放大，得到以不同倍数放大得到的候选区域放大图像；
将各候选区域放大图像输入预设的图像检测模型，由所述图像检测模型分别确定每个候选区域放大图像中的正式目标的坐标信息，并对各候选区域放大图像中的正式目标的坐标信息进行加权融合，得到所述待检测图像中的各正式目标的坐标信息；
获取所述图像检测模型输出的检测结果图像，所述检测结果图像中包括所述待检测图像中的各正式目标的坐标信息。
需要说明的是，处理器1201，用于执行存储器1203上所存放的程序时，还用于实现上述方法实施例中描述的其他步骤，可参考上述方法实施例中的相关描述，此处不再赘述
上述网络设备提到的通信总线可以是外设部件互连标准(英文：PeripheralComponent Interconnect，简称：PCI)总线或扩展工业标准结构(英文：Extended IndustryStandard Architecture，简称：EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述网络设备与其他设备之间的通信。
存储器可以包括随机存取存储器(英文：Random Access Memory，简称：RAM)，也可以包括非易失性存储器(英文：Non-Volatile Memory，简称：NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(英文：Central ProcessingUnit，简称：CPU)、网络处理器(英文：Network Processor，简称：NP)等；还可以是数字信号处理器(英文：Digital Signal Processing，简称：DSP)、专用集成电路(英文：ApplicationSpecific Integrated Circuit，简称：ASIC)、现场可编程门阵列(英文：Field-Programmable Gate Array，简称：FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
基于相同的技术构思，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述检测物体的方法步骤。
基于相同的技术构思，本申请实施例还提供了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检测物体的方法步骤。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，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。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、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成的服务器、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(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本申请的保护范围内。
Claims (14)
1.一种检测物体的方法，其特征在于，所述方法包括：
根据预设的待检测物体对应的目标特征，确定待检测图像中包括所述目标特征的候选目标；
根据各候选目标的位置，确定包含各候选目标的候选区域；
将所述候选区域内的图像以不同的倍数放大，得到以不同倍数放大得到的候选区域放大图像；
将各候选区域放大图像输入预设的图像检测模型，由所述图像检测模型分别确定每个候选区域放大图像中的正式目标的坐标信息，并对各候选区域放大图像中的正式目标的坐标信息进行加权融合，得到所述待检测图像中的各正式目标的坐标信息；
获取所述图像检测模型输出的检测结果图像，所述检测结果图像中包括所述待检测图像中的各正式目标的坐标信息。
2.根据权利要求1所述的方法，其特征在于，在所述获取所述图像检测模型输出的检测结果图像之后，所述方法还包括：
根据待检测物体的类别与各类别的待检测物体的特征的对应关系，确定各正式目标所属的类别；
对所述检测结果图像中的各正式目标添加用于表示各正式目标所述类别的标记。
3.根据权利要求1所述的方法，其特征在于，所述目标特征包括待检测物体的颜色值；所述根据预设的待检测物体对应的目标特征，确定待检测图像中包括所述目标特征的候选目标，包括：
对所述待检测图像进行色彩分割；
从色彩分割后的待检测图像中确定候选目标，所述候选目标的颜色值与所述待检测物体的颜色值之间的差值小于预设阈值。
4.根据权利要求1所述的方法，其特征在于，所述根据各候选目标的位置，确定包含各候选目标的候选区域，包括：
对于每个候选目标，将以所述候选目标为中心的预设像素尺寸的区域确定为所述候选目标对应的候选子区域；
根据各候选子区域，确定包含各候选子区域的候选区域。
5.根据权利要求2所述的方法，其特征在于，所述待检测物体为交通信号灯，所述交通信号灯的红灯对应的RGB颜色值为第一RGB颜色值、绿灯对应的RGB颜色值为第二RGB颜色值、黄灯对应的RGB颜色值为第三RGB颜色值；所述根据待检测物体的类别与各类别的待检测物体的特征的对应关系，确定各正式目标所属的类别，包括：
若正式目标的RGB颜色值为所述第一RGB颜色值，则确定所述正式目标为红灯；
若正式目标的RGB颜色值为所述第二RGB颜色值，则确定所述正式目标为绿灯；
若正式目标的RGB颜色值为所述第三RGB颜色值，则确定所述正式目标为黄灯。
6.根据权利要求5所述的方法，其特征在于，所述候选目标包括：
所述待检测图像中RGB颜色值与所述第一RGB颜色值之间的差值小于所述预设阈值的目标；
所述待检测图像中RGB颜色值与所述第二RGB颜色值之间的差值小于所述预设阈值的目标；
所述待检测图像中RGB颜色值与所述第三RGB颜色值之间的差值小于所述预设阈值的目标。
7.一种检测物体的装置，其特征在于，所述装置包括：
确定模块，用于根据预设的待检测物体对应的目标特征，确定待检测图像中包括所述目标特征的候选目标；
所述确定模块，还用于根据各候选目标的位置，确定包含各候选目标的候选区域；
放大模块，用于将所述候选区域内的图像以不同的倍数放大，得到以不同倍数放大得到的候选区域放大图像；
检测模块，用于将各候选区域放大图像输入预设的图像检测模型，由所述图像检测模型分别确定每个候选区域放大图像中的正式目标的坐标信息，并对各候选区域放大图像中的正式目标的坐标信息进行加权融合，得到所述待检测图像中的各正式目标的坐标信息；
获取模块，用于获取所述图像检测模型输出的检测结果图像，所述检测结果图像中包括所述待检测图像中的各正式目标的坐标信息。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：标记模块；
所述确定模块，还用于根据待检测物体的类别与各类别的待检测物体的特征的对应关系，确定各正式目标所属的类别；
所述标记模块，用于对所述检测结果图像中的各正式目标添加用于表示各正式目标所述类别的标记。
9.根据权利要求7所述的装置，其特征在于，所述目标特征包括待检测物体的颜色值；所述确定模块，具体用于：
对所述待检测图像进行色彩分割；
从色彩分割后的待检测图像中确定候选目标，所述候选目标的颜色值与所述待检测物体的颜色值之间的差值小于预设阈值。
10.根据权利要求7所述的装置，其特征在于，所述确定模块，具体还用于：
对于每个候选目标，将以所述候选目标为中心的预设像素尺寸的区域确定为所述候选目标对应的候选子区域；
根据各候选子区域，确定包含各候选子区域的候选区域。
11.根据权利要求8所述的装置，其特征在于，所述待检测物体为交通信号灯，所述交通信号灯的红灯对应的RGB颜色值为第一RGB颜色值、绿灯对应的RGB颜色值为第二RGB颜色值、黄灯对应的RGB颜色值为第三RGB颜色值；所述确定模块，具体还用于：
若正式目标的RGB颜色值为所述第一RGB颜色值，则确定所述正式目标为红灯；
若正式目标的RGB颜色值为所述第二RGB颜色值，则确定所述正式目标为绿灯；
若正式目标的RGB颜色值为所述第三RGB颜色值，则确定所述正式目标为黄灯。
12.根据权利要求9所述的装置，其特征在于，所述候选目标包括：
所述待检测图像中RGB颜色值与所述第一RGB颜色值之间的差值小于所述预设阈值的目标；
所述待检测图像中RGB颜色值与所述第二RGB颜色值之间的差值小于所述预设阈值的目标；
所述待检测图像中RGB颜色值与所述第三RGB颜色值之间的差值小于所述预设阈值的目标。
13.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-6任一所述的方法步骤。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911054654.1A CN110837789B (zh) | 2019-10-31 | 2019-10-31 | 一种检测物体的方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911054654.1A CN110837789B (zh) | 2019-10-31 | 2019-10-31 | 一种检测物体的方法、装置、电子设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110837789A true CN110837789A (zh) | 2020-02-25 |
| CN110837789B CN110837789B (zh) | 2023-01-20 |
Family
ID=69575935
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911054654.1A Active CN110837789B (zh) | 2019-10-31 | 2019-10-31 | 一种检测物体的方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110837789B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111507958A (zh) * | 2020-04-15 | 2020-08-07 | 全球能源互联网研究院有限公司 | 目标检测方法、检测模型的训练方法及电子设备 |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130058542A1 (en) * | 2011-09-07 | 2013-03-07 | Peter O. Stubler | Event classification method using lit candle detection |
| CN105989367A (zh) * | 2015-02-04 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 目标获取方法及设备 |
| US20170124415A1 (en) * | 2015-11-04 | 2017-05-04 | Nec Laboratories America, Inc. | Subcategory-aware convolutional neural networks for object detection |
| CN106909937A (zh) * | 2017-02-09 | 2017-06-30 | 北京汽车集团有限公司 | 交通信号灯识别方法、车辆控制方法、装置及车辆 |
| CN107133570A (zh) * | 2017-04-07 | 2017-09-05 | 武汉睿智视讯科技有限公司 | 一种车辆/行人检测方法及系统 |
| CN108108761A (zh) * | 2017-12-21 | 2018-06-01 | 西北工业大学 | 一种基于深度特征学习的快速交通信号灯检测方法 |
| US20180260793A1 (en) * | 2016-04-06 | 2018-09-13 | American International Group, Inc. | Automatic assessment of damage and repair costs in vehicles |
| CN109086799A (zh) * | 2018-07-04 | 2018-12-25 | 江苏大学 | 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法 |
| CN109101897A (zh) * | 2018-07-20 | 2018-12-28 | 中国科学院自动化研究所 | 水下机器人的目标检测方法、系统及相关设备 |
| CN109165644A (zh) * | 2018-07-13 | 2019-01-08 | 北京市商汤科技开发有限公司 | 目标检测方法和装置、电子设备、存储介质、程序产品 |
| CN109255352A (zh) * | 2018-09-07 | 2019-01-22 | 北京旷视科技有限公司 | 目标检测方法、装置及系统 |
| CN109583266A (zh) * | 2017-09-28 | 2019-04-05 | 杭州海康威视数字技术股份有限公司 | 一种目标检测方法、装置、计算机设备及存储介质 |
| CN109784290A (zh) * | 2019-01-23 | 2019-05-21 | 科大讯飞股份有限公司 | 一种目标检测方法、装置、设备及可读存储介质 |
| CN109886161A (zh) * | 2019-01-30 | 2019-06-14 | 江南大学 | 一种基于可能性聚类和卷积神经网络的道路交通标识识别方法 |
| CN110032962A (zh) * | 2019-04-03 | 2019-07-19 | 腾讯科技（深圳）有限公司 | 一种物体检测方法、装置、网络设备和存储介质 |
| CN110097067A (zh) * | 2018-12-25 | 2019-08-06 | 西北工业大学 | 一种基于层进式特征变换的弱监督细粒度图像分类方法 |
| CN110222569A (zh) * | 2019-05-05 | 2019-09-10 | 北京三快在线科技有限公司 | 对象检测方法、装置、电子设备及可读存储介质 |
| CN110297232A (zh) * | 2019-05-24 | 2019-10-01 | 合刃科技（深圳）有限公司 | 基于计算机视觉的单目测距方法、装置及电子设备 |
| CN110349161A (zh) * | 2019-07-10 | 2019-10-18 | 北京字节跳动网络技术有限公司 | 图像分割方法、装置、电子设备、及存储介质 |
-
2019
- 2019-10-31 CN CN201911054654.1A patent/CN110837789B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130058542A1 (en) * | 2011-09-07 | 2013-03-07 | Peter O. Stubler | Event classification method using lit candle detection |
| CN105989367A (zh) * | 2015-02-04 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 目标获取方法及设备 |
| US20170124415A1 (en) * | 2015-11-04 | 2017-05-04 | Nec Laboratories America, Inc. | Subcategory-aware convolutional neural networks for object detection |
| US20180260793A1 (en) * | 2016-04-06 | 2018-09-13 | American International Group, Inc. | Automatic assessment of damage and repair costs in vehicles |
| CN106909937A (zh) * | 2017-02-09 | 2017-06-30 | 北京汽车集团有限公司 | 交通信号灯识别方法、车辆控制方法、装置及车辆 |
| CN107133570A (zh) * | 2017-04-07 | 2017-09-05 | 武汉睿智视讯科技有限公司 | 一种车辆/行人检测方法及系统 |
| CN109583266A (zh) * | 2017-09-28 | 2019-04-05 | 杭州海康威视数字技术股份有限公司 | 一种目标检测方法、装置、计算机设备及存储介质 |
| CN108108761A (zh) * | 2017-12-21 | 2018-06-01 | 西北工业大学 | 一种基于深度特征学习的快速交通信号灯检测方法 |
| CN109086799A (zh) * | 2018-07-04 | 2018-12-25 | 江苏大学 | 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法 |
| CN109165644A (zh) * | 2018-07-13 | 2019-01-08 | 北京市商汤科技开发有限公司 | 目标检测方法和装置、电子设备、存储介质、程序产品 |
| CN109101897A (zh) * | 2018-07-20 | 2018-12-28 | 中国科学院自动化研究所 | 水下机器人的目标检测方法、系统及相关设备 |
| CN109255352A (zh) * | 2018-09-07 | 2019-01-22 | 北京旷视科技有限公司 | 目标检测方法、装置及系统 |
| CN110097067A (zh) * | 2018-12-25 | 2019-08-06 | 西北工业大学 | 一种基于层进式特征变换的弱监督细粒度图像分类方法 |
| CN109784290A (zh) * | 2019-01-23 | 2019-05-21 | 科大讯飞股份有限公司 | 一种目标检测方法、装置、设备及可读存储介质 |
| CN109886161A (zh) * | 2019-01-30 | 2019-06-14 | 江南大学 | 一种基于可能性聚类和卷积神经网络的道路交通标识识别方法 |
| CN110032962A (zh) * | 2019-04-03 | 2019-07-19 | 腾讯科技（深圳）有限公司 | 一种物体检测方法、装置、网络设备和存储介质 |
| CN110222569A (zh) * | 2019-05-05 | 2019-09-10 | 北京三快在线科技有限公司 | 对象检测方法、装置、电子设备及可读存储介质 |
| CN110297232A (zh) * | 2019-05-24 | 2019-10-01 | 合刃科技（深圳）有限公司 | 基于计算机视觉的单目测距方法、装置及电子设备 |
| CN110349161A (zh) * | 2019-07-10 | 2019-10-18 | 北京字节跳动网络技术有限公司 | 图像分割方法、装置、电子设备、及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| KAIPENG ZHANG等: ""Joint Face Detection andAlignment using Multi-task Cascaded Convolutional Networks"", 《ARXIV》 * |
| 吴金亮等: "基于Mask R-CNN的舰船目标检测研究", 《无线电工程》 * |
| 寇大磊等: "基于深度学习的目标检测框架进展研究", 《计算机工程与应用》 * |
| 高鑫等: "基于可变形卷积神经网络的遥感影像密集区域车辆检测方法", 《电子与信息学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111507958A (zh) * | 2020-04-15 | 2020-08-07 | 全球能源互联网研究院有限公司 | 目标检测方法、检测模型的训练方法及电子设备 |
| CN111507958B (zh) * | 2020-04-15 | 2023-05-26 | 全球能源互联网研究院有限公司 | 目标检测方法、检测模型的训练方法及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110837789B (zh) | 2023-01-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108009543B (zh) | 一种车牌识别方法及装置 | |
| US9697416B2 (en) | Object detection using cascaded convolutional neural networks | |
| EP3806064B1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
| KR102595704B1 (ko) | 영상 검측 방법, 장치, 전자 기기, 저장 매체 및 프로그램 | |
| 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 | |
| CN107590447A (zh) | 一种文字标题识别方法及装置 | |
| CN110070551B (zh) | 视频图像的渲染方法、装置和电子设备 | |
| CN111311556B (zh) | 手机缺陷位置识别方法及设备 | |
| WO2015074521A1 (en) | Devices and methods for positioning based on image detection | |
| CN110084204B (zh) | 基于目标对象姿态的图像处理方法、装置和电子设备 | |
| US10762372B2 (en) | Image processing apparatus and control method therefor | |
| CN111274926B (zh) | 图像数据筛选方法、装置、计算机设备和存储介质 | |
| CN113435407B (zh) | 一种输电系统的小目标识别方法及装置 | |
| CN111325717A (zh) | 手机缺陷位置识别方法及设备 | |
| CN108615030B (zh) | 一种标题一致性检测方法、装置及电子设备 | |
| CN112232368B (zh) | 目标识别模型训练方法、目标识别方法及其相关装置 | |
| CN111553302B (zh) | 关键帧选取方法、装置、设备及计算机可读存储介质 | |
| CN112767354A (zh) | 基于图像分割的缺陷检测方法、装置、设备及存储介质 | |
| CN112560649A (zh) | 一种行为动作检测方法、系统、设备及介质 | |
| Huang et al. | Detecting shadows in high-resolution remote-sensing images of urban areas using spectral and spatial features | |
| CN110837789B (zh) | 一种检测物体的方法、装置、电子设备及介质 | |
| CN113887608B (zh) | 一种模型训练的方法、图像检测的方法及装置 | |
| CN113902740A (zh) | 图像模糊程度评价模型的构建方法 | |
| CN113127349A (zh) | 软件测试方法和系统 | |
| CN110969602B (zh) | 一种图像清晰程度检测方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |