CN111488909A - 标定标签生成方法、装置、电子设备及介质 - Google Patents

标定标签生成方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN111488909A
CN111488909A CN202010163069.1A CN202010163069A CN111488909A CN 111488909 A CN111488909 A CN 111488909A CN 202010163069 A CN202010163069 A CN 202010163069A CN 111488909 A CN111488909 A CN 111488909A
Authority
CN
China
Prior art keywords
image
feature quantity
global feature
generate
random noise
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
Application number
CN202010163069.1A
Other languages
English (en)
Other versions
CN111488909B (zh
Inventor
林志敏
李明昊
张高瀚
王韬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced Institute of Information Technology AIIT of Peking University
Hangzhou Weiming Information Technology Co Ltd
Original Assignee
Advanced Institute of Information Technology AIIT of Peking University
Hangzhou Weiming Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Advanced Institute of Information Technology AIIT of Peking University, Hangzhou Weiming Information Technology Co Ltd filed Critical Advanced Institute of Information Technology AIIT of Peking University
Priority to CN202010163069.1A priority Critical patent/CN111488909B/zh
Publication of CN111488909A publication Critical patent/CN111488909A/zh
Application granted granted Critical
Publication of CN111488909B publication Critical patent/CN111488909B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本申请提供一种标定标签生成方法及装置、一种电子设备以及一种计算机可读介质。方法包括：步骤S1，初始化白色背景，初始化全局特征数量为第一数量；步骤S2，生成随机噪声，并将所述随机噪声乘以预设系数后叠加到白色背景上，生成第一图像；步骤S3，对第一图像进行模糊处理，生成第二图像，并计算第二图像所包含的特征数量，该特征数量记为第二数量；步骤S4，比较第二数量是否大于第一数量；如果是，更新全局特征数量为第二数量；步骤S5，重复执行步骤S2至步骤S4，当全局特征数量不更新的次数达到预设次数时，将第一图像保存为标定标签。通过本方案，能够增加目标物体的局部特征数量，使得在大视野下的小目标检测更加容易与模板匹配。

Description

标定标签生成方法、装置、电子设备及介质
技术领域
本申请涉及目标检测技术领域，具体涉及一种标定标签生成方法及装置、一种电子设备以及一种计算机可读介质。
背景技术
目前，目标检测技术迅速发展，使得目标检测的准确率和实时性均有很大程度的提高。
但现有的目标检测技术在小目标检测上不能达到很高的精度，相机实时画面中无法实时检测到较小目标，导致很多应用无法进一步扩展。其中，在图像特征匹配领域，通过匹配不同目标图像的特征来进行目标的匹配与定位。传统图像特征提取方法依赖于物体本身的纹理轮廓，如果物体本身纹理较少，或者，在大视野下，目标物体占据像素范围较少，导致无法提取到足够特征，这为基于模板特征匹配的目标定位方法带来较大困扰。
发明内容
本申请的目的是提供一种标定标签生成方法及装置、一种电子设备以及一种计算机可读介质。
本申请第一方面提供一种标定标签生成方法，包括：
步骤S1，初始化白色背景，初始化全局特征数量为第一数量；
步骤S2，生成随机噪声，并将所述随机噪声乘以预设系数后叠加到所述白色背景上，生成第一图像；
步骤S3，对所述第一图像进行模糊处理，生成第二图像，并计算所述第二图像所包含的特征数量，该特征数量记为第二数量；
步骤S4，比较所述第二数量是否大于所述第一数量；如果是，更新所述全局特征数量为所述第二数量；如果否，不更新所述全局特征数量，并记录所述全局特征数量不更新的次数；
步骤S5，重复执行步骤S2至步骤S4，当所述全局特征数量不更新的次数达到预设次数时，将所述第一图像保存为标定标签。
在本申请的一些实施方式中，所述对所述第一图像进行模糊处理，生成第二图像，包括：
对所述第一图像进行高斯模糊操作，生成第二图像。
在本申请的一些实施方式中，所述计算所述第二图像所包含的特征数量，包括：
使用SIFT算子，计算所述第二图像所包含的特征数量。
在本申请的一些实施方式中，所述预设系数为0.1。
本申请第二方面提供一种标定标签生成装置，包括：
初始化模块，用于初始化白色背景，以及初始化全局特征数量为第一数量；
生成噪声模块，用于生成随机噪声，并将所述随机噪声乘以预设系数后叠加到所述白色背景上，生成第一图像；
模糊处理模块，用于对所述第一图像进行模糊处理，生成第二图像，并计算所述第二图像所包含的特征数量，该特征数量记为第二数量；
特征数量更新模块，用于比较所述第二数量是否大于所述第一数量；如果是，更新所述全局特征数量为所述第二数量；如果否，不更新所述全局特征数量，并记录所述全局特征数量不更新的次数；
标定标签确定模块，用于重复执行所述生成噪声模块、模糊处理模块和特征数量更新模块，当所述全局特征数量不更新的次数达到预设次数时，将所述第一图像保存为标定标签。
在本申请的一些实施方式中，所述模糊处理模块，具体用于：
对所述第一图像进行高斯模糊操作，生成第二图像。
在本申请的一些实施方式中，所述模糊处理模块，具体用于：
使用SIFT算子，计算所述第二图像所包含的特征数量。
在本申请的一些实施方式中，所述预设系数为0.1。
本申请第三方面提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行以实现本申请第一方面所述的方法。
本申请第四方面提供一种计算机可读介质，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以实现本申请第一方面所述的方法。
相较于现有技术，本申请提供的标定标签生成方法、装置、电子设备及介质，通过在空白背景下多次叠加随机噪点的方法，生成一系列包含大量唯一特征的标定标签，当用户将通过上述方法生成的标定标签运用在小目标检测中时，能够增加目标物体的局部特征数量，使得在大视野下的小目标检测更加容易与模板匹配。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本申请的一些实施方式所提供的一种标定标签生成方法的流程图；
图1A示出了现有技术在棋盘上张贴的特征图案的示意图；
图1B示出了本申请中三轮特征叠加筛选后生成的标定标签的示意图；
图2示出了本申请的一些实施方式所提供的一种标定标签生成装置的示意图；
图3示出了本申请的一些实施方式所提供的一种电子设备的示意图；
图4示出了本申请的一些实施方式所提供的一种计算机可读介质的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
另外，术语“第一”和“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请实施例提供一种标定标签生成方法及装置、一种电子设备以及计算机可读介质，下面结合附图进行说明。
请参考图1，其示出了本申请的一些实施方式所提供的一种标定标签生成方法的流程图，如图所示，所述标定标签生成方法，可以包括以下步骤：
步骤S101：初始化白色背景，初始化全局特征数量为第一数量；
本实施例中，所述第一数量可以设置为0，即初始化白色背景后，将所述白色背景的全局特征数量初始化为0。
步骤S102：生成随机噪声，并将所述随机噪声乘以预设系数后叠加到所述白色背景上，生成第一图像；
本实施例中，可以采用相应方法生成随机噪声，所述预设系数可以设置为但不限于0.1。具体的，采用相应方法生成随机噪声后将所述随机噪声乘以0.1的系数，之后再叠加到所述白色背景上，生成带有随机噪声的第一图像。
步骤S103：对所述第一图像进行模糊处理，生成第二图像，并计算所述第二图像所包含的特征数量，该特征数量记为第二数量；
本实施例中，对图像模糊处理可以采用高斯模糊方法，计算图像所包含的特征数量可以采用SIFT算子，本申请中对以上模糊处理方法和计算图像特征数量方法，不做限定。SIFT，即尺度不变特征变换(Scale-invariant feature transform，SIFT)。
步骤S104：比较所述第二数量是否大于所述第一数量；如果是，更新所述全局特征数量为所述第二数量；如果否，不更新所述全局特征数量，并记录所述全局特征数量不更新的次数；
本申请实施例中，当第二数量大于第一数量时更新全局特征数量为较大的第二数量，当第二数量不大于第一数量时不更新全局特征数量。也就是说，在空白背景上叠加一定数量的随机噪点。
进一步的，当不需要更新全局特征数量时，记录该全局特征数量不更新的次数。
步骤S105：重复执行步骤S102至步骤S104，当所述全局特征数量不更新的次数达到预设次数时，将所述第一图像保存为标定标签。
本实施例中，重复执行步骤S102至步骤S104，也就是说，在空白背景下多次叠加随机噪点，直至确定随机噪点的数量不再增加，生成一系列包含大量唯一特征的标定标签。
确定随机噪点的数量不再增加的方式为，当全局特征数量不更新的次数达到预设次数，例如达到5次，也可以是其它次数，不做限定。
上述标定标签生成方法可用于客户端，本申请实施例中，所述客户端可以包括硬件，也可以包括软件。当客户端包括硬件时，其可以是具有显示屏并且支持信息交互的各种电子设备，例如，可以包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当客户端包括软件时，可以安装在上述电子设备中，其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
相较于现有技术，本申请实施例提供的上述标定标签生成方法，通过在空白背景下多次叠加随机噪点的方法，生成一系列包含大量唯一特征的标定标签，当用户将通过上述方法生成的标定标签运用在小目标检测中时，能够增加目标物体的局部特征数量，使得在大视野下的小目标检测更加容易与模板匹配。
实际应用中，可以将通过上述方法生成的标定标签应用于棋盘等目标的识别与定位。由于棋盘边缘纹理较少，导致无法提取到足够特征进行匹配，如图1A所示，传统方法为在棋盘上张贴装饰条纹、文字、标志等含有较多特征图案(如图中的A、B)，来增加棋盘整体特征，使其可以更加易于识别。但是这些装饰用的文字、纹理、标志并非专业用语生成唯一的、鲁棒的、抗模糊的标签，因此在实际应用环境下模糊、扭曲或亮度明暗变化都将导致整体特征变少、无法定位。而本申请提出的标定标签生成方法，可以生成唯一的、鲁棒的、抗模糊的标定标签。用于提升被张贴物体低位精度。如图1A所示，为采用原始文字标签张贴棋盘的方式提升棋盘的特征量(SIFT特征320个)。而图1B，则为多轮特征叠加筛选后生成的标定标签(第一轮标签生成，包含302个特征点；第二轮标签生成，包含723个特征点；第三轮标签生成，包含1030个特征点)，在同样尺寸下可以获得三倍以上的特征数量(SIFT特征1030个)，且具备抗模糊等性能。
在上述的实施例中，提供了一种标定标签生成方法，与之相对应的，本申请还提供一种标定标签生成装置。本申请实施例提供的标定标签生成装置可以实施上述标定标签生成方法，该标定标签生成装置可以通过软件、硬件或软硬结合的方式来实现。例如，该标定标签生成装置可以包括集成的或分开的功能模块或单元来执行上述各方法中的对应步骤。请参考图2，其示出了本申请的一些实施方式所提供的一种标定标签生成装置的示意图。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
如图2所示，所述标定标签生成装置10可以包括：
初始化模块101，用于初始化白色背景，以及初始化全局特征数量为第一数量；
生成噪声模块102，用于生成随机噪声，并将所述随机噪声乘以预设系数后叠加到所述白色背景上，生成第一图像；
模糊处理模块103，用于对所述第一图像进行模糊处理，生成第二图像，并计算所述第二图像所包含的特征数量，该特征数量记为第二数量；
特征数量更新模块104，用于比较所述第二数量是否大于所述第一数量；如果是，更新所述全局特征数量为所述第二数量；如果否，不更新所述全局特征数量，并记录所述全局特征数量不更新的次数；
标定标签确定模块105，用于重复执行所述生成噪声模块、模糊处理模块和特征数量更新模块，当所述全局特征数量不更新的次数达到预设次数时，将所述第一图像保存为标定标签。
在本申请实施例的一些实施方式中，所述模糊处理模块103，具体用于：
对所述第一图像进行高斯模糊操作，生成第二图像。
在本申请实施例的一些实施方式中，所述模糊处理模块103，具体用于：
使用SIFT算子，计算所述第二图像所包含的特征数量。
在本申请实施例的一些实施方式中，所述预设系数为0.1。
本申请实施例提供的标定标签生成装置10，与本申请前述实施例提供的标定标签生成方法出于相同的发明构思，具有相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的标定标签生成方法对应的电子设备，所述电子设备可以是用于客户端的电子设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行上述标定标签生成方法。
请参考图3，其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图3所示，所述电子设备20包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的标定标签生成方法。
其中，存储器201可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述标定标签生成方法可以应用于处理器200中，或者由处理器200实现。
处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的标定标签生成方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的标定标签生成方法对应的计算机可读介质，请参考图4，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的标定标签生成方法。
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(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(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的标定标签生成方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是，附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的装置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，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能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可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，其均应涵盖在本申请的权利要求和说明书的范围当中。

Claims (10)

1.一种标定标签生成方法，其特征在于，包括：
步骤S1，初始化白色背景，初始化全局特征数量为第一数量；
步骤S2，生成随机噪声，并将所述随机噪声乘以预设系数后叠加到所述白色背景上，生成第一图像；
步骤S3，对所述第一图像进行模糊处理，生成第二图像，并计算所述第二图像所包含的特征数量，该特征数量记为第二数量；
步骤S4，比较所述第二数量是否大于所述第一数量；如果是，更新所述全局特征数量为所述第二数量；如果否，不更新所述全局特征数量，并记录所述全局特征数量不更新的次数；
步骤S5，重复执行步骤S2至步骤S4，当所述全局特征数量不更新的次数达到预设次数时，将所述第一图像保存为标定标签。
2.根据权利要求1所述的方法，其特征在于，所述对所述第一图像进行模糊处理，生成第二图像，包括：
对所述第一图像进行高斯模糊操作，生成第二图像。
3.根据权利要求1所述的方法，其特征在于，所述计算所述第二图像所包含的特征数量，包括：
使用SIFT算子，计算所述第二图像所包含的特征数量。
4.根据权利要求1所述的方法，其特征在于，所述预设系数为0.1。
5.一种标定标签生成装置，其特征在于，包括：
初始化模块，用于初始化白色背景，以及初始化全局特征数量为第一数量；
生成噪声模块，用于生成随机噪声，并将所述随机噪声乘以预设系数后叠加到所述白色背景上，生成第一图像；
模糊处理模块，用于对所述第一图像进行模糊处理，生成第二图像，并计算所述第二图像所包含的特征数量，该特征数量记为第二数量；
特征数量更新模块，用于比较所述第二数量是否大于所述第一数量；如果是，更新所述全局特征数量为所述第二数量；如果否，不更新所述全局特征数量，并记录所述全局特征数量不更新的次数；
标定标签确定模块，用于重复执行所述生成噪声模块、模糊处理模块和特征数量更新模块，当所述全局特征数量不更新的次数达到预设次数时，将所述第一图像保存为标定标签。
6.根据权利要求5所述的装置，其特征在于，所述模糊处理模块，具体用于：
对所述第一图像进行高斯模糊操作，生成第二图像。
7.根据权利要求5所述的装置，其特征在于，所述模糊处理模块，具体用于：
使用SIFT算子，计算所述第二图像所包含的特征数量。
8.根据权利要求5所述的装置，其特征在于，所述预设系数为0.1。
9.一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行以实现如权利要求1至4任一项所述的方法。
10.一种计算机可读介质，其特征在于，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以实现如权利要求1至4任一项所述的方法。
CN202010163069.1A 2020-03-10 2020-03-10 标定标签生成方法、装置、电子设备及介质 Active CN111488909B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010163069.1A CN111488909B (zh) 2020-03-10 2020-03-10 标定标签生成方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010163069.1A CN111488909B (zh) 2020-03-10 2020-03-10 标定标签生成方法、装置、电子设备及介质

Publications (2)

Publication Number Publication Date
CN111488909A true CN111488909A (zh) 2020-08-04
CN111488909B CN111488909B (zh) 2022-11-04

Family

ID=71794300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010163069.1A Active CN111488909B (zh) 2020-03-10 2020-03-10 标定标签生成方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN111488909B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060132354A1 (en) * 2003-01-30 2006-06-22 Qinetiq Limited Method of detecting a target
US20160097837A1 (en) * 2014-06-05 2016-04-07 Zih Corp. Method for Iterative Target Location in a Multiple Receiver Target Location System
CN109816660A (zh) * 2019-02-19 2019-05-28 闽南师范大学 一种图像分割方法、终端设备及存储介质
CN110163827A (zh) * 2019-05-28 2019-08-23 腾讯科技（深圳）有限公司 图像去噪模型的训练方法、图像去噪方法、装置及介质
CN110490073A (zh) * 2019-07-15 2019-11-22 浙江省北大信息技术高等研究院 目标检测方法、装置、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060132354A1 (en) * 2003-01-30 2006-06-22 Qinetiq Limited Method of detecting a target
US20160097837A1 (en) * 2014-06-05 2016-04-07 Zih Corp. Method for Iterative Target Location in a Multiple Receiver Target Location System
CN109816660A (zh) * 2019-02-19 2019-05-28 闽南师范大学 一种图像分割方法、终端设备及存储介质
CN110163827A (zh) * 2019-05-28 2019-08-23 腾讯科技（深圳）有限公司 图像去噪模型的训练方法、图像去噪方法、装置及介质
CN110490073A (zh) * 2019-07-15 2019-11-22 浙江省北大信息技术高等研究院 目标检测方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
凌乐等: "一种抗噪的高精度圆形阵列靶标特征提取算法", 《东方电气评论》 *
王克勇等: "基于局部纹理分析的红外小目标检测及其DSP实现", 《光学技术》 *

Also Published As

Publication number Publication date
CN111488909B (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
US9697447B2 (en) Automated generation of QR codes with embedded images
CN106447721B (zh) 图像阴影检测方法和装置
US8666169B2 (en) Feature descriptors
CN108846814B (zh) 图像处理方法、装置、可读存储介质及计算机设备
CN111626383B (zh) 字体识别方法及装置、电子设备、存储介质
CN111242217A (zh) 图像识别模型的训练方法、装置、电子设备及存储介质
CN112966725B (zh) 匹配模板图像的方法、装置及终端设备
CN110210480B (zh) 文字识别方法、装置、电子设备和计算机可读存储介质
CN110414514B (zh) 图像处理方法及装置
CN111985537A (zh) 一种目标图像识别方法、终端、系统和存储介质
CN113313662B (zh) 图像处理方法、装置、设备及存储介质
CN111488909B (zh) 标定标签生成方法、装置、电子设备及介质
CN113516697A (zh) 图像配准的方法、装置、电子设备及计算机可读存储介质
CN112767412A (zh) 车辆部件级分割方法、装置以及电子设备
CN111833285A (zh) 图像处理方法、图像处理装置及终端设备
Ciazynski et al. Detection of QR-codes in digital images based on histogram similarity
CN108495125B (zh) 一种摄像模组测试方法、设备及介质
CN111242116B (zh) 屏幕定位方法及装置
CN113391779A (zh) 类纸屏幕的参数调节方法、装置及设备
CN110598028B (zh) 图像分类方法、装置及存储介质、电子设备
CN111160358B (zh) 一种图像二值化方法、装置、设备、介质
CN112560530A (zh) 一种二维码处理方法、设备、介质及电子设备
CN107608947B (zh) Html文件处理方法及装置、电子设备
CN110740231A (zh) 视频数据标注方法、装置、电子设备及介质
CN112967187B (zh) 用于目标检测的方法和装置

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 101, building 1, block C, Qianjiang Century Park, ningwei street, Xiaoshan District, Hangzhou City, Zhejiang Province

Applicant after: Hangzhou Weiming Information Technology Co.,Ltd.

Applicant after: Institute of Information Technology, Zhejiang Peking University

Address before: Room 288-1, 857 Xinbei Road, Ningwei Town, Xiaoshan District, Hangzhou City, Zhejiang Province

Applicant before: Institute of Information Technology, Zhejiang Peking University

Applicant before: Hangzhou Weiming Information Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20200804

Assignee: Zhejiang smart video security Innovation Center Co.,Ltd.

Assignor: Institute of Information Technology, Zhejiang Peking University

Contract record no.: X2022330000930

Denomination of invention: Calibration label generation method, device, electronic equipment and medium

Granted publication date: 20221104

License type: Common License

Record date: 20221229