CN111178371B - 目标检测方法、装置和计算机存储介质 - Google Patents
目标检测方法、装置和计算机存储介质 Download PDFInfo
- Publication number
- CN111178371B CN111178371B CN201911304905.7A CN201911304905A CN111178371B CN 111178371 B CN111178371 B CN 111178371B CN 201911304905 A CN201911304905 A CN 201911304905A CN 111178371 B CN111178371 B CN 111178371B
- Authority
- CN
- China
- Prior art keywords
- scanning
- area
- window
- actual
- scanning window
- 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 53
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000009432 framing Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 17
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
- G06V10/426—Graphical representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Abstract
本申请公开了一种目标检测方法、装置和计算机存储介质。该目标检测方法包括:获取场景图像;根据扫描窗口在场景图像中的实际扫描区域生成与实际扫描区域对应的积分图,其中实际扫描区域为场景图像的局部区域;在扫描窗口的实际扫描过程中利用积分图计算扫描窗口内的图像特征;将图像特征输入分类器,以判断扫描窗口内是否存在预定目标。通过本申请的目标检测方法,可以减少积分图计算面积,加快检测速度,减少检测时间。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及目标检测方法、装置和计算机存储介质。
背景技术
随着技术的发展,目标检测技术发展已更加的成熟。一种常见的目标检测方式是利用扫描框对场景图像进行遍历,并对扫描框内的图像特征进行提取,并根据提取到的特征判断扫描框内是否存在目标。积分图作为有效的辅助手段,可以提高扫描框的特征提取速度。而现有目标检测过程的积分图均是基于场景图像进行计算,运算量大,严重影响了目标检测速度。
发明内容
本申请主要的目的是提供一种目标检测方法、装置和计算机存储介质,可以减少积分图计算面积,加快目标检测速度,减少检测时间。
为达到上述目的,本申请采用的一个技术方案是:一种目标检测方法,该方法包括:获取场景图像;根据扫描窗口在场景图像中的实际扫描区域生成与实际扫描区域对应的积分图,其中实际扫描区域为场景图像的局部区域;在扫描窗口的实际扫描过程中利用积分图计算扫描窗口内的图像特征;将图像特征输入分类器,以判断扫描窗口内是否存在预定目标。
其中,实际扫描区域为能够框选到扫描窗口在场景图像中的所有有效扫描位置的最小矩形,其中有效扫描位置是指目标能够出现的位置,且扫描窗口从该位置提取的特征能够用于有效判定是否存在目标。
其中,扫描窗口为按照边长大小升序设置的多个,多个扫描窗口进一步划分成至少两个分组;
根据扫描窗口在场景图像中的实际扫描区域生成与实际扫描区域对应的积分图的步骤包括:
根据各分组内的扫描窗口的实际扫描区域分别为各分组生成对应的积分图。
其中,至少部分积分图是通过缩小后的场景图像生成的;
在扫描窗口的实际扫描过程中利用积分图计算扫描窗口内的图像特征的步骤包括:
利用积分图计算与场景图像同步缩小的扫描窗口内的图像特征。
其中,扫描窗口和实际扫描区域均为矩形,且边长相对较小的扫描窗口所对应的实际扫描区域包含在边长相对较大的扫描窗口所对应的实际扫描区域内;扫描窗口为按照边长大小升序设置的多个,多个扫描窗口进一步划分成至少两个分组;
根据各分组内的扫描窗口的实际扫描区域分别为各分组生成对应的积分图的步骤包括:
根据各分组内的扫描窗口所对应的实际扫描区域中的最大实际扫描区域生成积分图。
其中,根据各分组内的扫描窗口所对应的实际扫描区域中的最大实际扫描区域生成积分图的步骤之前,进一步包括:
根据至少部分分组内的扫描窗口所对应的实际扫描区域中的最小实际扫描区域的边长与分类器的训练模板的边长之间的比例对场景图像和同一分组内的扫描窗口进行缩小。
其中,根据扫描窗口在场景图像中的实际扫描区域生成与实际扫描区域对应的积分图的步骤之前,进一步包括:
将多个扫描窗口作为当前分组;
通过以下公式计算当前分组中的各扫描窗口的面积评价指标:
其中,Ai为第i个扫描窗口的面积评价指标,Si为第i个扫描窗口的所对应的实际扫描区域的面积,Smax为当前分组的最大实际扫描区域的面积,di+1为第i+1个扫描窗口的边长,a为分类器的训练模板的边长;
选择面积评价指标最小的扫描窗口作为分割窗口;
将分割窗口和当前分组中的位于分割窗口之前的扫描窗口作为一个分组,将当前分组中的位于分割窗口之后的扫描窗口作为另一个分组。
其中,方法进一步包括:
将由当前分组划分成的两个分组分别作为当前分组,并返回通过以下公式计算当前分组中的各扫描窗口的面积评价指标的步骤,直至多个扫描窗口所划分成的组数达到预设阈值。
为达到上述目的,本申请采用的另一个技术方案是:一种目标检测装置,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述目标检测方法的步骤。
为达到上述目的,本申请采用的又一个技术方案是:一种计算机存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述目标检测方法的步骤。
本申请的有益效果是:区别于现有技术的情况,可以将场景图像的局部区域作为扫描窗口的实际扫描区域,并根据实际扫描区域生成与实际扫描区域对应的积分图,减少实际计算的图像面积,从而减少积分图的计算复杂度,减少计算时间,加快检测速度,减少检测时间。
附图说明
图1是本申请目标检测方法第一实施方式的流程示意图;
图2是本申请目标检测方法第二实施方式的流程示意图;
图3是本申请目标检测装置一实施方式的结构示意图;
图4是本申请计算机存储介质一实施方式的结构示意图。
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,所描述的实施例仅是本申请的一部分实施例,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。
如图1所示,图1是本申请目标检测方法第一实施方式的流程示意图。其中,该目标检测方法包括以下步骤。
S101:获取场景图像。
S102:根据扫描窗口在场景图像中的实际扫描区域生成与实际扫描区域对应的积分图,其中实际扫描区域为场景图像的局部区域。
将场景图像的局部区域作为扫描窗口的实际扫描区域,并根据实际扫描区域生成与实际扫描区域对应的积分图,减少实际计算的图像面积,因为积分图的计算复杂度是和实际计算的图像面积成线性关系的,通过减少实际计算的图像面积,就可以减少积分图的计算复杂度,减少计算时间。
在实际应用过程中,可以对场景图像上实际扫描区域进行各种线性和/或非线性的变换得到场景图像的若干个通道图像。若干个通道图像可以体现场景图像的若干个特征。例如可以对场景图像进行线性滤波得到通道图像,该通道图像可以体现不同方向的边缘信息或不同尺度的纹理信息。然后可以对通道图像上每一个点的像素值,做相应的积分,得到积分图。具体地,积分图上任意一点(x,y)的值可以是指从通道图像的左上角与当前点(x,y)所围成的矩形区域内所有像素点像素值之和。
当然,也可以不对场景图像上实际扫描区域进行任何变换,直接对场景图像上实际扫描区域中每一个点的像素值,做相应的积分,得到积分图。这样可以通过积分图快速、高效低计算图像的很多特征,例如局部求和、直方图、Haar(哈尔小波变换)以及它们的变种。实际扫描区域的具体生成方法将在下文中进行详细描述。
S103:在扫描窗口的实际扫描过程中利用积分图计算扫描窗口内的图像特征。
实际扫描过程中,扫描窗口每扫描实际扫描区域的一个区域,均可以利用积分图计算扫描窗口内被扫描的区域的图像特征。并且利用扫描窗口内被扫描的区域的端点的积分图就可计算出被扫描区域的图像特征,与图像的坐标无关。
S104:将图像特征输入分类器,以判断扫描窗口内是否存在预定目标。
其中,利用积分图计算出扫描窗口内的图像特征后,可以将扫描窗口内的图像特征输入分类器,可以通过分类器判断扫描窗口内是否存在预定目标。在一实施例中,可以通过分类器判断扫描窗口内的图像特征与预定目标的图像特征是否匹配,若匹配,就可以确定扫描窗口内存在预定目标。在另一实施例中,可以通过分类器判断扫描窗口内的图像特征与预定目标的图像特征的相似度是否超过第一阈值,若超过第一阈值,就可以判定扫描窗口内存在预定目标。在又一实施例中,可以通过分类器判断扫描窗口内的图像特征是否超过第二阈值,若超过第二阈值,就可以判定扫描窗口内存在预定目标。
可以理解的是,实际扫描过程中,可以扫描实际扫描区域上每个区域,从而可以判断实际扫描区域中每个区域是否存在预定目标。其中,一个可实现的方式是:扫描窗口可从左往右从上往下扫描整个实际扫描区域。
在本实施例中,可以将场景图像的局部区域作为扫描窗口的实际扫描区域,并根据实际扫描区域生成与实际扫描区域对应的积分图,减少实际计算的图像面积,从而减少积分图的计算复杂度,减少计算时间;并且在扫描窗口的实际扫描过程中利用积分图计算扫描窗口内的图像特征,将图像特征输入到分类器,判断扫描窗口内是否存在预定目标,减少检测面积,从而可以减少实际扫描过程中扫描窗口扫描的次数,减少计算扫描窗口内的图像特征的次数和输入到分类器的次数,减少运算时间和运算量,加快运算速度。
另外,在对实际扫描区域实际扫描过程中,可以用边长为训练模板的边长的扫描窗口对实际扫描区域上每个区域扫描,并判断边长为训练模板的边长的扫描窗口内的每个被扫描区域是否存在预定目标,这样可以判断在扫描图像相对比较小的预定目标,也就是可以判断远距离的预定目标。然后逐渐对扫描窗口进行放大,并用逐渐放大后的扫描窗口对实际扫描区域上每个区域进行扫描并判断,直至扫描窗口的尺寸被放大至大于或等于实际扫描区域的尺寸。这样可以检测到实际扫描区域上每种尺寸的预定目标。其中,扫描窗口的边长从小到大可以表示为:d1、d2、d3……dn,即扫描窗口为按照边长大小升序设置的多个。可以理解的是,d1=a,其中,a为训练模板的边长。可以理解的是,扫描窗口可为多边形,例如矩形。
另外,本申请的目标检测方法中的实际扫描区域可以是能够框选到扫描窗口在场景图像中的所有有效扫描位置的最小矩形,其中有效扫描位置是指目标能够出现的位置,且扫描窗口从该位置提取的特征能够用于有效判定是否存在目标。这样实际扫描区域既能覆盖预定目标能够出现的位置,并且扫描窗口从目标能够出现的位置提取到的特征也可以有效判断出扫描窗口内的被扫描区域是否存在预定目标,这样既可以避免在减少检测面积时漏检部分预定目标能够出现的区域,防止漏检,也可以保证检测的有效性和准确性。
实际扫描区域可以预先在对实际场景进行拍摄的标定图像中进行人为指定,也可以通过计算机算法自动生成。例如,通过对标定图像中的区域识别和分类,可以识别出道路、天空、池塘等区域。当预定目标为车辆时,车辆只可能在道路上出现,不可能在空中出现,因此天空所在区域是不需要计算的,地面所在区域是需要计算的。因此,可以通过上述方式判断出预定目标在标定图像中能够出现的位置。进一步,根据预先标定好的拍摄系统的成像参数,可以根据目标的实际大小换算出目标出现在标定图像中的可能出现位置时的成像大小,并与扫描窗口的大小进行比较,进而判断出扫描窗口从目标能够出现的位置提取到的特征是否能够用于有效判断出扫描窗口内是否存在目标。当然,可以根据成像参数将扫描窗口在标定图像中的大小换算成在实际场景中的大小,并根据目标的实际大小进行比较。
对应于多个不同边长的扫描窗口,可以根据预定目标能够出现的区域确定每个边长的扫描窗口在场景图像中所有有效扫描位置的最小矩形,从而确定每个边长的扫描窗口对应的实际扫描区域。例如,找到边长为d1的扫描窗口对应的实际扫描区域E1,找到边长为d2的扫描窗口对应的实际扫描区域E2,找到边长为d3的扫描窗口对应的实际扫描区域E3,……找到边长为dn的扫描窗口对应的实际扫描区域En。另外,各个边长的扫描窗口对应的实际扫描区域可以存在着包含关系:即边长相对较小的扫描窗口所对应的实际扫描区域包含在边长相对较大的扫描窗口所对应的实际扫描区域内。
当然,可以理解的是,可以将不同边长大小的多个扫描窗口划分为至少两个分组。
例如,以第i个扫描窗口作为分割窗口,将n个扫描窗口分为两个分组;
第一个分组为边长大小为(d1,d2,d3,…,di)的扫描窗口;
第二个分组为边长大小为(di+1,di+2,di+3,…,dn)的扫描窗口;
分别计算第一个分组和第二个分组的积分图。对于第一个分组而言,di对应的实际扫描区域Ei可以包含第一个分组中其他实际扫描区域,可以通过实际扫描区域Ei计算积分图。在将实际扫描区域Ei的面积记为Si,从而第一个分组的积分图计算面积为Si。
对于第二个分组而言,dn对应的实际扫描区域En可以包含第二个分组中其他实际扫描区域,可以通过实际扫描区域En计算积分图。但是需要注意到:第二个分组中边长最小的扫描窗口的边长di+1比训练模板的边长a大,为将第二个分组中边长最小的扫描窗口的边长di+1调整与训练模板的边长a一致,就需要把图像的宽高都缩小di+1/a倍来进行检测(相应的扫描窗口和实际扫描区域均会缩小di+1/a倍),dn对应的实际扫描区域Dn的宽高缩小di+1/a倍后的面积可记为变为并且积分图计算面积可为/>可以理解的是,/>中的Sn实际上代表的是第二个分组中的最大实际扫描区域Smax,因此/>中的Sn可用Smax代替,即可将第二个分组中积分图计算面积从/>变为/>因此,以第i个扫描窗口作为分割窗口,积分图计算总面积为/>可将/>作为第i个扫描窗口的面积评价指标,然后选择面积评价指标最小的分组方案对多个扫描窗口进行分组,可以减小积分图计算面积,加快积分图计算速度。
具体地,第一次分组时,可以将所有扫描窗口作为当前分组,并将当前分组划分为两个分组。其中将当前分组划分为两个分组的步骤可以包括:通过以下公式计算当前分组中的各扫描窗口的面积评价指标:
其中,/>为第i个扫描窗口的面积评价指标,Ai为第i个扫描窗口的所对应的实际扫描区域的面积,Smax为当前分组的最大实际扫描区域的面积,di+1为第i+1个扫描窗口的边长,a为分类器的训练模板的边长;选择面积评价指标最小的扫描窗口作为分割窗口;将分割窗口和当前分组中的位于分割窗口之前的扫描窗口作为一个分组,将当前分组中的位于分割窗口之后的扫描窗口作为另一个分组。
另外,为获取更多分组,可以将由当前分组划分成的两个分组分别作为当前分组,并通过上述将当前分组划分为两个分组的方法对当前分组继续进行分组,直至多个扫描窗口所划分成的组数达到预设阈值。
通过上述分组方法可以得到面积评价指标最小的分组方案,即按照该最小的分组方案对多个扫描窗口进行分组后所有分组的积分图计算面积总和最小,可以减少积分图计算面积,加快计算速度和计算效率。
在实际应用过程中,若监控区域或场景未发生变化,可以只确认一次如何将不同边长大小的多个扫描窗口划分为至少两个分组,得到分组方案后,后续可以通过该分组方案对不断获取到的场景图像进行目标检测,直至监控区域或场景发生变化。这样在监控场景或区域均未出现变化时,均可以使用面积评价指标最小的分组方案对多个扫描窗口进行分组,可以降低积分图计算面积,减少积分图计算时间,加快积分图计算速度。
如图2所示,图2是本申请目标检测方法第二实施方式的流程示意图。本实施例对将多个扫描窗口划分成至少两个分组的方案进行详细说明。其中,该目标检测方法包括以下步骤。
S201:获取场景图像。
S202:根据各分组内的扫描窗口的实际扫描区域分别为各分组生成对应的积分图。
其中,根据各分组内的扫描窗口的实际扫描区域分别为各分组生成对应的积分图,可以包括:确认各分组内的所有扫描窗口的实际扫描区域的并集区域,对场景图像上各分组的并集区域进行处理得到各分组对应的积分图。
在一个实现方式中,各个分组内多个扫描窗口对应的实际扫描区域之间存在着包含关系,从而每个分组存在一扫描窗口所对应的实际扫描区域与相应分组内的所有扫描窗口的实际扫描区域的并集区域相同,从而可以根据各分组内的扫描窗口所对应的实际扫描区域中的最大实际扫描区域生成积分图。进一步地,在各分组中,边长最大的扫描窗口所对应的实际扫描区域最大,从而可以根据各分组内的边长最大的扫描窗口所对应的实际扫描区域生成积分图。
另外,至少部分积分图是通过缩小后的场景图像生成的。并且,缩小后的场景图像可以根据至少部分分组内的扫描窗口所对应的实际扫描区域中的最小实际扫描区域的边长与分类器的训练模板的边长之间的比例对场景图像和同一分组内的扫描窗口进行缩小。
S203:在扫描窗口的实际扫描过程中利用积分图计算扫描窗口内的图像特征。
对于包含边长为训练模板的边长的扫描窗口的分组,无需对场景图像进行缩小处理,可以直接利用积分图计算场景图像中扫描窗口内的图像特征。
对于不包含边长为训练模板的边长的扫描窗口的分组,利用积分图计算与场景图像同步缩小的扫描窗口内的图像特征。在此之前,需要对场景图像进行缩小处理,分组中边长最小的扫描窗口的边长与训练模板的边长的比值为对场景图像进行缩小处理的倍数。
S204:将图像特征输入分类器,以判断扫描窗口内是否存在预定目标。
在此实施例中,对场景图像进行检测过程中的多个不同边长的扫描图像进行分组,对各个分组内的扫描窗口的实际扫描区域分别为各分组生成对应的积分图,然后根据利用各分组内的扫描窗口在各个分组生成的积分图上进行扫描,以得到图像特征,然后将得到的图像特征输入到分类器,这样可以分层检测,可以降低积分图计算面积,加快积分图计算速度,提高检测速度。
请参阅图3,图3是本申请目标检测装置一实施方式的结构示意图。本实施方式中的目标检测装置20包括:存储器21、处理器22以及存储在存储器21中并可在处理器22上运行的计算机程序。处理器22执行计算机程序时可实现上述各个目标检测方法实施方式中的步骤,例如图2所示的步骤S101。
目标检测装置20可包括,但不仅限于,处理器22、存储器21。本领域技术人员可以理解,示意图仅仅是目标检测装置20的示例,并不构成对目标检测装置20的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如目标检测装置20还可以包括输入输出设备、网络接入设备、总线等。处理器22可以是中央处理单元,还可以是其他通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。存储器21可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡,安全数字卡,闪存卡、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
目标检测装置20集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机存储介质中。如图4所示,基于这样的理解,本申请实现上述实施方式方法中的全部或部分流程,也可以通过计算机程序31来指令相关的硬件来完成,计算机程序31可存储于一计算机存储介质30中,该计算机程序31在被执行时,可实现上述各个方法实施方式的步骤。其中,计算机程序31包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机存储介质30可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。
以上仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (8)
1.一种目标检测方法,其特征在于,所述方法包括:
获取场景图像;
将扫描窗口作为当前分组,通过以下公式计算所述当前分组中的各所述扫描窗口的面积评价指标:
;其中,Ai为第i个扫描窗口的面积评价指标, Si为第i个扫描窗口的所对应的实际扫描区域的面积, Smax为所述当前分组的最大实际扫描区域的面积, di+1为第i+1个扫描窗口的边长, a为分类器的训练模板的边长;
选择所述面积评价指标最小的所述扫描窗口作为分割窗口,将所述分割窗口和所述当前分组中的位于所述分割窗口之前的扫描窗口作为一个分组,将所述当前分组中的位于所述分割窗口之后的扫描窗口作为另一个分组;
根据扫描窗口在所述场景图像中的实际扫描区域生成与所述实际扫描区域对应的积分图,所述实际扫描区域为能够框选到所述扫描窗口在所述场景图像中的所有有效扫描位置的最小矩形,其中所述有效扫描位置是指所述目标能够出现的位置,且所述扫描窗口从该位置提取的特征能够用于有效判定是否存在所述目标;
在所述扫描窗口的实际扫描过程中利用所述积分图计算所述扫描窗口内的图像特征;
将所述图像特征输入分类器,以判断所述扫描窗口内是否存在预定目标。
2.根据权利要求1所述的方法,其特征在于,所述扫描窗口为按照边长大小升序设置的多个,多个所述扫描窗口进一步划分成至少两个分组;
所述根据扫描窗口在所述场景图像中的实际扫描区域生成与所述实际扫描区域对应的积分图的步骤包括:
根据各所述分组内的所述扫描窗口的实际扫描区域分别为各所述分组生成对应的所述积分图。
3.根据权利要求2所述的方法,其特征在于,至少部分所述积分图是通过缩小后的所述场景图像生成的;
所述在所述扫描窗口的实际扫描过程中利用所述积分图计算所述扫描窗口内的图像特征的步骤包括:
利用所述积分图计算与所述场景图像同步缩小的所述扫描窗口内的图像特征。
4.根据权利要求2所述的方法,其特征在于,所述扫描窗口和所述实际扫描区域均为矩形,且边长相对较小的所述扫描窗口所对应的所述实际扫描区域包含在边长相对较大的所述扫描窗口所对应的所述实际扫描区域内;
所述根据各所述分组内的所述扫描窗口的实际扫描区域分别为各所述分组生成对应的所述积分图的步骤包括:
根据各所述分组内的所述扫描窗口所对应的实际扫描区域中的最大实际扫描区域生成所述积分图。
5.根据权利要求4所述的方法,其特征在于,所述根据各所述分组内的所述扫描窗口所对应的实际扫描区域中的最大实际扫描区域生成所述积分图的步骤之前,进一步包括:
根据至少部分分组内的所述扫描窗口所对应的实际扫描区域中的最小实际扫描区域的边长与所述分类器的训练模板的边长之间的比例对所述场景图像和同一分组内的所述扫描窗口进行缩小。
6.根据权利要求1所述的方法,其特征在于,所述方法进一步包括:
将由所述当前分组划分成的两个分组分别作为所述当前分组,并返回所述通过以下公式计算所述当前分组中的各所述扫描窗口的面积评价指标的步骤,直至多个所述扫描窗口所划分成的组数达到预设阈值。
7.一种目标检测装置,其特征在于,所述目标检测装置包括存储器和处理器;所述存储器中存储有计算机程序,所述处理器用于执行所述计算机程序以实现如权利要求1-6中任一项所述目标检测方法的步骤。
8.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-6中任一项所述目标检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911304905.7A CN111178371B (zh) | 2019-12-17 | 2019-12-17 | 目标检测方法、装置和计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911304905.7A CN111178371B (zh) | 2019-12-17 | 2019-12-17 | 目标检测方法、装置和计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111178371A CN111178371A (zh) | 2020-05-19 |
CN111178371B true CN111178371B (zh) | 2023-12-01 |
Family
ID=70652158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911304905.7A Active CN111178371B (zh) | 2019-12-17 | 2019-12-17 | 目标检测方法、装置和计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178371B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815570A (zh) * | 2020-06-16 | 2020-10-23 | 浙江大华技术股份有限公司 | 区域入侵检测方法及其相关装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194119A (zh) * | 2010-03-01 | 2011-09-21 | 索尼公司 | 图像处理装置、图像处理方法和计算机程序 |
CN103065163A (zh) * | 2013-02-04 | 2013-04-24 | 成都索贝数码科技股份有限公司 | 一种基于静态图片的快速目标检测识别系统及方法 |
WO2014096240A1 (en) * | 2012-12-19 | 2014-06-26 | Connaught Electronics Ltd. | Method for detecting a target object based on a camera image by clustering from multiple adjacent image cells, camera device and motor vehicle |
CN103942786A (zh) * | 2014-04-09 | 2014-07-23 | 北京航空航天大学 | 无人机可见光和红外图像的自适应团块目标检测方法 |
CN104517125A (zh) * | 2014-12-26 | 2015-04-15 | 湖南天冠电子信息技术有限公司 | 高速物体的图像实时跟踪方法与系统 |
CN104700099A (zh) * | 2015-03-31 | 2015-06-10 | 百度在线网络技术(北京)有限公司 | 识别交通标志的方法和装置 |
CN109697409A (zh) * | 2018-11-27 | 2019-04-30 | 北京文香信息技术有限公司 | 一种运动图像的特征提取方法及起立动作图像的识别方法 |
CN109903311A (zh) * | 2019-01-24 | 2019-06-18 | 中国矿业大学 | 一种改进tld的矿井下视频目标跟踪方法 |
-
2019
- 2019-12-17 CN CN201911304905.7A patent/CN111178371B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194119A (zh) * | 2010-03-01 | 2011-09-21 | 索尼公司 | 图像处理装置、图像处理方法和计算机程序 |
WO2014096240A1 (en) * | 2012-12-19 | 2014-06-26 | Connaught Electronics Ltd. | Method for detecting a target object based on a camera image by clustering from multiple adjacent image cells, camera device and motor vehicle |
CN103065163A (zh) * | 2013-02-04 | 2013-04-24 | 成都索贝数码科技股份有限公司 | 一种基于静态图片的快速目标检测识别系统及方法 |
CN103942786A (zh) * | 2014-04-09 | 2014-07-23 | 北京航空航天大学 | 无人机可见光和红外图像的自适应团块目标检测方法 |
CN104517125A (zh) * | 2014-12-26 | 2015-04-15 | 湖南天冠电子信息技术有限公司 | 高速物体的图像实时跟踪方法与系统 |
CN104700099A (zh) * | 2015-03-31 | 2015-06-10 | 百度在线网络技术(北京)有限公司 | 识别交通标志的方法和装置 |
CN109697409A (zh) * | 2018-11-27 | 2019-04-30 | 北京文香信息技术有限公司 | 一种运动图像的特征提取方法及起立动作图像的识别方法 |
CN109903311A (zh) * | 2019-01-24 | 2019-06-18 | 中国矿业大学 | 一种改进tld的矿井下视频目标跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111178371A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106709928B (zh) | 一种快速的含噪图像二维最大类间方差阈值法 | |
ES2773719T3 (es) | Mejora de texto de una imagen textual sometida a un reconocimiento óptico de caracteres | |
CN107045634B (zh) | 一种基于最大稳定极值区域与笔画宽度的文本定位方法 | |
US8611662B2 (en) | Text detection using multi-layer connected components with histograms | |
CN109271937B (zh) | 基于图像处理的运动场地标志物识别方法及系统 | |
CN111382704B (zh) | 基于深度学习的车辆压线违章判断方法、装置及存储介质 | |
CN102819827B (zh) | 一种基于灰度分割的自适应矩匹配条带噪声去除方法 | |
CN110503610B (zh) | 一种基于gan网络的图像雨雪痕迹去除方法 | |
CN110414385B (zh) | 一种基于单应性变换和特征窗口的车道线检测方法及系统 | |
US20150178573A1 (en) | Ground plane detection | |
CN112084822A (zh) | 车道检测装置及方法、电子设备 | |
CN111783524A (zh) | 一种场景变换检测方法、装置、存储介质及终端设备 | |
CN111178371B (zh) | 目标检测方法、装置和计算机存储介质 | |
CN112801111A (zh) | 基于梯度方向的图像直线边缘点分类方法及装置 | |
CN111507340A (zh) | 一种基于三维点云数据的目标点云数据提取方法 | |
CN111027564A (zh) | 基于深度学习一体化的低照度成像车牌识别方法及装置 | |
CN111695550B (zh) | 一种文字提取方法、图像处理设备和计算机可读存储介质 | |
CN106097358B (zh) | 图像背景复杂度检测方法及系统 | |
CN112016566A (zh) | 一种金融票据大写金额处手写汉字的分割方法 | |
Shahraki et al. | License plate extraction from still images | |
CN107146230A (zh) | 基于k‑s距离合并代价的sar图像分割方法 | |
CN108510636B (zh) | 图像分割方法、图像分割装置及终端设备 | |
CN113034547B (zh) | 目标追踪方法、数字集成电路芯片、电子设备及存储介质 | |
CN112991375B (zh) | 将任意形状图像区域重塑为n个矩形区域的方法及其系统 | |
CN112052859B (zh) | 一种自由场景下的车牌精准定位方法及装置 |
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 |