CN111127358A - 图像处理方法、装置及存储介质 - Google Patents
图像处理方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111127358A CN111127358A CN201911316068.XA CN201911316068A CN111127358A CN 111127358 A CN111127358 A CN 111127358A CN 201911316068 A CN201911316068 A CN 201911316068A CN 111127358 A CN111127358 A CN 111127358A
- Authority
- CN
- China
- Prior art keywords
- light source
- image
- halo
- target image
- target
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 56
- 125000001475 halogen functional group Chemical group 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 5
- 238000009877 rendering Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000002093 peripheral effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013403 standard screening design Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种图像处理方法、装置及存储介质,属于图像处理技术领域,该方法包括:获取目标图像,该目标图像包括待检测的光源对象;检测目标图像中光源对象的位置,得到光源对象的位置信息;对位置信息指示的光源图像进行去光晕处理,得到去光晕后的光源图像;对去光晕后的光源图像进行描色处理,得到处理后的目标图像,处理后的目标图像包括处理后的光源图像;可以解决包括光源对象的目标图像容易出现颜色偏差,导致目标图像呈现信息的真实性较差的问题;通过对目标图像进行去光晕和描色处理,可以重现目标图像中光源对象的真实颜色,从而提高目标图像呈现信息的真实性。
Description
技术领域
本申请涉及一种图像处理方法、装置及存储介质,属于图像处理技术领域。
背景技术
道路监控常用的监控方式为:通过图像采集组件采集道路图像,基于图像传输通道将采集到的道路图像传输至监控中心供监控人员查看。
然而,道路图像可能由于图像采集组件老化、天气、光照等原因出现颜色偏差。比如:道路图像中存在交通灯的场景,若交通灯实际是红灯,则道路图像出现颜色偏差后可能呈现黄灯或者白灯,此时,会降低道路图像所呈现的道路信息的真实性,从而降低道路监控效果。
发明内容
本申请提供了一种图像处理方法、装置及存储介质,可以解决包括光源对象的目标图像容易出现颜色偏差,导致目标图像呈现信息的真实性较差的问题。本申请提供如下技术方案:
第一方面,提供了一种图像处理方法,所述方法包括:
获取目标图像,所述目标图像包括待检测的光源对象;
检测所述目标图像中光源对象的位置,得到所述光源对象的位置信息;
对所述位置信息指示的光源图像进行去光晕处理,得到去光晕后的光源图像;
对所述去光晕后的光源图像进行描色处理,得到处理后的目标图像,所述处理后的目标图像包括处理后的光源图像。
可选地,所述检测所述目标图像中光源对象的位置,包括:
获取目标检测模型,所述目标检测模型包括第一网络模型和第二网络模型,所述第一网络模型用于对所述光源对象的位置进行预测;所述第二网络模型用于基于所述第一网络模型中至少一层的输出结果使用不同尺寸特征图对所述光源对象的位置进行预测;
将所述目标图像输入预设的目标检测模型,得到所述光源对象的位置。
可选地,所述获取目标检测模型之前,还包括:
将样本数据输入初始网络模型,所述初始网络模型的模型结构与所述目标检测模型的模型结构相同;
基于分类损失函数和回归损失函数对所述初始网络模型进行训练,得到所述目标检测模型。
可选地,所述第一网络模型包括SSD网络模型,所述第二网络模型包括特征图金字塔网络。
可选地,所述对所述位置信息指示的光源图像进行去光晕处理,得到去光晕后的光源图像,包括:
获取去光晕算法,所述去光晕算法用于均衡所述光源图像中各个位置的颜色值;
将所述位置信息输入所述去光晕算法,得到所述去光晕后的光源图像。
可选地,所述去光晕算法通过下式表示:
f(x)=-g(x)×xRGB
其中,x RGB为所述光源图像中像素x处的RGB值、f(x)为去光晕后的光源图像中像素x处的RGB值、g(x)为像素x处RGB值的调节系数、μ为所述光源图像的中心位置,σ为所述光源图像中各个像素点的RGB值的标准差。
可选地,所述对所述去光晕后的光源图像进行描色处理,得到处理后的目标图像,包括:
确定与所述去光晕后的光源图像对应的模板图像,所述模板图像的类型与所述光源对象的类型相同;
基于所述去光晕后的光源图像中指定位置处的像素值确定所述模板图像的模板底色;
使用具有所述模板底色的模板图像对所述去光晕后的光源图像进行描色。
可选地,所述方法还包括:
获取所述光源对象的对象信息;
基于所述对象信息对所述光源对象的位置信息进行调整。
可选地,所述方法还包括:
确定当前位置的HSV颜色空间是否为指定颜色的HSV颜色空间;
在所述当前位置的HSV颜色空间是所述指定颜色的HSV颜色空间时,触发执行所述对所述位置信息指示的光源图像进行去光晕处理,从而得到去光晕后的光源图像。
第二方面,提供了一种图像处理装置,所述装置包括:
图像获取模块,用于获取目标图像,所述目标图像包括待检测的光源对象;
位置检测模块,用于检测所述目标图像中光源对象的位置,得到所述光源对象的位置信息;
光晕处理模块,用于对所述位置信息指示的光源图像进行去光晕处理,得到去光晕后的光源图像;
描色处理模块,用于对所述去光晕后的光源图像进行描色处理,得到处理后的目标图像,所述处理后的目标图像包括处理后的光源图像。
第三方面,提供一种图像处理装置,所述装置包括处理器和存储器;所述存储器中存储有程序,所述程序由所述处理器加载并执行以实现第一方面所述的图像处理方法。
第四方面,提供一种计算机可读存储介质,所述存储介质中存储有程序,所述程序由所述处理器加载并执行以实现第一方面所述的图像处理方法。
本申请的有益效果在于:获取目标图像,目标图像包括待检测的光源对象;检测目标图像中光源对象的位置,得到光源对象的位置信息;对位置信息指示的光源图像进行去光晕处理,得到去光晕后的光源图像;对去光晕后的光源图像进行描色处理,得到处理后的目标图像,处理后的目标图像包括处理后的光源图像;可以解决包括光源对象的目标图像容易出现颜色偏差,导致目标图像呈现信息的真实性较差的问题;由于可以对目标图像进行去光晕和描色处理,可以重现目标图像中光源对象的真实颜色,从而提高目标图像呈现信息的真实性。另外,通过使用包括第一网络模型和第二网络模型的目标检测模型来检测光源对象在目标图像中位置;由于第一网络模型检测密集小目标的效果较差,通过第二网络模型基于第一网络模型中至少一层的输出结果再次进行不同尺寸的特征提取,使得目标检测模型可以适应各个尺寸的光源对象,提高目标检测模型检测光源对象的准确性。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,并可依照说明书的内容予以实施,以下以本申请的较佳实施例并配合附图详细说明如后。
附图说明
图1是本申请一个实施例提供的SSD网络模型的结构示意图;
图2是本申请一个实施例提供的FPN网络模型的结构示意图;
图3是本申请一个实施例提供的图像处理方法的流程图;
图4是本申请另一个实施例提供的图像处理方法的流程图;
图5是本申请一个实施例提供的图像处理装置的框图;
图6是本申请一个实施例提供的图像处理装置的框图。
具体实施方式
下面结合附图和实施例,对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请,但不用来限制本申请的范围。
首先,对本申请涉及的若干名词进行介绍。
单发多盒探测器(Single Shot MultiBox Detector,SSD):是指使用VGG19网络作为特征提取器的单次检测器。SSD支持对类别和位置执行单次预测。
参考图1所示的SSD网络模型,SSD算法在传统的基础网络(比如VGG)后添加了多个特征图尺寸依次减小的卷积层,对多个特征图的输入分别采用2个不同的3*3的卷积核进行卷积。
其中,卷积层降低了空间维度和分辨率,因此,传统的SSD算法可以检测较大的目标,但是对于密集小目标的检测效果不好,而且有时检测结果中会出现重叠框。
特征图金字塔网络(Feature Pyramid Networks,FPN):是指使用不同尺寸特征图进行预测的网络,是一种旨在提高准确率和速度的特征提取器。
参考图2,FPN包括自底向上和自顶向下两个路径。自底向上的路径通常是提取特征的卷积网络。自底向上的过程中,空间分辨率递减,检测更多高层结构,网络层的语义值相应增加。自顶向下的路径,基于语义较丰富的层构建分辨率较高的层。尽管重建的层语义足够丰富,但经过这些下采样和上采样过程,目标的位置不再准确了。因此FPN在重建层和相应的特征映射间增加了横向连接,以帮助检测器更好地预测位置。这些横向连接同时起到了跳跃连接(skip connection)的作用(类似残差网络的做法)。
光晕:是指在显影后的影响边缘漫延出来的虚影。
可选地,本申请以各个实施例的执行主体为电子设备为例进行说明,该电子设备可以是终端(比如:计算机、平板电脑、手机等)或者服务器等具有图像处理能力的设备,本实施例不对电子设备的类型作限定。
图3是本申请一个实施例提供的图像处理方法的流程图。该方法至少包括以下几个步骤:
步骤301,获取目标图像,目标图像包括待检测的光源对象。
可选地,光源对象可以为交通灯、车灯、路灯等,本实施例不对光源对象的类型作限定。
可选地,目标图像可以是视频流中的一帧图像;或者,是单张的图像,本实施例不对目标图像的来源作限定。
步骤302,检测目标图像中光源对象的位置,得到光源对象的位置信息。
电子设备检测光源对象的位置,包括:获取目标检测模型,目标检测模型包括第一网络模型和第二网络模型,第一网络模型用于对光源对象的位置进行预测;第二网络模型用于基于第一网络模型中至少一层的输出结果使用不同尺寸特征图对光源对象的位置进行预测;将目标图像输入预设的目标检测模型,得到光源对象的位置。
在一个示例中,第一网络模型包括SSD网络模型,第二网络模型包括FPN。FPN可以与SSD网络模型中特征尺寸逐渐减小的中间层连接。
其中,目标检测模型是电子设备预先对初始网络模型进行训练得到的。对初始网络模型进行训练包括:将样本数据输入初始网络模型,该初始网络模型的模型结构与目标检测模型的模型结构相同;基于分类损失函数和回归损失函数对初始网络模型进行训练,得到目标检测模型。
分类损失函数用于将目标图像中光源对象和其它内容进行分类。
在一个示例中,分类损失函数为focal-loss损失函数,该分类损失函数通过下式表示:
其中,Lfl为focal-loss损失函数的函数值;γ为预设常数值,用于对focal-loss损失函数的接近速度进行控制,γ的值可以是1、2、0.5等,本实施例不对γ的取值作限定;y’为初始检测模型的预测概率;y表示实际分类结果,比如:1表示分类结果为光源对象,0表示分类结果不是光源对象。
回归损失函数用于使初始检测模型的输出结果与真实结果之间的差值最小化。
在一个示例中,回归损失函数为Smooth-L1损失函数,该回归损失函数通过下式表示:
其中,smoothL1(x)表示Smooth-L1损失函数的函数值,x表示初始检测模型的输出值与实际值之间差值的绝对值。
可选地,由于目标检测模型的输出结果可能存在偏差,若直接基于该输出结果对目标图像进行后续处理,则可能出现图像处理位置不准确,处理后的图像显示效果依然较差的问题。因此,本步骤之后,电子设备还可以获取光源对象的对象信息;基于对象信息对光源对象的位置信息进行调整。
可选地,对象信息包括:对象类型信息(比如:交通灯中的左转箭头、直行箭头和右转箭头等)、对象尺寸信息(比如:交通灯尺寸与交通灯外壳尺寸之间的比例尺)、对象位置信息(交通灯位置与交通灯外壳位置之间的相对关系)等。
电子设备获取光源对象的对象信息的方式包括:从存储介质中读取对象信息;或者,通过对象检测算法检测得到对象信息。对象检测算法用于检测目标图像中的对象信息,该对象检测算法可以是基于神经网络建立的图像识别网络,本实施例不对对象检测算法的实现方式作限定。
基于对象信息对光源对象的位置信息进行调整包括:确定位置信息指示的光源图像的尺寸是否与对象信息中的对象尺寸信息匹配;若不匹配,则按照对象信息中的对象尺寸信息进行调整;确定位置信息指示的光源图像的位置是否与对象信息中的对象位置信息匹配;若不匹配,则按照对象信息中的对象位置信息进行调整。
步骤303,对位置信息指示的光源图像进行去光晕处理,得到去光晕后的光源图像。
获取去光晕算法;将位置信息输入去光晕算法,得到去光晕后的光源图像。其中,去光晕算法用于均衡光源图像中各个位置的颜色值。
在一个示例中,去光晕算法是基于高斯函数建立的。
可选地,去光晕算法通过下式表示:
f(x)=-g(x)×xRGB
其中,x RGB为光源图像中像素x处的RGB值、f(x)为去光晕后的光源图像中像素x处的RGB值、g(x)为像素x处RGB值的调节系数、μ为光源图像的中心位置,σ为光源图像中各个像素点的RGB值的标准差。
基于上述去光晕算法可知,g(x)为高斯函数,则使用该函数作为调节系数,可以保证距离光源图像中心位置较近位置的RGB值被抑制、距离光源图像中心位置较远位置的RGB值被放大,从而达到均衡光源图像中各个位置的颜色值的目的。
可选地,由于目标检测模型的输出结果可能存在偏差,此时,位置信息指示的像素位置实际上可能并不是光源对象的图像,若对该位置的图像进行去光晕处理,可能会浪费电子设备的资源。因此,在步骤303之前,电子设备可以确定当前位置的HSV颜色空间是否为指定颜色的HSV颜色空间;在当前位置的HSV颜色空间是指定颜色的HSV颜色空间时,再执行步骤303。HSV颜色空间表参考表一所示,电子设备基于光源图像中各个像素点的HSV值与表一中各个颜色的HSV颜色空间的对应关系,确定该像素点的HSV颜色空间是否为指定颜色的HSV颜色空间。比如:以交通灯为例,指定颜色为红色、黄色和绿色,则电子设备基于位置信息指示的像素位置上的HSV值来确定该像素位置是否属于红色、黄色或者绿色的HSV值范围,若是,则该像素位置的HSV颜色空间是指定颜色的HSV颜色空间。
表一:
步骤304,对去光晕后的光源图像进行描色处理,得到处理后的目标图像,处理后的目标图像包括处理后的光源图像。
可选地,电子设备确定与去光晕后的光源图像对应的模板图像;基于去光晕后的光源图像中指定位置处的像素值确定模板图像的模板底色;使用具有模板底色的模板图像对去光晕后的光源图像进行描色。
其中,模板图像的类型与光源对象的类型相同。比如:光源对象的类型为左转箭头,则模板图像的类型也为左转箭头。
基于去光晕后的光源图像中指定位置处的像素值确定模板图像的模板底色,包括:获取去光晕后的光源图像中四个角点的像素值;确定该四个角点的像素值的平均值;将该平均值确定为模板底色。
为了更方便理解本申请提供的图像处理方法,下面提供一个实例对该图像处理方法进行介绍,本实例以光源对象为交通灯为例进行说明。参考图4所示的图像处理过程的示意图,该图像处理过程至少包括步骤41-46:
步骤41,获取目标图像和交通灯信息;
步骤42,将目标图像输入目标检测模型,得到目标图像中的光源图像和该光源图像的位置信息;
步骤43,对光源图像进行去光晕处理;
步骤44,使用交通灯信息对位置信息进行矫正;
可选地,步骤44可以在步骤43之后执行;或者,也可以在步骤43之前执行;或者,还可以与步骤43同时执行。
步骤45,获取去光晕后的光源图像对应的模板图像和该模板图像的模板底色;
步骤46,使用模板图像和模板底色对矫正后的位置信息指示的图像进行描色,得到处理后的目标图像。
综上所述,本实施例提供的图像处理方法,获取目标图像,目标图像包括待检测的光源对象;检测目标图像中光源对象的位置,得到光源对象的位置信息;对位置信息指示的光源图像进行去光晕处理,得到去光晕后的光源图像;对去光晕后的光源图像进行描色处理,得到处理后的目标图像,处理后的目标图像包括处理后的光源图像;可以解决包括光源对象的目标图像容易出现颜色偏差,导致目标图像呈现信息的真实性较差的问题;由于可以对目标图像进行去光晕和描色处理,可以重现目标图像中光源对象的真实颜色,从而提高目标图像呈现信息的真实性。
另外,通过使用包括第一网络模型和第二网络模型的目标检测模型来检测光源对象在目标图像中位置;由于第一网络模型检测密集小目标的效果较差,通过第二网络模型基于第一网络模型中至少一层的输出结果再次进行不同尺寸的特征提取,使得目标检测模型可以适应各个尺寸的光源对象,提高目标检测模型检测光源对象的准确性。
图5是本申请一个实施例提供的图像处理装置的框图。该装置至少包括以下几个模块:图像获取模块510、位置检测模块520、光晕处理模块530和描色处理模块540。
图像获取模块510,用于获取目标图像,所述目标图像包括待检测的光源对象;
位置检测模块520,用于检测所述目标图像中光源对象的位置,得到所述光源对象的位置信息;
光晕处理模块530,用于对所述位置信息指示的光源图像进行去光晕处理,得到去光晕后的光源图像;
描色处理模块540,用于对所述去光晕后的光源图像进行描色处理,得到处理后的目标图像,所述处理后的目标图像包括处理后的光源图像。
相关细节参考上述方法实施例。
需要说明的是:上述实施例中提供的图像处理装置在进行图像处理时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将图像处理装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的图像处理装置与图像处理方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图6是本申请一个实施例提供的图像处理装置的框图。该装置至少包括处理器601和存储器602。
处理器601可以包括一个或多个处理核心,比如:4核心处理器、8核心处理器等。处理器601可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器601也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器601可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器601还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器602可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器602还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器602中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器601所执行以实现本申请中方法实施例提供的图像处理方法。
在一些实施例中,图像处理装置还可选包括有:外围设备接口和至少一个外围设备。处理器601、存储器602和外围设备接口之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口相连。示意性地,外围设备包括但不限于:射频电路、触摸显示屏、音频电路、和电源等。
当然,图像处理装置还可以包括更少或更多的组件,本实施例对此不作限定。
可选地,本申请还提供有一种计算机可读存储介质,所述计算机可读存储介质中存储有程序,所述程序由处理器加载并执行以实现上述方法实施例的图像处理方法。
可选地,本申请还提供有一种计算机产品,该计算机产品包括计算机可读存储介质,所述计算机可读存储介质中存储有程序,所述程序由处理器加载并执行以实现上述方法实施例的图像处理方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (12)
1.一种图像处理方法,其特征在于,所述方法包括:
获取目标图像,所述目标图像包括待检测的光源对象;
检测所述目标图像中光源对象的位置,得到所述光源对象的位置信息;
对所述位置信息指示的光源图像进行去光晕处理,得到去光晕后的光源图像;
对所述去光晕后的光源图像进行描色处理,得到处理后的目标图像,所述处理后的目标图像包括处理后的光源图像。
2.根据权利要求1所述的方法,其特征在于,所述检测所述目标图像中光源对象的位置,包括:
获取目标检测模型,所述目标检测模型包括第一网络模型和第二网络模型,所述第一网络模型用于对所述光源对象的位置进行预测;所述第二网络模型用于基于所述第一网络模型中至少一层的输出结果使用不同尺寸特征图对所述光源对象的位置进行预测;
将所述目标图像输入预设的目标检测模型,得到所述光源对象的位置。
3.根据权利要求2所述的方法,其特征在于,所述获取目标检测模型之前,还包括:
将样本数据输入初始网络模型,所述初始网络模型的模型结构与所述目标检测模型的模型结构相同;
基于分类损失函数和回归损失函数对所述初始网络模型进行训练,得到所述目标检测模型。
4.根据权利要求2所述的方法,其特征在于,所述第一网络模型包括SSD网络模型,所述第二网络模型包括特征图金字塔网络。
5.根据权利要求1所述的方法,其特征在于,所述对所述位置信息指示的光源图像进行去光晕处理,得到去光晕后的光源图像,包括:
获取去光晕算法,所述去光晕算法用于均衡所述光源图像中各个位置的颜色值;
将所述位置信息输入所述去光晕算法,得到所述去光晕后的光源图像。
7.根据权利要求1所述的方法,其特征在于,所述对所述去光晕后的光源图像进行描色处理,得到处理后的目标图像,包括:
确定与所述去光晕后的光源图像对应的模板图像,所述模板图像的类型与所述光源对象的类型相同;
基于所述去光晕后的光源图像中指定位置处的像素值确定所述模板图像的模板底色;
使用具有所述模板底色的模板图像对所述去光晕后的光源图像进行描色。
8.根据权利要求1至7任一所述的方法,其特征在于,所述方法还包括:
获取所述光源对象的对象信息;
基于所述对象信息对所述光源对象的位置信息进行调整。
9.根据权利要求1至7任一所述的方法,其特征在于,所述方法还包括:
确定当前位置的HSV颜色空间是否为指定颜色的HSV颜色空间;
在所述当前位置的HSV颜色空间是所述指定颜色的HSV颜色空间时,触发执行所述对所述位置信息指示的光源图像进行去光晕处理,从而得到去光晕后的光源图像。
10.一种图像处理装置,其特征在于,所述装置包括:
图像获取模块,用于获取目标图像,所述目标图像包括待检测的光源对象;
位置检测模块,用于检测所述目标图像中光源对象的位置,得到所述光源对象的位置信息;
光晕处理模块,用于对所述位置信息指示的光源图像进行去光晕处理,得到去光晕后的光源图像;
描色处理模块,用于对所述去光晕后的光源图像进行描色处理,得到处理后的目标图像,所述处理后的目标图像包括处理后的光源图像。
11.一种图像处理装置,其特征在于,所述装置包括处理器和存储器;所述存储器中存储有程序,所述程序由所述处理器加载并执行以实现如权利要求1至9任一项所述的图像处理方法。
12.一种计算机可读存储介质,其特征在于,所述存储介质中存储有程序,所述程序被处理器执行时用于实现如权利要求1至9任一项所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911316068.XA CN111127358B (zh) | 2019-12-19 | 2019-12-19 | 图像处理方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911316068.XA CN111127358B (zh) | 2019-12-19 | 2019-12-19 | 图像处理方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111127358A true CN111127358A (zh) | 2020-05-08 |
CN111127358B CN111127358B (zh) | 2022-07-19 |
Family
ID=70500392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911316068.XA Active CN111127358B (zh) | 2019-12-19 | 2019-12-19 | 图像处理方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111127358B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111741214A (zh) * | 2020-05-13 | 2020-10-02 | 北京迈格威科技有限公司 | 图像处理方法、装置及电子设备 |
CN112528944A (zh) * | 2020-12-23 | 2021-03-19 | 杭州海康汽车软件有限公司 | 一种图像识别方法、装置、电子设备及存储介质 |
CN113129375A (zh) * | 2021-04-21 | 2021-07-16 | 阿波罗智联(北京)科技有限公司 | 数据处理方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650641A (zh) * | 2016-12-05 | 2017-05-10 | 北京文安智能技术股份有限公司 | 一种交通信号灯定位识别方法、装置及系统 |
CN107644538A (zh) * | 2017-11-01 | 2018-01-30 | 广州汽车集团股份有限公司 | 交通信号灯的识别方法及装置 |
CN108932696A (zh) * | 2017-05-26 | 2018-12-04 | 杭州海康威视数字技术股份有限公司 | 信号灯的光晕抑制方法及装置 |
CN109446942A (zh) * | 2018-10-12 | 2019-03-08 | 北京旷视科技有限公司 | 目标跟踪方法、装置和系统 |
-
2019
- 2019-12-19 CN CN201911316068.XA patent/CN111127358B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650641A (zh) * | 2016-12-05 | 2017-05-10 | 北京文安智能技术股份有限公司 | 一种交通信号灯定位识别方法、装置及系统 |
CN108932696A (zh) * | 2017-05-26 | 2018-12-04 | 杭州海康威视数字技术股份有限公司 | 信号灯的光晕抑制方法及装置 |
CN107644538A (zh) * | 2017-11-01 | 2018-01-30 | 广州汽车集团股份有限公司 | 交通信号灯的识别方法及装置 |
CN109446942A (zh) * | 2018-10-12 | 2019-03-08 | 北京旷视科技有限公司 | 目标跟踪方法、装置和系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111741214A (zh) * | 2020-05-13 | 2020-10-02 | 北京迈格威科技有限公司 | 图像处理方法、装置及电子设备 |
CN112528944A (zh) * | 2020-12-23 | 2021-03-19 | 杭州海康汽车软件有限公司 | 一种图像识别方法、装置、电子设备及存储介质 |
CN113129375A (zh) * | 2021-04-21 | 2021-07-16 | 阿波罗智联(北京)科技有限公司 | 数据处理方法、装置、设备及存储介质 |
CN113129375B (zh) * | 2021-04-21 | 2023-12-01 | 阿波罗智联(北京)科技有限公司 | 数据处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111127358B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009543B (zh) | 一种车牌识别方法及装置 | |
CN109886997B (zh) | 基于目标检测的识别框确定方法、装置及终端设备 | |
CN108594997B (zh) | 手势骨架构建方法、装置、设备及存储介质 | |
US20220092882A1 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
US10979622B2 (en) | Method and system for performing object detection using a convolutional neural network | |
CN111127358B (zh) | 图像处理方法、装置及存储介质 | |
CN112101305B (zh) | 多路图像处理方法、装置及电子设备 | |
CN107704797B (zh) | 基于安防视频中行人和车辆的实时检测方法和系统及设备 | |
US20170018106A1 (en) | Method and device for processing a picture | |
CN110310301B (zh) | 一种检测目标对象的方法及装置 | |
CN110852233A (zh) | 手部脱离方向盘的检测和训练方法、终端、装置、介质、系统 | |
WO2021013049A1 (zh) | 前景图像获取方法、前景图像获取装置和电子设备 | |
CN110796664A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN111046746A (zh) | 一种车牌检测方法及装置 | |
CN104202448A (zh) | 一种解决移动终端摄像头拍照亮度不均的系统及其方法 | |
CN111444555B (zh) | 一种测温信息显示方法、装置及终端设备 | |
CN111428740A (zh) | 网络翻拍照片的检测方法、装置、计算机设备及存储介质 | |
WO2022199395A1 (zh) | 人脸活体检测方法、终端设备及计算机可读存储介质 | |
CN112686176B (zh) | 目标重识别方法、模型训练方法、装置、设备及存储介质 | |
CN107770487B (zh) | 一种特征提取并优选的方法、系统及终端设备 | |
CN112686314A (zh) | 基于远距离拍摄场景的目标检测方法、装置及存储介质 | |
CN112287905A (zh) | 车辆损伤识别方法、装置、设备及存储介质 | |
CN116403200A (zh) | 基于硬件加速的车牌实时识别系统 | |
CN116189037A (zh) | 一种火焰检测的识别方法、装置及终端设备 | |
CN115829911A (zh) | 检测系统的成像一致性的方法、装置和计算机存储介质 |
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 |