CN110866928B - 基于神经网络的目标边界分割及背景噪声抑制方法及设备 - Google Patents
基于神经网络的目标边界分割及背景噪声抑制方法及设备 Download PDFInfo
- Publication number
- CN110866928B CN110866928B CN201911033632.7A CN201911033632A CN110866928B CN 110866928 B CN110866928 B CN 110866928B CN 201911033632 A CN201911033632 A CN 201911033632A CN 110866928 B CN110866928 B CN 110866928B
- Authority
- CN
- China
- Prior art keywords
- target
- detected
- background
- frame
- intersection point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000011218 segmentation Effects 0.000 title claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 27
- 230000001629 suppression Effects 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000003708 edge detection Methods 0.000 claims description 4
- 230000015654 memory Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 4
- 230000005291 magnetic effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了基于神经网络的目标边界分割及背景噪声抑制方法及设备，该方法包括：获取图像并确定待检测目标与背景目标；分别对上述待检测目标和背景目标进行外接框分割，获得待检测目标和背景目标的外接框；进行待检测目标的边线检测；输出待检测目标。计算机可读介质，其上存储有计算机可读指令，计算机可读指令可被处理器执行时，使处理器实现如上述的方法。该设备包括：处理器；计算机可读介质，用于存储计算机可读指令，当计算机可读指令被处理器执行，使得处理器实现上述的方法。当背景目标与待检测目标相互紧密连接时，即使外接框中包含了大量的背景噪声，本申请依然可以清晰地标定待检测目标的完整准确边界。
Description
技术领域
本申请涉及计算机领域，尤其涉及基于神经网络边界检测及背景噪声抑制方法及设备。
背景技术
当使用一种基于神经网络的目标边界分割方法对如图1所示的稠密分布的多个目标用外接矩形进行分割，得到如图2所示的结果。但是，该方法存在以下问题：分割矩形内除了目标以外，包含很多其它背景目标。以图3为例，A为待检测目标，B和C为背景目标或干扰目标。这样的分割结果无法满足目标物体的精确定位需求，而精确定位的结果如图4所示，围绕待检测目标A外接的矩形框为待检测目标A的精确定位框，矩形框内目标没有其余干扰目标，而图5则为期望达到的目标的理想精确定位分割结果。
因此，现有技术中的外接矩形框中包含了大量的背景噪声，当干扰目标与待检测目标相互紧密连接时，则无法清晰标定目标物体的完整准确边界。
发明内容
本申请的一个目的是提供基于神经网络边界检测及背景噪声抑制方法及设备，以解决现有技术中外接矩形框中包含了大量的背景噪声，当干扰目标与待检测目标相互紧密连接时，则无法清晰标定待检测目标的完整准确边界的技术问题。
根据本申请的一个方面，提供了基于神经网络的目标边界分割及背景噪声抑制方法，所述方法包括：
获取图像并确定待检测目标与背景目标；
分别对上述待检测目标和背景目标进行外接框分割，获得所述待检测目标和所述背景目标的外接框；
基于所述待检测目标和所述背景目标的外接框，进行待检测目标的边线检测；
基于所述待检测目标的边线检测结果，输出待检测目标。
进一步地，上述的基于神经网络的目标边界分割及背景噪声抑制方法中，所述的分别对上述待检测目标和背景目标进行分割，获得所述待检测目标和所述背景目标的外接框，包括：通过外接矩形分割方法分别对上述待检测目标和背景目标进行外接矩形框分割，获得所述待检测目标和所述背景目标的外接矩形框。
进一步地，上述的基于神经网络的目标边界分割及背景噪声抑制方法中，基于所述待检测目标和所述背景目标的外接框，对所述外接框进行编号，并为每个所述外接框建立一个相交框的列表，并记录所述待检测目标的外接框与所述背景目标的外接框的相交区域。
进一步地，上述的基于神经网络的目标边界分割及背景噪声抑制方法中，上述的基于所述待检测目标和所述背景目标的外接框，对所述待检测目标的边线检测，包括：
确定所述待检测目标的最大外接轮廓；
通过边缘检测，获得所述待检测目标的最大外接轮廓；
将所述最大外接轮廓在模板上显示。
进一步地，上述的基于神经网络的目标边界分割及背景噪声抑制方法中，填充待检测目标的外接框与所述背景目标的外接框的相交区域，获得所述待检测目标的最大外接轮廓的部分边线，其中，所述相交区域内的外接边缘点被去掉。
进一步地，上述的基于神经网络的目标边界分割及背景噪声抑制方法中，基于霍夫概率直线检测方法检测所述待检测目标的最大外接轮廓的部分边线，并描出所述部分边线中的最长线段，其中，所述最长线段的角度即为所述待检测目标的旋转角度。
进一步地，上述的基于神经网络的目标边界分割及背景噪声抑制方法中，基于所述待检测目标的旋转角度，将所述待检测目标旋转校正至水平状态。
进一步地，上述的基于神经网络的目标边界分割及背景噪声抑制方法中，
基于上述的将待检测目标旋转校正至水平状态，将所述最长线段延长，获得与所述待检测目标的外接矩形框的其中两条边的第一交点和第二交点；
以所述第一交点为起点，作所述最长线段的垂线并与所述待检测目标的外接矩形框的另外一条边相交于第三交点；
基于所述第三交点，作一水平延长线并与所述待检测目标的外接矩形框的另外一条边相交于第四交点；
基于所述第四交点，作由所述第三交点和所述第四交点组成的线段的垂线，使得该垂线与上述最长线段的延长线相交；
获得所述待检测目标的外接矩形框位置。
根据本申请的另一方面，还提供了计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行时，使所述处理器实现如上述任一项所述的方法。
根据本申请的另一方面，还提供了基于神经网络的目标边界分割及背景噪声抑制设备，该设备包括：
一个或多个处理器；
计算机可读介质，用于存储一个或多个计算机可读指令，
当所述一个或多个计算机可读指令被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述中任一项所述的方法。
与现有技术相比，本申请具有如下技术效果：
当外接框中包含背景目标时，本申请可以有效抑制背景目标形成的噪声；当外接矩形框包含稠密分布的背景目标时，本申请可以精确定位待检测目标边界和目标位置；当背景目标与待检测目标相互紧密连接时，即使本申请外接框中包含了大量的背景噪声，本申请依然可以清晰地标定待检测目标的完整准确边界。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出现有技术中稠密分布的多个目标的示意图；
图2示出将如图1所示结构进行外接矩形框分割后的示意图；
图3示出基于如图2所示的分割方法所分割出的待检测目标的外接矩形框图；
图4示出如图1所示的需精确定位后的待检测目标的外接矩形框图；
图5示出期望达到的待检测目标的精确定位分割结果图；
图6示出根据本申请基于神经网络的目标边界分割及背景噪声抑制方法一个方面的流程图；
图7示出本申请基于神经网络的目标边界分割及背景噪声抑制方法一个方面的采用外接矩形分割方法获得的外接矩形框图；
图8示出本申请中一个方面的待检测目标与背景目标形成的相交区域示意图；
图9示出本申请中一个方面的以A为待检测目标的外接矩形框示意图；
图10示出本申请中一个方面的外接矩形框A’的最大外接轮廓图；
图11示出本申请中一个方面的填充相交区域后得到的示意图；
图12示出本申请中一个方面的最长线段G的示意图；
图13示出本申请中一个方面的将待检测目标旋转校正后的示意图；
图14示出本申请中一个方面的待检测目标的外接矩形框的精确位置图；
图15示出本申请基于神经网络的目标边界分割及背景噪声抑制方法获得的待检测目标的精确定位分割图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本申请作进一步详细描述。
在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器，例如中央处理器(Central Processing Unit，CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RandomAccess Memory，RAM)和/或非易失性内存等形式，如只读存储器(Read Only Memory，ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(Phase-Change RAM，PRAM)、静态随机存取存储器(Static Random Access Memory，SRAM)、动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、数字多功能光盘(Digital Versatile Disk，DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
如图6所示，根据本实施例的一个方面，提供了基于神经网络的目标边界分割及背景噪声抑制方法，所述方法包括：
步骤S11，获取图像并确定待检测目标与背景目标；
步骤S12，分别对上述待检测目标和背景目标进行外接框分割，获得所述待检测目标和所述背景目标的外接框；
步骤S13，基于所述待检测目标和所述背景目标的外接框，进行待检测目标的边线检测；
步骤S14，基于所述待检测目标的边线检测结果，输出待检测目标。
上述步骤S11至步骤S14，当外接框中包含背景目标时，本实施例可以有效抑制背景目标形成的噪声；当外接矩形框包含稠密分布的背景目标时，本实施例可以精确定位待检测目标边界和目标位置；即在本实施例实施过程中，可以同时实现精确定位待检测目标边界和目标位置、以及有效地抑制背景目标形成的噪声。即使，本实施例外接框中包含了大量的背景噪声，当背景目标与待检测目标相互紧密连接时，本实施例依然可以清晰地标定待检测目标的完整准确边界。
如图7至图14示出了本实施例基于神经网络的目标边界分割及背景噪声抑制方法中所涉及的目标边界分割及背景噪声抑制过程示意图。但是，附图中所涉及的待检测目标A、背景目标B以及背景目标C的结构示例(如不同瓶子形状的结构)仅仅是示意，其并不对本申请的保护范围造成限定。
当然，对待检测目标A、背景目标B、背景目标C的确定仅仅示意了其中一种情况用于解释说明，本领域技术人员可以根据实际情况，确定相互紧密连接在一起的多个目标对象中的任一个为待检测目标，上述示意亦不对本申请的保护范围造成限定。
再者，本实施例仅仅示意了与所述待检测目标A稠密分布或者紧密连接在一起的背景目标仅为两个情况(即，背景目标B和背景目标C)，但是，在实际应用过程中，所述背景目标的数量可以为一个、两个甚至更多，上述对背景目标数量的公开并不对本申请的保护范围造成限定。
当然，在本实施例中，所述待检测目标A、背景目标B和背景目标C优选采用类似瓶子的结构进行显示，所涉及的外接框优选采用外接矩形框进行实例说明，如图7所示，以进一步清楚地了解本实施例。
接着本申请的上述实施例，步骤S12中，所述分别对上述待检测目标和背景目标进行分割，获得所述待检测目标和所述背景目标的外接框，包括：通过外接矩形分割方法分别对上述待检测目标和背景目标进行外接矩形框分割，获得所述待检测目标和所述背景目标的外接矩形框。
接着本申请的上述实施例，步骤S12中，基于所述待检测目标和所述背景目标的外接矩形框，对所述外接矩形框进行编号。
例如，对每个上述的外接矩形框进行编号，分别为外接矩形框A’，外接矩形框B’，外接矩形框C’，为进一步将不同的外接矩形框更好或者更清楚地区分开来，亦可将上述外接矩形框在编号的同时标注为不同的颜色，如外接矩形框A’(红)，外接矩形框B’(黄)，外接矩形框C’(绿)。
进一步地，并为每个所述外接矩形框建立一个相交框的列表，并记录所述待检测目标A的外接矩形框A’与所述背景目标B的外接矩形框B’、背景目标C的外接矩形框C’的相交区域，如图8所示。
在上述完成对所述外接矩形框的编号后，并为每个所述外接矩形框建立一个相交框的列表。如图7所示，以A为待检测目标，与待检测目标A对应的外接矩形框A’相交的背景目标B和背景目标C的区域分别有外接矩形框B’和外接矩形框C’，表示为A’:[B’,C’]。当然，若以B为待检测目标，则与其对应的外接矩形框B’相交的背景目标的区域有外接矩形框A’和外接矩形框C’，则表示为B’:[A’,C’]。若以C为待检测目标，则与其对应的外接矩形框C’相交的背景目标的区域有外接矩形框A’和外接矩形框B’，则表示为C:[A,B]。在本实施例中，以A为待检测目标进行进一步解释说明。
如图8所示，纯灰色填充区域为外接矩形框A与背景目标B、背景目标C形成的相交区域。
接着本申请的上述实施例，步骤S13中，如图9至图10所示，上述的基于所述待检测目标A、背景目标B以及背景目标C的外接矩形框，对所述待检测目标A的边线检测，包括：
步骤S1301，确定所述待检测目标A的最大外接轮廓；
步骤S1302，通过边缘检测，获得所述待检测目标A的最大外接轮廓；
步骤S1303，将所述最大外接轮廓在模板上显示。
其中，在步骤S1303中，优选地，将所述最大外接轮廓在黑色模板上显示所述最大外接轮廓的白色线条，如图10所示；当然，亦可将所述最大外接轮廓在白色模板上显示出所述最大外接轮廓的黑色线条；上述模板的颜色以及最大外接轮廓的线条颜色以相互色差比较大能够清楚地显示出所述最大外接轮廓为宜，上述对模板或线条颜色的举例并不对本申请的保护范围造成限定。
接着本申请的上述实施例，步骤S13中，填充待检测目标A的外接矩形框A’、背景目标B的外接矩形框B’以及背景目标C的外接矩形框C’的相交区域，获得所述待检测目标A的最大外接轮廓的部分边线，其中，所述相交区域内的外接边缘点被去掉，如图11所示。
接着本申请的上述实施例，步骤S13中，基于霍夫概率直线检测方法检测所述待检测目标A的最大外接轮廓的部分边线(即，如图11所示的线段)，并描出所述部分边线中的最长线段G(如图12中被加粗处理的倾斜线段)，其中，所述最长线段G的角度即为所述待检测目标A的旋转角度。
进一步地，基于所述待检测目标A的旋转角度，将所述待检测目标A旋转校正至水平状态，如图12所示。
接着本申请的上述实施例，步骤S13中，如图13至图14所示，基于上述的将待检测目标A旋转校正至水平状态，将所述最长线段G延长，获得与所述待检测目标A的外接矩形框A’的其中两条边的第一交点m和第二交点n；
然后，以所述第一交点m为起点，作所述最长线段G的垂线并与所述待检测目标A的外接矩形框A’的另外一条边相交于第三交点p；
然后，基于所述第三交点p，作一水平延长线并与所述待检测目标A的外接矩形框A’的另外一条边相交于第四交点q；
然后，基于所述第四交点q，作由所述第三交点p和所述第四交点q组成的线段的垂线，使得该垂线与上述最长线段G的延长线相交；
最后，获得所述待检测目标A的外接矩形框的精确位置，如图14所示。
接着本申请的上述实施例，步骤S14中，基于所述待检测目标A的边线检测结果，输出待检测目标，如图15所示。
根据本申请的另一方面，还提供了计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行时，使所述处理器实现如上述的基于神经网络的目标边界分割及背景噪声抑制方法。
根据本申请的另一方面，还提供了基于神经网络的目标边界分割及背景噪声抑制设备，该设备包括：
一个或多个处理器；
计算机可读介质，用于存储一个或多个计算机可读指令，
当所述一个或多个计算机可读指令被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的基于神经网络的目标边界分割及背景噪声抑制方法。
在此，所述设备的各实施例的详细内容，具体可参见上述设备端的基于神经网络的目标边界分割及背景噪声抑制方法实施例的对应部分，在此，不再赘述。
综上所述，本申请当外接框中包含背景目标时，本申请可以有效抑制背景目标形成的噪声；当外接矩形框包含稠密分布的背景目标时，本申请可以精确定位待检测目标边界和目标位置；当背景目标与待检测目标相互紧密连接时，即使本申请外接框中包含了大量的背景噪声，本申请依然可以清晰地标定待检测目标的完整准确边界。
需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本申请的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
Claims (9)
1.基于神经网络的目标边界分割及背景噪声抑制方法，其特征在于，所述方法包括：
通过神经网络检测获取图像并确定待检测目标与背景目标；
分别对上述待检测目标和背景目标进行外接框分割，获得所述待检测目标和所述背景目标的外接框；
基于所述待检测目标和所述背景目标的外接框，进行待检测目标的边线检测，输出所述检测目标的边线检测结果；其中，填充待检测目标的外接框与所述背景目标的外接框的相交区域，获得所述待检测目标的最大外接轮廓的部分边线，其中，所述相交区域内的外接边缘点被去掉；
基于所述待检测目标的边线检测结果，输出待检测目标。
2.根据权利要求1所述的方法，其特征在于，上述的分别对上述待检测目标和背景目标进行分割，获得所述待检测目标和所述背景目标的外接框，包括：通过外接矩形分割方法分别对上述待检测目标和背景目标进行外接矩形框分割，获得所述待检测目标和所述背景目标的外接矩形框。
3.根据权利要求1或2所述的方法，其特征在于，基于所述待检测目标和所述背景目标的外接框，对所述外接框进行编号，并为每个所述外接框建立一个相交框的列表，并记录所述待检测目标的外接框与所述背景目标的外接框的相交区域。
4.根据权利要求1或2所述的方法，其特征在于，上述的基于所述待检测目标和所述背景目标的外接框，对所述待检测目标的边线检测，包括：
确定所述待检测目标的最大外接轮廓；
通过边缘检测，获得所述待检测目标的最大外接轮廓；
将所述最大外接轮廓在模板上显示。
5.根据权利要求4所述的方法，其特征在于，基于霍夫概率直线检测方法检测所述待检测目标的最大外接轮廓的部分边线，并描出所述部分边线中的最长线段，其中，所述最长线段的角度即为所述待检测目标的旋转角度。
6.根据权利要求5所述的方法，其特征在于，基于所述待检测目标的旋转角度，将所述待检测目标旋转校正至水平状态。
7.根据权利要求6所述的方法，其特征在于，
基于上述的将待检测目标旋转校正至水平状态，将所述最长线段延长，获得与所述待检测目标的外接矩形框的其中两条边的第一交点和第二交点；
以所述第一交点为起点，作所述最长线段的垂线并与所述待检测目标的外接矩形框的另外一条边相交于第三交点；
基于所述第三交点，作一水平延长线并与所述待检测目标的外接矩形框的另外一条边相交于第四交点；
基于所述第四交点，作由所述第三交点和所述第四交点组成的线段的垂线，使得该垂线与上述最长线段的延长线相交；
获得所述待检测目标的外接矩形框位置。
8.计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行时，使所述处理器实现如权利要求1至7中任一项所述的方法。
9.基于神经网络的目标边界分割及背景噪声抑制设备，其特征在于，该设备包括：
一个或多个处理器；
计算机可读介质，用于存储一个或多个计算机可读指令，
当所述一个或多个计算机可读指令被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911033632.7A CN110866928B (zh) | 2019-10-28 | 2019-10-28 | 基于神经网络的目标边界分割及背景噪声抑制方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911033632.7A CN110866928B (zh) | 2019-10-28 | 2019-10-28 | 基于神经网络的目标边界分割及背景噪声抑制方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110866928A CN110866928A (zh) | 2020-03-06 |
| CN110866928B true CN110866928B (zh) | 2021-07-16 |
Family
ID=69653673
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911033632.7A Active CN110866928B (zh) | 2019-10-28 | 2019-10-28 | 基于神经网络的目标边界分割及背景噪声抑制方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110866928B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112801008B (zh) * | 2021-02-05 | 2024-05-31 | 电子科技大学中山学院 | 行人重识别方法、装置、电子设备及可读存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0610080B1 (en) * | 1993-02-02 | 2002-07-17 | Matsushita Electric Industrial Co., Ltd. | Apparatus and method for defocusing images |
| CN110298298A (zh) * | 2019-06-26 | 2019-10-01 | 北京市商汤科技开发有限公司 | 目标检测及目标检测网络的训练方法、装置及设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101493892B (zh) * | 2009-02-27 | 2012-03-28 | 中国农业大学 | 图像特征提取方法及装置 |
-
2019
- 2019-10-28 CN CN201911033632.7A patent/CN110866928B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0610080B1 (en) * | 1993-02-02 | 2002-07-17 | Matsushita Electric Industrial Co., Ltd. | Apparatus and method for defocusing images |
| CN110298298A (zh) * | 2019-06-26 | 2019-10-01 | 北京市商汤科技开发有限公司 | 目标检测及目标检测网络的训练方法、装置及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 桂阳.基于机载视觉的无人机自主着舰引导关键技术研究.《中国博士学位论文全文数据库》.2016,(第01期), * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110866928A (zh) | 2020-03-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9818201B2 (en) | Efficient lens re-distortion | |
| CN111292302B (zh) | 屏幕检测方法及装置 | |
| CN105069453A (zh) | 一种图像校正方法及装置 | |
| CN111091123A (zh) | 文本区域检测方法及设备 | |
| CN111310759B (zh) | 双模式协作的目标检测抑制优化方法及设备 | |
| CN110827245A (zh) | 一种检测屏幕显示断线的方法及设备 | |
| CN110796669A (zh) | 一种垂直边框定位方法及设备 | |
| CN111210473A (zh) | 手机轮廓定位方法及设备 | |
| CN112396640A (zh) | 图像配准方法、装置、电子设备及存储介质 | |
| CN109858542A (zh) | 一种字符识别方法和装置 | |
| CN112347292A (zh) | 缺陷标注方法和装置 | |
| CN111553870B (zh) | 一种基于分布式系统的图像处理方法 | |
| WO2023185234A1 (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN110866928B (zh) | 基于神经网络的目标边界分割及背景噪声抑制方法及设备 | |
| US9239230B2 (en) | Computing device and method for measuring widths of measured parts | |
| CN114638294A (zh) | 一种数据增强方法、装置、终端设备及存储介质 | |
| CN111798422A (zh) | 棋盘格角点识别方法、装置、设备及存储介质 | |
| CN110929738A (zh) | 证卡边缘检测方法、装置、设备及可读存储介质 | |
| CN112634286A (zh) | 图像的裁剪方法及装置 | |
| CN110930420B (zh) | 基于神经网络的稠密目标背景噪声抑制方法及设备 | |
| CN112906708B (zh) | 一种图片处理方法、装置、电子设备和计算机存储介质 | |
| CN114494398B (zh) | 倾斜目标的处理方法、装置、存储介质与处理器 | |
| CN111242116B (zh) | 屏幕定位方法及装置 | |
| CN115809999A (zh) | 器件上目标对象检测方法、装置、电子设备及存储介质 | |
| WO2022118801A1 (ja) | 毛髪評価方法、プログラム、コンピュータ、および毛髪評価システム |
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 |