CN111738272A - 一种目标特征提取方法、装置及电子设备 - Google Patents
一种目标特征提取方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111738272A CN111738272A CN201910227347.2A CN201910227347A CN111738272A CN 111738272 A CN111738272 A CN 111738272A CN 201910227347 A CN201910227347 A CN 201910227347A CN 111738272 A CN111738272 A CN 111738272A
- Authority
- CN
- China
- Prior art keywords
- detection frame
- target
- position information
- image data
- corrected
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 70
- 238000001514 detection method Methods 0.000 claims abstract description 358
- 239000013598 vector Substances 0.000 claims abstract description 79
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000010586 diagram Methods 0.000 claims description 42
- 230000011218 segmentation Effects 0.000 claims description 41
- 238000013527 convolutional neural network Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 22
- 238000000638 solvent extraction Methods 0.000 claims description 21
- 230000000903 blocking effect Effects 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 9
- 238000003062 neural network model Methods 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 2
- 206010026749 Mania Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种目标特征提取方法、装置及电子设备，方法包括：获取待处理图片的图像数据及待处理图片中检测框的位置信息，所述检测框中包含目标图像；对所述检测框中的图像数据进行处理，获取所述检测框内的目标图像的位置信息；根据所述目标图像的位置信息，对所述检测框的位置和/或大小进行修正，得到修正后的检测框；对所述修正后的检测框中的图像数据进行目标特征提取，得到目标特征向量。即使目标在检测框内所占区域的面积较小，由于本发明实施例中，根据目标图像的位置信息对检测框的位置和/或大小进行了修正，从而提高目标图像在检测框内所占区域的面积，进而提高目标特征向量提取的精确度。
Description
技术领域
本发明涉及目标检测技术领域，特别是涉及一种目标特征提取方法、装置及电子设备。
背景技术
目标特征提取是对图片中检测框内的目标进行特征提取，得到目标特征向量的过程。目前，目标特征提取的主要方法为：获取待处理图片的图像数据及待处理图片中检测框四个顶点的位置信息，将检测框中的图像数据输入卷积神经网络CNN，进行目标特征提取，得到目标特征向量。
上述方法中，如果目标图像在检测框内所占区域的面积较小，直接采用CNN进行目标特征提取，检测结果受到检测框内的其他图像数据的影响较大，导致得到的目标特征向量精确度不够高。
发明内容
本发明实施例的目的在于提供一种目标特征提取方法、装置及电子设备，以提高目标特征提取的精确度。具体技术方案如下：
第一方面，本发明实施例提供了一种目标特征提取方法，所述方法包括：
获取待处理图片的图像数据及待处理图片中检测框的位置信息，所述检测框中包含目标图像；
对所述检测框中的图像数据进行处理，获取所述检测框内的目标图像的位置信息；
根据所述目标图像的位置信息，对所述检测框的位置和/或大小进行修正，得到修正后的检测框；
对所述修正后的检测框中的图像数据进行目标特征提取，得到目标特征向量。
进一步的，所述对所述修正后的检测框中的图像数据进行目标特征提取，得到目标特征向量的步骤，包括：
将所述修正后的检测框中的图像数据输入预先训练完成的卷积神经网络模型中，进行目标特征提取，得到目标特征向量。
进一步的，所述将所述修正后的检测框中的图像数据输入预先训练完成的卷积神经网络模型中，进行目标特征提取，得到目标特征向量的步骤，包括：
将所述修正后的检测框中的图像数据输入预先训练完成的卷积神经网络模型中，得到包含预设数量个通道的目标特征图，所述预设数量是由所述卷积神经网络中的参数确定的；
基于所述目标特征图和预先训练得到的权重向量，得到与所述目标特征图对应的注意力权重图；
根据所述注意力权重图，对所述目标特征图进行修正，得到目标的修正特征图；
对所述目标的修正特征图进行全连接操作，得到目标特征向量。
进一步的，所述基于所述目标特征图和预先训练得到的权重向量，得到与所述目标特征图对应的注意力权重图的步骤，包括：
基于所述目标特征图和预先训练得到的权重向量，采用如下公式，得到与所述目标特征图对应的注意力权重图：
Mattention＝MfeatureWattention
其中，Mattention为与所述目标特征图对应的注意力权重图；Mfeature为所述目标特征图；Wattention为预先训练得到的权重向量。
进一步的，所述根据所述注意力权重图，对所述目标特征图进行修正，得到目标的修正特征图的步骤，包括：
根据所述注意力权重图，采用如下公式，对所述目标特征图进行修正，得到目标的修正特征图：
其中，
为目标的修正特征图中第i个通道的数值；Mattention[h,w]为所述注意力权重图中第h行第w列的数值；Mfeature[h,w,i]为目标特征图中第i个通道的第h行第w列的数值。
进一步的，所述对所述检测框中的图像数据进行处理，获取所述检测框内的目标图像的位置信息的步骤，包括：
根据预设算法对所述检测框的大小进行扩展，得到扩展后的检测框；
对所述扩展后的检测框中的图像数据进行处理，获取所述扩展后的检测框内的目标图像的位置信息；
所述根据所述目标图像的位置信息，对所述检测框的位置和/或大小进行修正，得到修正后的检测框，包括：
根据所述目标图像的位置信息，对所述扩展后的检测框的位置和/或大小进行修正，得到修正后的检测框。
进一步的，所述根据预设算法对所述检测框的大小进行扩展，得到扩展后的检测框的步骤，包括：
根据预设比例系数，对所述检测框的大小进行扩展，得到扩展后的检测框；
或者，
根据预设的顶点位置修正信息，对所述检测框的大小进行扩展，得到扩展后的检测框。
进一步的，所述对所述检测框中的图像数据进行处理，获取所述检测框内的目标图像的位置信息的步骤，包括：
对所述检测框内的图像数据进行轮廓提取，得到所述检测框内的目标图像的位置信息。
进一步的，所述对所述检测框中的图像数据进行处理，获取所述检测框内的目标图像的位置信息的步骤，包括：
将所述检测框内的图像数据转换为六角锥体HSV色彩模型；
根据所述检测框内的各像素点的色调值，对所述检测框内的各像素点进行分块划分，得到像素点离散分块结果；
根据所述像素点离散分块结果，对所述检测框内的图像数据进行二值化分割，得到二值分割图；
根据所述二值分割图，获取所述检测框内的目标图像的位置信息。
进一步的，所述对所述检测框中的图像数据进行处理，获取所述检测框内的目标图像的位置信息的步骤，包括：
对所述检测框内的图像数据进行轮廓提取，得到所述检测框内目标的第一位置信息；
将所述检测框内的图像数据转换为六角锥体HSV色彩模型；
根据所述检测框内的各像素点的色调值，对所述检测框内的各像素点进行分块划分，得到像素点离散分块结果；
根据所述像素点离散分块结果，对所述检测框内的图像数据进行二值化分割，得到二值分割图；
根据所述二值分割图，获取所述检测框内目标的第二位置信息；
对所述第一位置信息和所述第二位置信息进行融合，得到所述检测框内的目标图像的位置信息。
第二方面，本发明实施例提供了一种目标特征提取装置，所述装置包括：
图像数据获取模块，用于获取待处理图片的图像数据及待处理图片中检测框的位置信息，所述检测框中包含目标图像；
位置信息获取模块，用于对所述检测框中的图像数据进行处理，获取所述检测框内的目标图像的位置信息；
检测框修正模块，用于根据所述目标图像的位置信息，对所述检测框的位置和/或大小进行修正，得到修正后的检测框；
特征提取模块，用于对所述修正后的检测框中的图像数据进行目标特征提取，得到目标特征向量。
进一步的，所述特征提取模块，包括：特征提取子模块；
所述特征提取子模块，用于将所述修正后的检测框中的图像数据输入预先训练完成的卷积神经网络模型中，进行目标特征提取，得到目标特征向量。
进一步的，所述特征提取子模块，包括：特征图获取子单元、注意力权重图获取子单元、修正特征图获取子单元及目标特征向量获取子单元；
所述特征图获取子单元，用于将所述修正后的检测框中的图像数据输入预先训练完成的卷积神经网络模型中，得到包含预设数量个通道的特征图，所述预设数量是由所述卷积神经网络中的参数确定的；
所述注意力权重图获取子单元，用于基于所述目标特征图和预先训练得到的权重向量，得到与所述特征图对应的注意力权重图；
所述修正特征图获取子单元，用于根据所述注意力权重图，对所述特征图进行修正，得到修正特征图；
所述目标特征向量获取子单元，用于对所述修正特征图进行全连接操作，得到目标特征向量。
进一步的，所述注意力权重图获取子单元，具体用于基于所述特征图和预先训练得到的权重向量，采用如下公式，得到与所述特征图对应的注意力权重图：
Mattention＝MfeatureWattention
其中，Mattention为与所述特征图对应的注意力权重图；Mfeature为所述特征图；Wattention为预先训练得到的权重向量。
进一步的，所述修正特征图获取子单元，具体用于根据所述注意力权重图，采用如下公式，对所述特征图进行修正，得到修正特征图：
其中，
为第i个通道的修正特征图中的数值；Mattention[h,w]为所述注意力权重图中第h行第i列的数值；Mfeature[h,w,i]为第i个通道的特征图中第h行第i列的数值。
进一步的，所述位置信息获取模块，包括：检测框扩展子模块和位置信息获取子模块；
所述检测框扩展子模块，用于根据预设算法对所述检测框的大小进行扩展，得到扩展后的检测框；
所述位置信息获取子模块，用于对所述扩展后的检测框中的图像数据进行处理，获取所述扩展后的检测框内的目标图像的位置信息；
所述检测框修正模块，具体用于根据所述目标图像的位置信息，对所述扩展后的检测框的位置和/或大小进行修正，得到修正后的检测框。
进一步的，所述检测框扩展子模块，具体用于根据预设比例系数，对所述检测框的大小进行扩展，得到扩展后的检测框；或者，根据预设的顶点位置修正信息，对所述检测框的大小进行扩展，得到扩展后的检测框。
进一步的，所述位置信息获取模块，具体用于对所述检测框内的图像数据进行轮廓提取，得到所述检测框内的目标图像的位置信息。
进一步的，所述位置信息获取模块，包括：色彩模型转换子模块、分块结果获取子模块、二值分割图获取子模块及位置信息获取子模块；
所述色彩模型转换子模块，用于将所述检测框内的图像数据转换为六角锥体HSV色彩模型；
所述分块结果获取子模块，用于根据所述检测框内的各像素点的色调值，对所述检测框内的各像素点进行分块划分，得到像素点离散分块结果；
所述二值分割图获取子模块，用于根据所述像素点离散分块结果，对所述检测框内的图像数据进行二值化分割，得到二值分割图；
所述位置信息获取子模块，用于根据所述二值分割图，获取所述检测框内的目标图像的位置信息。
进一步的，所述位置信息获取模块，具体用于：
对所述检测框内的图像数据进行轮廓提取，得到所述检测框内目标的第一位置信息；
将所述检测框内的图像数据转换为六角锥体HSV色彩模型；根据所述检测框内的各像素点的色调值，对所述检测框内的各像素点进行分块划分，得到像素点离散分块结果；
根据所述像素点离散分块结果，对所述检测框内的图像数据进行二值化分割，得到二值分割图；
根据所述二值分割图，获取所述检测框内目标的第二位置信息；
对所述第一位置信息和所述第二位置信息进行融合，得到所述检测框内的目标图像的位置信息。
第三方面，本发明实施例提供了一种电子设备，包括处理器和存储器，其中，
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现上述任一目标特征提取方法。
第四方面，本发明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中存储有指令，当其在计算机上运行时，使得计算机执行上述任一目标特征提取方法。
本发明实施例提供的目标特征提取方法、装置及电子设备，获取待处理图片的图像数据及待处理图片中检测框的位置信息，所述检测框中包含目标图像；对所述检测框中的图像数据进行处理，获取所述检测框内的目标图像的位置信息；根据所述目标图像的位置信息，对所述检测框的位置和/或大小进行修正，得到修正后的检测框；对所述修正后的检测框中的图像数据进行目标特征提取，得到目标特征向量。即使目标在检测框内所占区域的面积较小，由于本发明实施例中，根据目标图像的位置信息对检测框的位置和/或大小进行了修正，从而提高目标图像在检测框内所占区域的面积，进而提高目标特征向量提取的精确度。
当然，实施本发明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发明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发明的一些实施例，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为本发明实施例提供的目标特征提取方法的一种流程示意图；
图2为图1所示实施例中采用的神经网络模型的工作原理示意图；
图3为本发明实施例提供的目标特征提取方法的另一种流程示意图；
图4为本发明实施例提供的目标特征提取方法的又一种流程示意图；
图5为图4所示实施例中进行检测框修正的一种流程示意图；
图6为图4所示实施例中进行检测框修正的另一种流程示意图；
图7为图4所示实施例中进行检测框修正的又一种流程示意图；
图8本发明实施例提供的目标特征提取装置的一种结构示意图；
图9为本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
为提高目标特征提取的精确度，本发明实施例提供了一种目标特征提取方法、装置及电子设备，以下分别进行详细说明。
图1为本发明实施例提供的目标特征提取方法的一种流程示意图，具体包括如下步骤：
步骤101，获取待处理图片的图像数据及待处理图片中检测框的位置信息，检测框中包含目标图像。
待处理图片中检测框的位置信息可以是通过现有目标检测方法，对待处理图片的图像数据进行检测后得到的，例如：通过卷积神经网络模型，对待处理图片的图像数据进行特征提取，基于特征提取的结果，给出待处理图片中检测框的位置信息。
具体的，检测框的位置信息可以是检测框的四个顶点在对待处理图片中的坐标，或者检测框的中心点在对待处理图片中的坐标及检测框的长度和宽度信息，对于检测框的位置信息的具体形式，此处不作限定。
步骤102，对检测框中的图像数据进行处理，获取检测框内的目标图像的位置信息。
本步骤中，获取检测框内的目标图像的位置信息的方法可以基于对检测框中的图像数据进行轮廓分析之后得到的；也可以是通过对检测框中图像的各个像素点的像素值进行离散划分，二值化操作得到的；还可以是对上述两种方法得到目标图像的位置信息进行融合之后，得到最终的目标图像的位置信息。
检测框内的目标图像的位置信息可以是以二值图的形式呈现的，此处，对于检测框内的目标图像的位置信息的获取方法，以及检测框内的目标图像的位置信息的具体呈现形式，均不作限制。
步骤103，根据目标图像的位置信息，对检测框的位置和/或大小进行修正，得到修正后的检测框。
具体的，对检测狂的修正过程可以为：根据目标图像的位置信息，得到能够包括上述目标图像的最小包围矩形框，即，得到的上述矩形框可以完全包括目标图像，同时，该矩形框的面积是所有可以完全包括目标图像的矩形框中面积最小的矩形框。
得到目标图像的位置信息之后，可以根据目标图像的位置信息，对检测框的位置和/或大小进行修正，得到修正后的检测框。例如：针对采用卷积神经网络模型方式得到的检测框的原始位置信息，可能会由于训练出的神经网络模型精度不高，导致目标图像在得到的检测框中所占的区域的面积较小，或者目标图像未处于得到的检测框的中心位置，而是存在一定的偏移，进而导致检测结果受到检测框内的其他图像数据的影响较大的问题，此时，可以对检测框的位置和/或大小进行修正，得到修正后的检测框，以提高目标图像在检测框中所占的区域的面积，或者，使目标图像处于检测框的中心位置，进而可以在后续目标特征向量提取时，提高提取精确度。
步骤104，对修正后的检测框中的图像数据进行目标特征提取，得到目标特征向量。
由图1所示实施例可见，本发明实施例中，获取待处理图片的图像数据及待处理图片中检测框的位置信息；检测框中包含目标图像；对检测框中的图像数据进行处理，获取检测框内的目标图像的位置信息；根据目标图像的位置信息，对检测框的位置和/或大小进行修正，得到修正后的检测框；对修正后的检测框中的图像数据进行目标特征提取，得到目标特征向量。即使目标在检测框内所占区域的面积较小，由于本发明实施例中，根据目标图像的位置信息对检测框的位置和/或大小进行了修正，从而提高目标图像在检测框内所占区域的面积，进而提高目标特征向量提取的精确度。
图1所示的实施例中，在步骤104中，对修正后的检测框中的图像数据进行目标特征提取，得到目标特征向量中，可以使用不采用注意力机制的神经网络模型，也可以使用采用注意力机制的神经网络模型。如果使用采用注意力机制的神经网络模型，可以用预先训练好的注意力权重图对通过卷积操作后提取的特征图像进行调整，进而提高获取到的目标特征向量的精确度。
本发明实施例可以使用的采用注意力机制的神经网络模型的工作原理，如图2所示，神经网络模型包括：卷积层210、池化层220、全连接层230、输出层240及注意力机制模块250。将修正后的检测框中的图像数据输入模型中，依次经过卷积层210和池化层220，进行目标特征的提取及降采样，得到包含预设数量个通道的目标特征图，将目标特征图输入至注意力机制模块250，计算得到注意力权重图，基于注意力权重图对目标特征图进行修正，得到目标的修正特征图，再将目标的修正特征图输入至全连接层，最终在输出层得到目标特征向量。
具体的，使用采用注意力机制的神经网络模型进行目标特征提取的过程，如图3所示，图3为本发明实施例提供的目标特征提取方法的另一种流程示意图，具体包括如下步骤：
步骤301，获取待处理图片的图像数据及待处理图片中检测框的位置信息，检测框中包含目标图像。
步骤302，对检测框中的图像数据进行处理，获取检测框内的目标图像的位置信息。
步骤303，根据目标图像的位置信息，对检测框的位置和/或大小进行修正，得到修正后的检测框。
步骤301-步骤303的内容可以分别与步骤101-步骤103的内容相同，此处，不再赘述。
步骤304，将修正后的检测框中的图像数据输入预先训练完成的卷积神经网络中，得到包含预设数量个通道的目标特征图。
其中，预设数量是由卷积神经网络中的参数确定的。
本步骤中，预先训练完成的卷积神经网络模型可以包括卷积层和池化层，得到目标特征图的过程可以为：将修正后的检测框中的图像数据输入模型中，依次经过卷积层和池化层，进行目标特征的提取及降采样，得到包含预设数量个通道的目标特征图。
步骤305，基于目标特征图和预先训练得到的权重向量，得到与目标特征图对应的注意力权重图。
进一步的，可以基于目标特征图和预先训练得到的权重向量，采用如下公式，得到与目标特征图对应的注意力权重图：
Mattention＝MfeatureWattention
其中，Mattention为与目标特征图对应的注意力权重图；Mfeature为目标特征图；Wattention为预先训练得到的权重向量。
步骤306，根据注意力权重图，对目标特征图进行修正，得到目标的修正特征图。
在步骤306之前，还可以先对步骤305得到的注意力权重图进行归一化处理。
进一步的，可以根据注意力权重图，采用如下公式，对目标特征图进行修正，得到目标的修正特征图：
其中，
为目标的修正特征图中第i个通道的数值；Mattention[h,w]为注意力权重图中第h行第w列的数值；Mfeature[h,w,i]为目标特征图中第i个通道的第h行第w列的数值。
本发明实施例中，卷积神经网络的参数以及权重向量均可以为通过对样本图像的训练得到。
首先，将样本图像分为正样本图像和负样本图像两类，其中，正样本图像为图像中存在相同目标的样本图像；负样本图像为图像中不存在相同目标的样本图像。例如：样本图像A中存在目标1，样本图像B中存在目标2，样本图像C中存在目标1，则样本图像A与样本图像C互为正样本图像，样本图像A与样本图像B互为负样本，样本图像B与样本图像C也互为负样本图像。
训练的原则为：采用训练得到的卷积神经网络的参数以及权重向量，对样本图像集执行步骤701、步骤702及步骤305之后，可以使得到的正样本图像的特征向量间相似度大于第一相似度阈值，负样本图像的特征向量间相似度小于第二相似度阈值，即：使得正样本图像的特征向量间相似度尽可能大，而负样本图像的特征向量间相似度尽可能小。
具体的，上述训练原则可以通过如下损失函数进行表达，训练过程中，获取使得下述损失函数表达式的值趋于0时的卷积神经网络的参数以及权重向量。
损失函数的表达式可以为：
损失函数的表达式可以为：
损失函数的表达式还可以为：
其中，xa与xp互为正样本图像；xa与xn互为负样本图像；f(xa)为xa中目标的特征向量；f(xp)为xp中目标的特征向量；f(xn)为xn中目标的特征向量；
为xa中目标的特征向量与xp中目标的特征向量之间的欧氏距离；
为xa中目标的特征向量与xn中目标的特征向量之间的欧氏距离。
步骤307，对目标的修正特征图进行全连接操作，得到目标特征向量。
本发明实施例中，基于特征图和预先训练得到的权重向量，得到与目标特征图对应的注意力权重图，再根据注意力权重图，对目标特征图进行修正，可以提高目标特征图获取过程中目标图像区域的权重，进而提高后续获取到的目标特征向量的精确度。
图4为本发明实施例提供的目标特征提取方法的又一种流程示意图，具体包括如下步骤：
步骤401，获取待处理图片的图像数据及待处理图片中检测框的位置信息，检测框中包含目标图像。
本步骤的内容可以与步骤301的内容相同，此处，不再赘述。
步骤402，根据预设算法对检测框的大小进行扩展，得到扩展后的检测框。
进一步的，可以通过如下方法，对检测框的大小进行扩展，得到扩展后的检测框：
根据预设比例系数，对检测框的大小进行扩展，得到扩展后的检测框；
或者，
根据预设的顶点位置修正信息，对检测框的大小进行扩展，得到扩展后的检测框。
上述预设比例及预设的顶点位置修正信息均可以为本领域技术人员根据经验设定的。
步骤403，对扩展后的检测框中的图像数据进行处理，获取扩展后的检测框内的目标图像的位置信息。
本步骤中，对扩展后的检测框中的图像数据进行处理的方法可以与步骤302中对检测框中的图像数据进行处理的方法相同，此处，不再赘述。
步骤404，根据目标图像的位置信息，对扩展后的检测框的位置和/或大小进行修正，得到修正后的检测框。
本步骤中，对扩展后的检测框的位置和/或大小进行修正的方法可以与步骤303中对检测框的位置和/或大小进行修正的方法相同，此处，不再赘述。
步骤405，将修正后的检测框中的图像数据输入预先训练完成的卷积神经网络模型中，得到包含预设数量个通道的目标特征图。
步骤406，基于目标特征图和预先训练得到的权重向量，得到与目标特征图对应的注意力权重图。
步骤407，根据注意力权重图，对目标特征图进行修正，得到目标的修正特征图。
步骤408，对目标的修正特征图进行全连接操作，得到目标特征向量。
步骤405-步骤408的内容可以分别与步骤304-步骤307的内容相同，此处，不再赘述。
本实施例中，对检测框的大小进行扩展，可以使得扩展后的检测框包括目标的全部区域，以便于后续的目标特征提取，提高目标特征提取的准确度。
图5为图4所示实施例中进行检测框修正的一种流程示意图，具体包括如下步骤：
步骤501，对扩展后的检测框内的图像数据进行轮廓提取，得到扩展后的检测框内的目标图像的位置信息。
具体的，可以对扩展后的检测框内的图像数据进行轮廓提取和轮廓过过滤，得到目标轮廓，然后，根据目标轮廓，对扩展后的检测框内的图像数据进行二值化操作，得到二值分割图，例如：将目标轮廓内的像素点的像素值设定为1，将目标轮廓内的像素点的像素值设定为0，最终得到扩展后的检测框内的目标图像的位置信息。
步骤502，根据扩展后的检测框内的目标图像的位置信息，对扩展后的检测框的位置和/或大小进行修正，得到修正后的检测框。
本步骤的内容可以与步骤103中的内容相同，此处，不再赘述。
通过对扩展后的检测框内的图像数据进行轮廓提取，得到扩展后的检测框内的目标图像的位置信息，再根据扩展后的检测框内的目标图像的位置信息，对扩展后的检测框进行修正，以使目标图像处于修正后的检测框的中心位置，进而可以在后续目标特征向量提取时，减少修正后的检测框中其他图像数据对目标特征提取的影响，提高目标特征提取的精确度。
图6为图4所示实施例中进行检测框修正的另一种流程示意图，具体包括如下步骤：
步骤601，将扩展后的检测框内的图像数据转换为六角锥体HSV色彩模型。
图像中像素点的颜色可以通过多种不同的色彩空间模式进行描述，常用的色彩空间有：RGB色彩空间、HSV色彩空间及亮度颜色LAB色彩空间，其中，RGB色彩空间通过对红、绿、蓝三个颜色通道的变化以及其相互之间的叠加来表示颜色的色彩空间；LAB色彩空间是以一个亮度分量L及两个颜色分量A和B来表示颜色的色彩空间；而HSV色彩空间则是通过色调Hue、饱和度Saturation及明度Value来表示颜色的色彩空间。
步骤602，根据扩展后的检测框内的各像素点的色调值，对扩展后的检测框内的各像素点进行分块划分，得到像素点离散分块结果。
步骤603，根据像素点离散分块结果，对扩展后的检测框内的图像数据进行二值化分割，得到二值分割图。
具体的，可以根据像素点离散分块结果，将占比最大的颜色块的像素值设定为1，将占比最大的颜色块之外的其他颜色块的像素值均设定为0，二值分割图。
步骤604，根据二值分割图，获取扩展后的检测框内的目标图像的位置信息。
本步骤中，可以对二值分割图进行消除噪声处理，得到最终的扩展后的检测框内的目标图像的位置信息。
步骤605，根据扩展后的检测框内的目标图像的位置信息，对扩展后的检测框的位置和/或大小进行修正，得到修正后的检测框。
本步骤的内容可以与步骤103中的内容相同，此处，不再赘述。
通过对扩展后的检测框内的各像素点进行分块划分，得到像素点离散分块结果，进而得到二值分割图，最终得到扩展后的检测框内的目标图像的位置信息，再根据扩展后的检测框内的目标图像的位置信息，对扩展后的检测框进行修正，以使目标图像处于修正后的检测框的中心位置，进而可以在后续目标特征向量提取时，减少修正后的检测框中其他图像数据对目标特征提取的影响，提高目标特征提取的精确度。
图7为图4所示实施例中进行检测框修正的又一种流程示意图，具体包括如下步骤：
步骤701，对扩展后的检测框内的图像数据进行轮廓提取，得到扩展后的检测框内目标的第一位置信息。
本步骤中，获取第一位置信息的方法与步骤501中获取扩展后的检测框内的目标图像的位置信息的方法相同，此处，不再赘述。
步骤702，将扩展后的检测框内的图像数据转换为六角锥体HSV色彩模型。
步骤703，根据扩展后的检测框内的各像素点的色调值，对扩展后的检测框内的各像素点进行分块划分，得到像素点离散分块结果。
步骤704，根据像素点离散分块结果，对扩展后的检测框内的图像数据进行二值化分割，得到二值分割图。
步骤705，根据二值分割图，获取扩展后的检测框内目标的第二位置信息。
步骤702-步骤705中得到第二位置信息的方法可以与步骤601-步骤604中获取扩展后的检测框内的目标图像的位置信息的方法相同，此处，不再赘述。
步骤706，对第一位置信息和第二位置信息进行融合，得到扩展后的检测框内的目标图像的位置信息。
具体的，融合过程可以为：对第一位置信息和第二位置信息取并集，得到扩展后的检测框内的目标图像的位置信息，以提高得到的扩展后的检测框内的目标图像的位置信息的精确度。例如：第一位置信息为第一二值分割图，第二位置信息为第二二值分割图，本步骤中，可以将第一二值分割图和第二二值分割图中的目标图像取并集，得到最终的二值分割图，进而得到扩展后的检测框内的目标图像的最终的位置信息。
步骤707，根据扩展后的检测框内的目标图像的位置信息，对扩展后的检测框的位置和/或大小进行修正，得到修正后的检测框。
本步骤的内容可以与步骤103中的内容相同，此处，不再赘述。
对通过不同方法获得的二值分割图进行融合，最终得到扩展后的检测框内的目标图像的位置信息，提高了得到的扩展后的检测框内的目标图像的位置信息的精确度；同时，根据扩展后的检测框内的目标图像的位置信息，对扩展后的检测框进行修正，以使目标图像处于修正后的检测框的中心位置，进而可以在后续目标特征向量提取时，减少修正后的检测框中其他图像数据对目标特征提取的影响，提高目标特征提取的精确度。
基于同一发明构思，根据本发明上述实施例提供的目标特征提取方法，相应地，本发明一个实施例还提供了一种目标特征提取装置，其结构示意图如图8所示，包括：
图像数据获取模块801，用于获取待处理图片的图像数据及待处理图片中检测框的位置信息，检测框中包含目标图像；
位置信息获取模块802，用于对检测框中的图像数据进行处理，获取检测框内的目标图像的位置信息；
检测框修正模块803，用于根据目标图像的位置信息，对检测框的位置和/或大小进行修正，得到修正后的检测框；
特征提取模块804，用于对修正后的检测框中的图像数据进行目标特征提取，得到目标特征向量。
进一步的，特征提取模块804，包括：特征提取子模块；
特征提取子模块，用于将修正后的检测框中的图像数据输入预先训练完成的卷积神经网络模型中，进行目标特征提取，得到目标特征向量。
进一步的，特征提取子模块，包括：特征图获取子单元、注意力权重图获取子单元、修正特征图获取子单元及目标特征向量获取子单元；
特征图获取子单元，用于将修正后的检测框中的图像数据输入预先训练完成的卷积神经网络中，得到包含预设数量个通道的特征图，预设数量是由卷积神经网络中的参数确定的；
注意力权重图获取子单元，用于基于目标特征图和预先训练得到的权重向量，得到与特征图对应的注意力权重图；
修正特征图获取子单元，用于根据注意力权重图，对特征图进行修正，得到修正特征图；
目标特征向量获取子单元，用于对修正特征图进行全连接操作，得到目标特征向量。
进一步的，注意力权重图获取子单元，具体用于基于特征图和预先训练得到的权重向量，采用如下公式，得到与特征图对应的注意力权重图：
Mattention＝MfeatureWattention
其中，Mattention为与特征图对应的注意力权重图；Mfeature为特征图；Wattention为预先训练得到的权重向量。
进一步的，修正特征图获取子单元，具体用于根据注意力权重图，采用如下公式，对特征图进行修正，得到修正特征图：
其中，
为第i个通道的修正特征图中的数值；Mattention[h,w]为注意力权重图中第h行第w列的数值；Mfeature[h,w,i]为第i个通道的特征图中第h行第w列的数值。
进一步的，位置信息获取模块，包括：检测框扩展子模块和位置信息获取子模块；
检测框扩展子模块，用于根据预设算法对检测框的大小进行扩展，得到扩展后的检测框；
位置信息获取子模块，用于对扩展后的检测框中的图像数据进行处理，获取扩展后的检测框内的目标图像的位置信息；
检测框修正模块，具体用于根据目标图像的位置信息，对扩展后的检测框的位置和/或大小进行修正，得到修正后的检测框。
进一步的，检测框扩展子模块，具体用于根据预设比例系数，对检测框的大小进行扩展，得到扩展后的检测框；或者，根据预设的顶点位置修正信息，对检测框的大小进行扩展，得到扩展后的检测框。
进一步的，位置信息获取模块802，具体用于对检测框内的图像数据进行轮廓提取，得到检测框内的目标图像的位置信息。
进一步的，位置信息获取模块802，包括：色彩模型转换子模块、分块结果获取子模块、二值分割图获取子模块及位置信息获取子模块；
色彩模型转换子模块，用于将检测框内的图像数据转换为六角锥体HSV色彩模型；
分块结果获取子模块，用于根据检测框内的各像素点的色调值，对检测框内的各像素点进行分块划分，得到像素点离散分块结果；
二值分割图获取子模块，用于根据像素点离散分块结果，对检测框内的图像数据进行二值化分割，得到二值分割图；
位置信息获取子模块，用于根据二值分割图，获取检测框内的目标图像的位置信息。
进一步的，位置信息获取模块802，具体用于：
对检测框内的图像数据进行轮廓提取，得到检测框内目标的第一位置信息；
将检测框内的图像数据转换为六角锥体HSV色彩模型；根据检测框内的各像素点的色调值，对检测框内的各像素点进行分块划分，得到像素点离散分块结果；
根据像素点离散分块结果，对检测框内的图像数据进行二值化分割，得到二值分割图；
根据二值分割图，获取检测框内目标的第二位置信息；
对第一位置信息和第二位置信息进行融合，得到检测框内的目标图像的位置信息。
本发明实施例中，图像数据获取模块801获取待处理图片的图像数据及待处理图片中检测框的位置信息；位置信息获取模块802对检测框中的图像数据进行处理，获取检测框内的目标图像的位置信息；检测框修正模块803根据目标图像的位置信息，对检测框的位置和/或大小进行修正，得到修正后的检测框；特征提取模块804对修正后的检测框中的图像数据进行目标特征提取，得到目标特征向量。即使目标在检测框内所占区域的面积较小，由于本发明实施例中，根据目标图像的位置信息对检测框的位置和/或大小进行了修正，从而提高目标图像在检测框内所占区域的面积，进而提高目标特征向量提取的精确度。
本发明实施例还提供了一种电子设备，如图9所示，包括处理器901、通信接口902、存储器903和通信总线904，其中，处理器901，通信接口902，存储器903通过通信总线904完成相互间的通信，
存储器903，用于存放计算机程序；
处理器901，用于执行存储器903上所存放的程序时，实现如下步骤：
获取待处理图片的图像数据及待处理图片中检测框的位置信息，检测框中包含目标图像；
对检测框中的图像数据进行处理，获取检测框内的目标图像的位置信息；
根据目标图像的位置信息，对检测框的位置和/或大小进行修正，得到修正后的检测框；
对修正后的检测框中的图像数据进行目标特征提取，得到目标特征向量。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，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。
通信接口用于上述电子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(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，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(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(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(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。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一的目标特征提取方法。
在本发明提供的又一实施例中，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实施例中任一的目标特征提取方法。
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发明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，对于装置及电子设备实施例而言，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。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (12)
1.一种目标特征提取方法，其特征在于，所述方法包括：
获取待处理图片的图像数据及待处理图片中检测框的位置信息，所述检测框中包含目标图像；
对所述检测框中的图像数据进行处理，获取所述检测框内的目标图像的位置信息；
根据所述目标图像的位置信息，对所述检测框的位置和/或大小进行修正，得到修正后的检测框；
对所述修正后的检测框中的图像数据进行目标特征提取，得到目标特征向量。
2.根据权利要求1所述的方法，其特征在于，所述对所述修正后的检测框中的图像数据进行目标特征提取，得到目标特征向量的步骤，包括：
将所述修正后的检测框中的图像数据输入预先训练完成的卷积神经网络模型中，进行目标特征提取，得到目标特征向量。
3.根据权利要求2所述的方法，其特征在于，所述将所述修正后的检测框中的图像数据输入预先训练完成的卷积神经网络模型中，进行目标特征提取，得到目标特征向量的步骤，包括：
将所述修正后的检测框中的图像数据输入预先训练完成的卷积神经网络模型中，得到包含预设数量个通道的目标特征图，所述预设数量是由所述卷积神经网络中的参数确定的；
基于所述目标特征图和预先训练得到的权重向量，得到与所述目标特征图对应的注意力权重图；
根据所述注意力权重图，对所述目标特征图进行修正，得到目标的修正特征图；
对所述目标的修正特征图进行全连接操作，得到目标特征向量。
4.根据权利要求1或2所述的方法，其特征在于，所述对所述检测框中的图像数据进行处理，获取所述检测框内的目标图像的位置信息的步骤，包括：
根据预设算法对所述检测框的大小进行扩展，得到扩展后的检测框；
对所述扩展后的检测框中的图像数据进行处理，获取所述扩展后的检测框内的目标图像的位置信息；
所述根据所述目标图像的位置信息，对所述检测框的位置和/或大小进行修正，得到修正后的检测框，包括：
根据所述目标图像的位置信息，对所述扩展后的检测框的位置和/或大小进行修正，得到修正后的检测框。
5.根据权利要求4所述的方法，其特征在于，所述根据预设算法对所述检测框的大小进行扩展，得到扩展后的检测框的步骤，包括：
根据预设比例系数，对所述检测框的大小进行扩展，得到扩展后的检测框；
或者，
根据预设的顶点位置修正信息，对所述检测框的大小进行扩展，得到扩展后的检测框。
6.根据权利要求1或2所述的方法，其特征在于，所述对所述检测框中的图像数据进行处理，获取所述检测框内的目标图像的位置信息的步骤，包括：
对所述检测框内的图像数据进行轮廓提取，得到所述检测框内的目标图像的位置信息。
7.根据权利要求1或2所述的方法，其特征在于，所述对所述检测框中的图像数据进行处理，获取所述检测框内的目标图像的位置信息的步骤，包括：
将所述检测框内的图像数据转换为六角锥体HSV色彩模型；
根据所述检测框内的各像素点的色调值，对所述检测框内的各像素点进行分块划分，得到像素点离散分块结果；
根据所述像素点离散分块结果，对所述检测框内的图像数据进行二值化分割，得到二值分割图；
根据所述二值分割图，获取所述检测框内的目标图像的位置信息。
8.根据权利要求1或2所述的方法，其特征在于，所述对所述检测框中的图像数据进行处理，获取所述检测框内的目标图像的位置信息的步骤，包括：
对所述检测框内的图像数据进行轮廓提取，得到所述检测框内目标的第一位置信息；
将所述检测框内的图像数据转换为六角锥体HSV色彩模型；
根据所述检测框内的各像素点的色调值，对所述检测框内的各像素点进行分块划分，得到像素点离散分块结果；
根据所述像素点离散分块结果，对所述检测框内的图像数据进行二值化分割，得到二值分割图；
根据所述二值分割图，获取所述检测框内目标的第二位置信息；
对所述第一位置信息和所述第二位置信息进行融合，得到所述检测框内的目标图像的位置信息。
9.一种目标特征提取装置，其特征在于，所述装置包括：
图像数据获取模块，用于获取待处理图片的图像数据及待处理图片中检测框的位置信息，所述检测框中包含目标图像；
位置信息获取模块，用于对所述检测框中的图像数据进行处理，获取所述检测框内的目标图像的位置信息；
检测框修正模块，用于根据所述目标图像的位置信息，对所述检测框的位置和/或大小进行修正，得到修正后的检测框；
特征提取模块，用于对所述修正后的检测框中的图像数据进行目标特征提取，得到目标特征向量。
10.根据权利要求9所述的装置，其特征在于，所述特征提取模块，包括：特征提取子模块；
所述特征提取子模块，用于将所述修正后的检测框中的图像数据输入预先训练完成的卷积神经网络模型中，进行目标特征提取，得到目标特征向量。
11.根据权利要求10所述的装置，其特征在于，所述特征提取子模块，包括：特征图获取子单元、注意力权重图获取子单元、修正特征图获取子单元及目标特征向量获取子单元；
所述特征图获取子单元，用于将所述修正后的检测框中的图像数据输入预先训练完成的卷积神经网络模型中，得到包含预设数量个通道的特征图，所述预设数量是由所述卷积神经网络中的参数确定的；
所述注意力权重图获取子单元，用于基于所述目标特征图和预先训练得到的权重向量，得到与所述特征图对应的注意力权重图；
所述修正特征图获取子单元，用于根据所述注意力权重图，对所述特征图进行修正，得到修正特征图；
所述目标特征向量获取子单元，用于对所述修正特征图进行全连接操作，得到目标特征向量。
12.一种电子设备，其特征在于，包括处理器和存储器，其中，
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现权利要求1-8任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910227347.2A CN111738272B (zh) | 2019-03-25 | 2019-03-25 | 一种目标特征提取方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910227347.2A CN111738272B (zh) | 2019-03-25 | 2019-03-25 | 一种目标特征提取方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111738272A true CN111738272A (zh) | 2020-10-02 |
| CN111738272B CN111738272B (zh) | 2024-08-02 |
Family
ID=72646195
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910227347.2A Active CN111738272B (zh) | 2019-03-25 | 2019-03-25 | 一种目标特征提取方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111738272B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508975A (zh) * | 2020-12-21 | 2021-03-16 | 上海眼控科技股份有限公司 | 一种图像识别方法、装置、设备及存储介质 |
| CN112699813A (zh) * | 2020-12-31 | 2021-04-23 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于改进mtcnn网络模型的多国车牌定位方法 |
| CN113298062A (zh) * | 2021-07-28 | 2021-08-24 | 宁波星巡智能科技有限公司 | 婴幼儿睡眠活动状态检测方法、装置、设备及介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011119917A (ja) * | 2009-12-02 | 2011-06-16 | Denso Corp | 車両用表示装置 |
| CN104239867A (zh) * | 2014-09-17 | 2014-12-24 | 深圳市捷顺科技实业股份有限公司 | 车牌定位方法及系统 |
| CN104331877A (zh) * | 2014-10-13 | 2015-02-04 | 西北工业大学 | 融合色调梯度的彩色图像边缘检测方法 |
| CN105809138A (zh) * | 2016-03-15 | 2016-07-27 | 武汉大学 | 一种基于分块识别的道路警告标志检测与识别方法 |
| CN106355188A (zh) * | 2015-07-13 | 2017-01-25 | 阿里巴巴集团控股有限公司 | 图像检测方法及装置 |
| CN106557778A (zh) * | 2016-06-17 | 2017-04-05 | 北京市商汤科技开发有限公司 | 通用物体检测方法和装置、数据处理装置和终端设备 |
| CN106650699A (zh) * | 2016-12-30 | 2017-05-10 | 中国科学院深圳先进技术研究院 | 一种基于卷积神经网络的人脸检测方法及装置 |
| CN107844750A (zh) * | 2017-10-19 | 2018-03-27 | 华中科技大学 | 一种水面全景图像目标检测识别方法 |
| CN108241822A (zh) * | 2016-12-23 | 2018-07-03 | 杭州海康威视数字技术股份有限公司 | 一种车辆类型的识别方法及装置 |
| JP2018180945A (ja) * | 2017-04-13 | 2018-11-15 | 株式会社豊田中央研究所 | 物体検出装置及びプログラム |
| CN109145898A (zh) * | 2018-07-26 | 2019-01-04 | 清华大学深圳研究生院 | 一种基于卷积神经网络和迭代机制的物体检测方法 |
| CN109190636A (zh) * | 2018-07-30 | 2019-01-11 | 北京航空航天大学 | 一种遥感图像舰船目标信息提取方法 |
-
2019
- 2019-03-25 CN CN201910227347.2A patent/CN111738272B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011119917A (ja) * | 2009-12-02 | 2011-06-16 | Denso Corp | 車両用表示装置 |
| CN104239867A (zh) * | 2014-09-17 | 2014-12-24 | 深圳市捷顺科技实业股份有限公司 | 车牌定位方法及系统 |
| CN104331877A (zh) * | 2014-10-13 | 2015-02-04 | 西北工业大学 | 融合色调梯度的彩色图像边缘检测方法 |
| CN106355188A (zh) * | 2015-07-13 | 2017-01-25 | 阿里巴巴集团控股有限公司 | 图像检测方法及装置 |
| CN105809138A (zh) * | 2016-03-15 | 2016-07-27 | 武汉大学 | 一种基于分块识别的道路警告标志检测与识别方法 |
| CN106557778A (zh) * | 2016-06-17 | 2017-04-05 | 北京市商汤科技开发有限公司 | 通用物体检测方法和装置、数据处理装置和终端设备 |
| CN108241822A (zh) * | 2016-12-23 | 2018-07-03 | 杭州海康威视数字技术股份有限公司 | 一种车辆类型的识别方法及装置 |
| CN106650699A (zh) * | 2016-12-30 | 2017-05-10 | 中国科学院深圳先进技术研究院 | 一种基于卷积神经网络的人脸检测方法及装置 |
| JP2018180945A (ja) * | 2017-04-13 | 2018-11-15 | 株式会社豊田中央研究所 | 物体検出装置及びプログラム |
| CN107844750A (zh) * | 2017-10-19 | 2018-03-27 | 华中科技大学 | 一种水面全景图像目标检测识别方法 |
| CN109145898A (zh) * | 2018-07-26 | 2019-01-04 | 清华大学深圳研究生院 | 一种基于卷积神经网络和迭代机制的物体检测方法 |
| CN109190636A (zh) * | 2018-07-30 | 2019-01-11 | 北京航空航天大学 | 一种遥感图像舰船目标信息提取方法 |
Non-Patent Citations (1)
| Title |
|---|
| 赵文清;严海;邵绪强;: "改进的非极大值抑制算法的目标检测", 中国图象图形学报, no. 11, 16 November 2018 (2018-11-16) * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508975A (zh) * | 2020-12-21 | 2021-03-16 | 上海眼控科技股份有限公司 | 一种图像识别方法、装置、设备及存储介质 |
| CN112699813A (zh) * | 2020-12-31 | 2021-04-23 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于改进mtcnn网络模型的多国车牌定位方法 |
| CN113298062A (zh) * | 2021-07-28 | 2021-08-24 | 宁波星巡智能科技有限公司 | 婴幼儿睡眠活动状态检测方法、装置、设备及介质 |
| CN113298062B (zh) * | 2021-07-28 | 2021-10-29 | 宁波星巡智能科技有限公司 | 婴幼儿睡眠活动状态检测方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111738272B (zh) | 2024-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10977523B2 (en) | Methods and apparatuses for identifying object category, and electronic devices | |
| CN109325954B (zh) | 图像分割方法、装置及电子设备 | |
| US10803554B2 (en) | Image processing method and device | |
| US11151723B2 (en) | Image segmentation method, apparatus, and fully convolutional network system | |
| CN107590447A (zh) | 一种文字标题识别方法及装置 | |
| EP2797052B1 (en) | Detecting a saliency region in an image | |
| CN110909663B (zh) | 一种人体关键点识别方法、装置及电子设备 | |
| CN108492294B (zh) | 一种图像色彩和谐程度的评估方法及装置 | |
| CN111738272B (zh) | 一种目标特征提取方法、装置及电子设备 | |
| CN112101386B (zh) | 文本检测方法、装置、计算机设备和存储介质 | |
| KR20170109898A (ko) | 객체 추출 장치 및 방법 | |
| CN111814905A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
| WO2019210707A1 (zh) | 一种图像清晰度评测方法、装置及电子设备 | |
| CN110909665A (zh) | 一种多任务的图像处理方法、装置、电子设备及存储介质 | |
| CN112597918A (zh) | 文本检测方法及装置、电子设备、存储介质 | |
| CN108229583B (zh) | 一种基于主方向差分特征的快速模板匹配的方法及装置 | |
| CN112418243A (zh) | 特征提取方法、装置及电子设备 | |
| CN111369489B (zh) | 一种图像识别方法、装置及终端设备 | |
| CN114841974A (zh) | 一种水果内部结构无损检测方法、系统、电子设备及介质 | |
| CN112560857B (zh) | 文字区域边界检测方法、设备、存储介质及装置 | |
| CN112634141A (zh) | 一种车牌矫正方法、装置、设备及介质 | |
| CN110874814A (zh) | 一种图像处理方法、图像处理装置及终端设备 | |
| CN112580638B (zh) | 文本检测方法、装置、存储介质及电子设备 | |
| CN115270841A (zh) | 条码检测方法、装置、存储介质及计算机设备 | |
| CN111209922B (zh) | 基于svm和opencv的图像色系风格标记方法、装置、设备及介质 |
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 |