CN111833340B - 图像检测方法、装置、电子设备及存储介质 - Google Patents

图像检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111833340B
CN111833340B CN202010705042.0A CN202010705042A CN111833340B CN 111833340 B CN111833340 B CN 111833340B CN 202010705042 A CN202010705042 A CN 202010705042A CN 111833340 B CN111833340 B CN 111833340B
Authority
CN
China
Prior art keywords
image
detection
imaging
color
characteristic data
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
Application number
CN202010705042.0A
Other languages
English (en)
Other versions
CN111833340A (zh
Inventor
孙磊
胡斌
饶思粤
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.)
Apollo Intelligent Technology Beijing Co Ltd
Original Assignee
Apollo Intelligent Technology Beijing 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 Apollo Intelligent Technology Beijing Co Ltd filed Critical Apollo Intelligent Technology Beijing Co Ltd
Priority to CN202010705042.0A priority Critical patent/CN111833340B/zh
Publication of CN111833340A publication Critical patent/CN111833340A/zh
Priority to KR1020210036031A priority patent/KR102595704B1/ko
Priority to JP2021048278A priority patent/JP7051267B2/ja
Priority to US17/211,001 priority patent/US11798193B2/en
Priority to EP21170755.9A priority patent/EP3848853A3/en
Application granted granted Critical
Publication of CN111833340B publication Critical patent/CN111833340B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/97—Determining parameters from multiple pictures
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/162—Detection; Localisation; Normalisation using pixel segmentation or colour matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G06V10/993—Evaluation of the quality of the acquired pattern
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了图像检测方法、装置、电子设备及存储介质，涉及人工智能、深度学习、图像处理领域。具体实现方案为：对待检测的成像图像执行采集处理，得到采集图像；响应于检测处理，通过预设的图像检测网络提取所述采集图像中目标对象的特征数据；针对所述目标对象的特征数据，根据所述图像检测网络进行至少包含成像内容指标及颜色条指标的多维度检测，得到检测结果；其中，所述目标对象包括成像内容及颜色条，所述颜色条用于描述与所述成像内容相关的颜色信息。采用本申请，可以提高摄像头或车机等采集设备所输出成像图像的图像(成像内容及颜色)检测的检测精度。

Description

图像检测方法、装置、电子设备及存储介质
技术领域
本申请涉及计算机视觉处理领域。本申请尤其涉及人工智能、深度学习、图像处理领域、可应用于与图像处理相关的图像采集、图像检测等领域。
背景技术
计算机视觉中，针对图像处理，随着用户对安防、路况等各种场景的监控，以及对摄像头、车机等采集设备所输出画面的清晰度及准确度等场景需求的日益增加，以及便携设备、手机终端等电子设备相比以往更加智能化，芯片的图像解析能力更强，用户希望针对图像处理的采集画质能实现更高的清晰度及更高的准确度。
目前，对采集画质的图像检测，要么需要设置特定的检测环境，从而增大了检测成本；要么只能对采集画质中包含的部分目标对象(如成像内容)进行检测，比如检测该采集画质中的成像内容是人、还是动物、车流中的车辆、或者商业区的商铺等等；要么不是对真实的采集画质检测，而是对其模拟画质进行检测，由于模拟画质并非真实的采集画质，达不到预期的检测精度要求。对此，针对提高图像检测的检测精度，相关技术中并未存在有效的解决方案。
发明内容
本申请提供了一种图像检测方法、装置、电子设备及存储介质。
根据本申请的一方面，提供了一种图像检测方法，包括：
对待检测的成像图像执行采集处理，得到采集图像；
响应于检测处理，通过预设的图像检测网络提取所述采集图像中目标对象的特征数据；
针对所述目标对象的特征数据，根据所述图像检测网络进行至少包含成像内容指标及颜色条指标的多维度检测，得到检测结果；
其中，所述目标对象包括成像内容及颜色条，所述颜色条用于描述与所述成像内容相关的颜色信息。
根据本申请的另一方面，提供了一种图像检测装置，包括：
采集模块，用于对待检测的成像图像执行采集处理，得到采集图像；
响应模块，用于响应于检测处理，通过预设的图像检测网络提取所述采集图像中目标对象的特征数据；
检测模块，用于针对所述目标对象的特征数据，根据所述图像检测网络进行至少包含成像内容指标及颜色条指标的多维度检测，得到检测结果；
其中，所述目标对象包括成像内容及颜色条，所述颜色条用于描述与所述成像内容相关的颜色信息。
根据本申请的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本申请任意一实施例所提供的方法。
根据本申请的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使该计算机执行本申请任意一项实施例所提供的方法。
根据本申请的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上所述的方法。
采用本申请，可以对待检测的成像图像执行采集处理，得到采集图像，响应于检测处理，可以通过预设的图像检测网络提取所述采集图像中目标对象的特征数据。针对所述目标对象的特征数据，可以根据所述图像检测网络进行至少包含成像内容指标及颜色条指标的多维度检测，得到检测结果，由于所述目标对象包括成像内容及颜色条，所述颜色条用于描述与所述成像内容相关的颜色信息，因此，对应所述目标对象，采用至少包含成像内容指标及颜色条指标的多维度检测，可以得到更为精确的检测结果，也就是说，可以提高摄像头或车机等采集设备所输出成像图像的图像(成像内容及颜色)检测的检测精度。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是应用于本申请实施例的一图像检测交互的硬件实体示意图；
图2是根据本申请实施例的图像检测方法的流程示意图；
图3是根据本申请实施例的图像检测的一应用示例目标对象的示意图；
图4是根据本申请实施例的图像检测的另一应用示例目标对象的示意图；
图5是根据本申请实施例的图像检测装置的组成结构示意图；
图6是用来实现本申请实施例的图像检测方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。本文中术语“第一”、“第二”表示指代多个类似的技术用语并对其进行区分，并不是限定顺序的意思，或者限定只有两个的意思，例如，第一特征和第二特征，是指代有两类/两个特征，第一特征可以为一个或多个，第二特征也可以为一个或多个。
另外，为了更好的说明本申请，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本申请同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本申请的主旨。
图1是应用于本申请实施例的一图像检测交互的硬件实体示意图，图1中包括：服务器11(如由多个服务器构成的服务器集群)、各终端(终端21-终端26)，比如PC机，手机，一体机、摄像头、带麦克风的摄像头、车机等类型，及各硬件实体之间可以对得到的采集图像进行图像检测，还可以彼此分享的各采集图像(采集图像31-采集图像33)。
各终端可以利用本地图像处理芯片中的模块，如基于图像检测网络得到的检测模块，进行至少包含成像内容指标及颜色条指标的多维度检测，以得到检测结果。
各终端也可以将各采集图像提供给后台进行云端处理，在云端处理的过程中，可以基于图像检测网络进行至少包含成像内容指标及颜色条指标的多维度检测，以得到检测结果。各终端可以通过有线网络或者无线网络与服务器11进行各采集图像的交互。
上述图1的例子只是实现本申请实施例的一个系统架构实例，本申请实施例并不限于上述图1所述的系统结构，基于该系统架构，提出本申请各个实施例。
采集设备包括摄像头或车机，以采集设备为摄像头为例，为了达到提高图像检测的检测精度的目的，需要对摄像头或车机所输出成像图像的图像，从成像内容及颜色两方面进行检测。在对摄像头采集的“成像内容+颜色”的检测过程中，要么是能实现摄像头采集的“成像内容+颜色”的检测，但是需要设置一个特殊的检测环境，而该检测环境的搭建及维护成本很高，从而导致检测成本急剧增加。要么是只能对摄像头采集的“成像内容+颜色”的其一实现检测，检测数据不完备导致检测精度不够准确。要么对于摄像头采集的“成像内容+颜色”的检测，无法实现硬件在环的检测，是真实的采集画质进行模拟后对模拟画质进行的检测，由于无法得到真实的检测数据，因此，检测精度不够准确。其中，硬件在环指：采用真实的对摄像头采集所得到的成像。
根据本申请的实施例，提供了一种图像检测方法，图2是根据本申请实施例的图像检测方法的流程示意图，该方法可以应用于图像检测装置，例如，该装置可以部署于终端或服务器或其它处理设备执行的情况下，可以执行视频帧提取、曝光质量统计、曝光质量评估等等。其中，终端可以为用户设备(UE，User Equipment)、移动设备、蜂窝电话、无绳电话、个人数字处理(PDA，Personal Digital Assistant)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该方法还可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图2所示，包括：
S101、对待检测的成像图像执行采集处理，得到采集图像。
一示例中，可以通过摄像头或车机等采集设备执行采集处理，以得到该采集结果。
S102、响应于检测处理，通过预设的图像检测网络提取所述采集图像中目标对象的特征数据。
一示例中，图像检测网络可以为卷积神经网络，本申请不限于该网络类型，只要能实现本申请图像检测的神经网络都在本申请的保护范围之内。该图像检测网络需要事先训练好，之后，将该采集图像输入该训练后预设的图像检测网络进行图像检测，图像检测网络的输出为想要的检测结果。
在应用该训练后预设的图像检测网络实现检测的过程中，可以先提取该采集图像中目标对象的特征数据。其中，该目标对象包括成像内容及颜色条，所述颜色条用于描述与所述成像内容相关的颜色信息，则目标对象的特征数据至少包括成像内容及颜色条这两个维度的特征数据。然后，可以基于该成像内容及颜色条这两个维度的特征数据进行识别及比对，以完成该图像检测的过程。
S103、针对所述目标对象的特征数据，根据所述图像检测网络进行至少包含成像内容指标及颜色条指标的多维度检测，得到检测结果。
一示例中，相应于目标对象的特征数据至少包括成像内容及颜色条这两个维度的特征数据，进行该多维度检测中，需要将该至少包括成像内容及颜色条这两个维度的特征数据，分别与至少包含成像内容指标及颜色条指标进行比对，则通过该多维度检测可以得到检测结果。
采用本申请，可以对待检测的成像图像执行采集处理，得到采集图像，响应于检测处理，可以通过预设的图像检测网络提取所述采集图像中目标对象的特征数据。针对所述目标对象的特征数据，可以根据所述图像检测网络进行至少包含成像内容指标及颜色条指标的多维度检测，得到检测结果，由于所述目标对象包括成像内容及颜色条，所述颜色条用于描述与所述成像内容相关的颜色信息，因此，对应所述目标对象，采用至少包含成像内容指标及颜色条指标的多维度检测，可以得到更为精确的检测结果，也就是说，通过本申请执行的多维度检测，不用增加额外的成本(比如设置特定的检测环境)就可以实现采集设备(如摄像头或车机)采集的成像内容及颜色的检测，且符合硬件在环，从而，可以提高摄像头或车机等采集设备所输出成像图像的图像(成像内容及颜色)检测的检测精度。
一实施方式中，所述针对所述目标对象的特征数据，根据所述图像检测网络进行成像内容指标及颜色条指标的多维度检测，得到检测结果，包括：针对所述目标对象的特征数据，根据所述图像检测网络进行至少包含所述成像内容及所述颜色条的多维度识别，得到识别结果。根据所述图像检测网络，将所述识别结果与目标校验值进行多维度比对，比对一致的情况下，得到针对所述成像图像校验成功的检测结果。其中，所述目标校验值用于表征所述成像内容指标及所述颜色条指标。
采用本实施方式，通过识别结果与目标校验值的多维度比对，可以评估上述采集图像的成像内容是否扭曲、成像内容是否存重大变形，以及如果诸如光照的影响，是否影响颜色条的饱和度，颜色条的颜色是否符合采集设备的输出显示、颜色是否失真等，如果比对一致，则认为检测结果为该采集图像的成像质量是完好无损的。
一示例中，如果成像质量是完好无损的检测结果，那么，进一步还可以根据该检测结果可以得到采集设备(如摄像头或车机)在正常工作状态中的校验结果。以成像内容为人脸为例，采集设备处于正常工作状态时，只能得到一个人脸，且人脸的位置、人脸的面积大小等都是不变的(也就是说符合上述目标校验值)，以及人脸的颜色也不受如光照等采集环境的干扰，对于人脸的颜色条来说，可以设置颜色条包括“红绿蓝”这三原色，采集设备处于正常工作状态时，三原色的各颜色的位置、各颜色的面积大小等都是不变的(也就是说符合上述目标校验值)。而若采集设备处于非正常工作状态时，可能检测到多个人脸(即人脸个数有变化)，或者人脸在采集图像中的人脸位置、人脸的面积大小也可能发生变化。
一实施方式中，所述针对所述目标对象的特征数据，根据所述图像检测网络进行至少包含所述成像内容及所述颜色条的多维度识别，得到识别结果，包括：获取第一特征数据，所述第一特征数据用于表征所述成像内容对应的图像特征数据；获取第二特征数据，所述第二特征数据用于表征所述颜色条对应的颜色特征数据；将所述第一特征数据及所述第二特征数据，分别基于各自的识别维度参数进行识别，得到所述识别结果。
一实施方式中，所述将所述第一特征数据及所述第二特征数据，分别按照各自的识别维度参数进行识别，得到所述识别结果，包括：将所述第一特征数据，基于至少包含成像内容的个数、成像内容的面积、成像内容的位置中的至少一种识别维度参数进行识别，得到第一识别结果；将所述第二特征数据，基于至少包含颜色条的个数、颜色条的面积、颜色条的位置中的至少一种识别维度参数进行识别，得到第二识别结果；根据所述第一识别结果及所述第二识别结果，得到所述识别结果。
一实施方式中，所述根据所述图像检测网络，将所述识别结果与目标校验值进行多维度比对，包括：响应于所述目标校验值用于表征所述成像内容指标的比对处理，获取至少包含成像内容的个数指标、成像内容的面积指标、成像内容的位置指标中的至少一种比对维度参数，并与所述识别结果进行所述比对处理；响应于所述目标校验值用于表征所述颜色条指标的比对处理，获取至少包含颜色条的个数指标、颜色条的面积指标、颜色条的位置指标中的至少一种比对维度参数，并与所述识别结果进行所述比对处理。其中，将所述识别结果与所述目标校验值与的比对处理，可以为像素级的比对处理。
一实施方式中，所述对待检测的成像图像执行采集处理，得到采集图像，包括：响应于针对同一个所述成像图像的图像动态采集处理，得到至少两个采集图像；所述成像内容及所述颜色条在所述至少两个采集图像中的位置分布不同。比如，成像内容及所述颜色条的位置分布可以上、下、左、右四个方向随意设置，以针对同一成像图像得到的两个采集图像为例，比如，一张采集图像中成像内容在左边，颜色条的位置在其右边；又如，另一张采集图像中成像内容在左边，颜色条的位置在其右边。而且，所述颜色条中“红绿蓝”三原色在颜色条中的位置也可以随意设置。
相应的，可以设置至少两个图像检测网络，并分别针对所述至少两个采集图像进行所述多维度检测，得到至少两个检测结果。
采用本实施方式，可以通过针对同一成像图像得到的至少两个采集图像的多次检测，得到至少两个检测结果，从至少两个检测结果中选取检测精度高于阈值的检测结果，并作为目标检测结果。不仅提高了检测精度，而且，提交给至少两个图像检测网络实现多次检测，还提高了检测的速度。
一实施方式中，还包括获取所述成像图像中的对象作为训练样本，所述对象至少包括成像内容训练对象及颜色条训练对象；获取预先标注的标注数据，所述标注数据至少包括成像内容标注数据及颜色条标注数据；获取至少包含成像内容指标及颜色条指标的多维度检测指标；根据所述训练样本、所述标注数据及所述多维度检测指标来训练卷积神经网络，得到训练后的卷积神经网络，将所述训练后的卷积神经网络作为所述图像检测网络。
采用本实施方式，应用该图像检测网络，可以提高检测精度，以及检测的速度。其中，该图像检测网络在执行图像检测的过程中可以实现识别及比对，该图像检测网络可以为一个网络模块，也可以细分为特征识别网络的模块，以及特征比对网络的模块。也可以采用该图像检测网络执行识别，比对不采用网络，可以采用其他非人工智能的比对方式等等。
应用示例：
应用本申请实施例一应用示例处理流程包括如下内容：
图3是根据本申请实施例的图像检测的一应用示例目标对象的示意图，如图3所示，采集图像41中包括成像内容411及颜色条412，其中，颜色条412至少由“红绿蓝”三原色构成。如图3所示，以三原色为例，采用不同的阴影填充来表示三原色。可以通过摄像头采集待检测的成像图像，得到其中的成像内容，比如人脸(该人脸可以是黑白的)，将该人脸与包含三原色的颜色条合成在一张纸上，由摄像头或车机对准该纸张进行成像内容及颜色条根据人工智能的方式(比如通过图像检测网络)进行检测，具体对人脸及颜色条进行识别，并针对人脸及颜色条的个数、面积、用于位置标识的坐标等进行比对，以保证识别结果和预期的目标校验值完全一致，从而保证该成像质量是完好无损的。比如，纸上有一个人脸(人脸可以任意设置大小个数)，坐标为x,y；面积为Z。颜色条为红绿蓝(颜色可以任意设置大小个数)。通过对摄像头获取到的采集图像中的人脸、颜色条进行分析，和预置的人脸及颜色条的个数、面积、用于位置标识的坐标进行比对，即可知道摄像头所采集的采集图像中的成像质量是否正确。如果成像内容有损坏，则会影响人脸识别及比对的检测精度。如果有颜色上的问题，则颜色条的个数、面积、坐标一定会发生变化而且和预期的不一致。
应用本申请实施例另一应用示例处理流程包括如下内容：
图4是根据本申请实施例的图像检测的另一应用示例目标对象的示意图，包括多张采集图像(如采集图像51-采集图像5n)，各张采集图像中包括成像内容及颜色条，其中，颜色条至少由“红绿蓝”三原色构成。如图4所示，以三原色为例，采用不同的阴影填充来表示三原色，且成像内容及颜色条的位置分布，以及颜色条中三原色的位置分布都可以任意设置。本应用示例是动态采集图像的场景，主要适应于车机这种动态输出成像内容的设备，车机输出的成像内容及颜色条会不停的进行位置变换，从而得到多个采集图像，并对多个采集图像利用图3所描述的检测原理(不做赘述)进行识别及比对的检测处理，并分布交由多个图像检测网络(如第一图像检测网络-第n图像检测网络)进行该检测处理，还可以进一步从得到的多个检测处理结果中选取目标检测结果并作为最终的检测结果，从而不仅检测精度更高，且提高了检测速度。
根据本申请的实施例，提供了一种图像检测装置，图5是根据本申请实施例的图像检测装置的组成结构示意图，如图5所示，包括：采集模块61，用于对待检测的成像图像执行采集处理，得到采集图像；响应模块62，用于响应于检测处理，通过预设的图像检测网络提取所述采集图像中目标对象的特征数据；检测模块63，用于针对所述目标对象的特征数据，根据所述图像检测网络进行至少包含成像内容指标及颜色条指标的多维度检测，得到检测结果。其中，所述目标对象包括成像内容及颜色条，所述颜色条用于描述与所述成像内容相关的颜色信息。
一实施方式中，所述检测模块，包括识别子模块，用于针对所述目标对象的特征数据，根据所述图像检测网络进行至少包含所述成像内容及所述颜色条的多维度识别，得到识别结果；比对子模块，用于根据所述图像检测网络，将所述识别结果与目标校验值进行多维度比对，比对一致的情况下，得到针对所述成像图像校验成功的检测结果。其中，所述目标校验值用于表征所述成像内容指标及所述颜色条指标。
一实施方式中，所述识别子模块，包括第一获取子模块，用于获取第一特征数据，所述第一特征数据用于表征所述成像内容对应的图像特征数据；第二获取子模块，用于获取第二特征数据，所述第二特征数据用于表征所述颜色条对应的颜色特征数据；参数识别子模块，用于将所述第一特征数据及所述第二特征数据，分别基于各自的识别维度参数进行识别，得到所述识别结果。
一实施方式中，所述参数识别子模块，用于将所述第一特征数据，基于至少包含成像内容的个数、成像内容的面积、成像内容的位置中的至少一种识别维度参数进行识别，得到第一识别结果；将所述第二特征数据，基于至少包含颜色条的个数、颜色条的面积、颜色条的位置中的至少一种识别维度参数进行识别，得到第二识别结果；根据所述第一识别结果及所述第二识别结果，得到所述识别结果。
一实施方式中，所述比对子模块，用于响应于所述目标校验值用于表征所述成像内容指标的比对处理，获取至少包含成像内容的个数指标、成像内容的面积指标、成像内容的位置指标中的至少一种比对维度参数，并与所述识别结果进行所述比对处理；响应于所述目标校验值用于表征所述颜色条指标的比对处理，获取至少包含颜色条的个数指标、颜色条的面积指标、颜色条的位置指标中的至少一种比对维度参数，并与所述识别结果进行所述比对处理。
一实施方式中，所述采集模块，用于响应于针对同一个所述成像图像的图像动态采集处理，得到至少两个采集图像；所述成像内容及所述颜色条在所述至少两个采集图像中的位置分布不同。
一实施方式中，还包括动态检测模块，用于设置至少两个图像检测网络，并分别针对所述至少两个采集图像进行所述多维度检测，得到至少两个检测结果；从所述至少两个检测结果中选取检测精度高于阈值的检测结果，作为目标检测结果。
一实施方式中，还包括训练模块，用于获取所述成像图像中的对象作为训练样本，所述对象至少包括成像内容训练对象及颜色条训练对象；获取预先标注的标注数据，所述标注数据至少包括成像内容标注数据及颜色条标注数据；获取至少包含成像内容指标及颜色条指标的多维度检测指标；根据所述训练样本、所述标注数据及所述多维度检测指标来训练卷积神经网络，得到训练后的卷积神经网络，将所述训练后的卷积神经网络作为所述图像检测网络。
本申请实施例各装置中的各模块的功能可以参见上述方法中的对应描述，在此不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图6所示，是用来实现本申请实施例的图像检测方法的电子设备的框图。该电子设备可以为前述部署设备或代理设备。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示，该电子设备包括：一个或多个处理器801、存储器802，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的图像检测方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的图像检测方法。
存储器802作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的图像检测方法对应的程序指令/模块(例如，附图5所示的采集模块、响应模块、检测模块等模块)。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的图像检测方法。
存储器802可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器802可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器802可选包括相对于处理器801远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图像检测方法的电子设备，还可以包括：输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接，图6中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
采用本申请，可以对待检测的成像图像执行采集处理，得到采集图像，响应于检测处理，可以通过预设的图像检测网络提取所述采集图像中目标对象的特征数据。针对所述目标对象的特征数据，可以根据所述图像检测网络进行至少包含成像内容指标及颜色条指标的多维度检测，得到检测结果，由于所述目标对象包括成像内容及颜色条，所述颜色条用于描述与所述成像内容相关的颜色信息，因此，对应所述目标对象，采用至少包含成像内容指标及颜色条指标的多维度检测，可以得到更为精确的检测结果，也就是说，可以提高摄像头或车机等采集设备所输出成像图像的图像(成像内容及颜色)检测的检测精度。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (18)

1.一种图像检测方法，所述方法包括：
对待检测的成像图像执行采集处理，得到采集图像，所述成像图像和采集图像为两帧图像，所述成像图像为采集设备所输出的图像，所述采集图像包括两个目标对象，一个目标对象为所述成像图像的成像内容，一个目标对象为描述与所述成像内容相关的颜色信息的颜色条，所述两个目标对象位于所述采集图像的不同位置；
响应于检测处理，通过预设的图像检测网络提取所述采集图像中目标对象的特征数据；
针对所述目标对象的特征数据，根据所述图像检测网络进行至少包含成像内容指标及颜色条指标的多维度检测，得到检测结果，所述检测结果指示所述成像图像的成像质量，所述颜色条指标包括颜色条的个数指标、颜色条的面积指标、颜色条的位置指标中的至少一种；
其中，所述目标对象包括成像内容及颜色条，所述颜色条用于描述与所述成像内容相关的颜色信息。
2.根据权利要求1所述的方法，其中，所述针对所述目标对象的特征数据，根据所述图像检测网络进行成像内容指标及颜色条指标的多维度检测，得到检测结果，包括：
针对所述目标对象的特征数据，根据所述图像检测网络进行至少包含所述成像内容及所述颜色条的多维度识别，得到识别结果；
根据所述图像检测网络，将所述识别结果与目标校验值进行多维度比对，比对一致的情况下，得到针对所述成像图像校验成功的检测结果；
其中，所述目标校验值用于表征所述成像内容指标及所述颜色条指标。
3.根据权利要求2所述的方法，其中，所述针对所述目标对象的特征数据，根据所述图像检测网络进行至少包含所述成像内容及所述颜色条的多维度识别，得到识别结果，包括：
获取第一特征数据，所述第一特征数据用于表征所述成像内容对应的图像特征数据；
获取第二特征数据，所述第二特征数据用于表征所述颜色条对应的颜色特征数据；
将所述第一特征数据及所述第二特征数据，分别基于各自的识别维度参数进行识别，得到所述识别结果。
4.根据权利要求3所述的方法，其中，所述将所述第一特征数据及所述第二特征数据，分别按照各自的识别维度参数进行识别，得到所述识别结果，包括：
将所述第一特征数据，基于至少包含成像内容的个数、成像内容的面积、成像内容的位置中的至少一种识别维度参数进行识别，得到第一识别结果；
将所述第二特征数据，基于至少包含颜色条的个数、颜色条的面积、颜色条的位置中的至少一种识别维度参数进行识别，得到第二识别结果；
根据所述第一识别结果及所述第二识别结果，得到所述识别结果。
5.根据权利要求2-4中任一项所述的方法，其中，所述根据所述图像检测网络，将所述识别结果与目标校验值进行多维度比对，包括：
响应于所述目标校验值用于表征所述成像内容指标的比对处理，获取至少包含成像内容的个数指标、成像内容的面积指标、成像内容的位置指标中的至少一种比对维度参数，并与所述识别结果进行所述比对处理；
响应于所述目标校验值用于表征所述颜色条指标的比对处理，获取至少包含颜色条的个数指标、颜色条的面积指标、颜色条的位置指标中的至少一种比对维度参数，并与所述识别结果进行所述比对处理。
6.根据权利要求1所述的方法，其中，所述对待检测的成像图像执行采集处理，得到采集图像，包括：
响应于针对同一个所述成像图像的图像动态采集处理，得到至少两个采集图像；
所述成像内容及所述颜色条在所述至少两个采集图像中的位置分布不同。
7.根据权利要求6所述的方法，还包括：
设置至少两个图像检测网络，并分别针对所述至少两个采集图像进行所述多维度检测，得到至少两个检测结果；
从所述至少两个检测结果中选取检测精度高于阈值的检测结果，作为目标检测结果。
8.根据权利要求1所述的方法，还包括：
获取所述成像图像中的对象作为训练样本，所述对象至少包括成像内容训练对象及颜色条训练对象；
获取预先标注的标注数据，所述标注数据至少包括成像内容标注数据及颜色条标注数据；
获取至少包含成像内容指标及颜色条指标的多维度检测指标；
根据所述训练样本、所述标注数据及所述多维度检测指标来训练卷积神经网络，得到训练后的卷积神经网络，将所述训练后的卷积神经网络作为所述图像检测网络。
9.一种图像检测装置，所述装置包括：
采集模块，用于对待检测的成像图像执行采集处理，得到采集图像，所述成像图像和采集图像为两帧图像，所述成像图像为采集设备所输出的图像，所述采集图像包括两个目标对象，一个目标对象为所述成像图像的成像内容，一个目标对象为描述与所述成像内容相关的颜色信息的颜色条，所述两个目标对象位于所述采集图像的不同位置；
响应模块，用于响应于检测处理，通过预设的图像检测网络提取所述采集图像中目标对象的特征数据；
检测模块，用于针对所述目标对象的特征数据，根据所述图像检测网络进行至少包含成像内容指标及颜色条指标的多维度检测，得到检测结果，所述检测结果指示所述成像图像的成像质量，所述颜色条指标包括颜色条的个数指标、颜色条的面积指标、颜色条的位置指标中的至少一种；
其中，所述目标对象包括成像内容及颜色条，所述颜色条用于描述与所述成像内容相关的颜色信息。
10.根据权利要求9所述的装置，其中，所述检测模块，包括：
识别子模块，用于针对所述目标对象的特征数据，根据所述图像检测网络进行至少包含所述成像内容及所述颜色条的多维度识别，得到识别结果；
比对子模块，用于根据所述图像检测网络，将所述识别结果与目标校验值进行多维度比对，比对一致的情况下，得到针对所述成像图像校验成功的检测结果；
其中，所述目标校验值用于表征所述成像内容指标及所述颜色条指标。
11.根据权利要求10所述的装置，其中，所述识别子模块，包括：
第一获取子模块，用于获取第一特征数据，所述第一特征数据用于表征所述成像内容对应的图像特征数据；
第二获取子模块，用于获取第二特征数据，所述第二特征数据用于表征所述颜色条对应的颜色特征数据；
参数识别子模块，用于将所述第一特征数据及所述第二特征数据，分别基于各自的识别维度参数进行识别，得到所述识别结果。
12.根据权利要求11所述的装置，其中，所述参数识别子模块，用于：
将所述第一特征数据，基于至少包含成像内容的个数、成像内容的面积、成像内容的位置中的至少一种识别维度参数进行识别，得到第一识别结果；
将所述第二特征数据，基于至少包含颜色条的个数、颜色条的面积、颜色条的位置中的至少一种识别维度参数进行识别，得到第二识别结果；
根据所述第一识别结果及所述第二识别结果，得到所述识别结果。
13.根据权利要求10-12中任一项所述的装置，其中，所述比对子模块，用于：
响应于所述目标校验值用于表征所述成像内容指标的比对处理，获取至少包含成像内容的个数指标、成像内容的面积指标、成像内容的位置指标中的至少一种比对维度参数，并与所述识别结果进行所述比对处理；
响应于所述目标校验值用于表征所述颜色条指标的比对处理，获取至少包含颜色条的个数指标、颜色条的面积指标、颜色条的位置指标中的至少一种比对维度参数，并与所述识别结果进行所述比对处理。
14.根据权利要求9所述的装置，其中，所述采集模块，用于：
响应于针对同一个所述成像图像的图像动态采集处理，得到至少两个采集图像；
所述成像内容及所述颜色条在所述至少两个采集图像中的位置分布不同。
15.根据权利要求14所述的装置，还包括动态检测模块，用于：
设置至少两个图像检测网络，并分别针对所述至少两个采集图像进行所述多维度检测，得到至少两个检测结果；
从所述至少两个检测结果中选取检测精度高于阈值的检测结果，作为目标检测结果。
16.根据权利要求9所述的装置，还包括训练模块，用于：
获取所述成像图像中的对象作为训练样本，所述对象至少包括成像内容训练对象及颜色条训练对象；
获取预先标注的标注数据，所述标注数据至少包括成像内容标注数据及颜色条标注数据；
获取至少包含成像内容指标及颜色条指标的多维度检测指标；
根据所述训练样本、所述标注数据及所述多维度检测指标来训练卷积神经网络，得到训练后的卷积神经网络，将所述训练后的卷积神经网络作为所述图像检测网络。
17.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的方法。
CN202010705042.0A 2020-07-21 2020-07-21 图像检测方法、装置、电子设备及存储介质 Active CN111833340B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202010705042.0A CN111833340B (zh) 2020-07-21 2020-07-21 图像检测方法、装置、电子设备及存储介质
KR1020210036031A KR102595704B1 (ko) 2020-07-21 2021-03-19 영상 검측 방법, 장치, 전자 기기, 저장 매체 및 프로그램
JP2021048278A JP7051267B2 (ja) 2020-07-21 2021-03-23 画像検出方法、装置、電子設備、記憶媒体、及びプログラム
US17/211,001 US11798193B2 (en) 2020-07-21 2021-03-24 Multi-dimensional image detection on at least two acquired images
EP21170755.9A EP3848853A3 (en) 2020-07-21 2021-04-27 Image detection method, apparatus, electronic device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010705042.0A CN111833340B (zh) 2020-07-21 2020-07-21 图像检测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111833340A CN111833340A (zh) 2020-10-27
CN111833340B true CN111833340B (zh) 2024-03-26

Family

ID=72924542

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010705042.0A Active CN111833340B (zh) 2020-07-21 2020-07-21 图像检测方法、装置、电子设备及存储介质

Country Status (5)

Country Link
US (1) US11798193B2 (zh)
EP (1) EP3848853A3 (zh)
JP (1) JP7051267B2 (zh)
KR (1) KR102595704B1 (zh)
CN (1) CN111833340B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112270356B (zh) * 2020-10-28 2023-10-13 杭州海康威视数字技术股份有限公司 一种图像识别方法、装置及电子设备
CN113011328B (zh) * 2021-03-19 2024-02-27 北京百度网讯科技有限公司 图像处理方法、装置、电子设备及存储介质
CN113033483B (zh) * 2021-04-20 2024-02-02 北京百度网讯科技有限公司 检测目标对象的方法、装置、电子设备和存储介质
CN113591718A (zh) * 2021-07-30 2021-11-02 北京百度网讯科技有限公司 目标对象识别方法、装置、电子设备和存储介质
CN113607742B (zh) * 2021-08-03 2022-11-15 广东利元亨智能装备股份有限公司 电芯极耳检测方法、装置、电子设备和存储介质
CN113743242A (zh) * 2021-08-13 2021-12-03 成都理工大学 一种基于树莓派的滑坡体检测与识别方法
CN113933294B (zh) * 2021-11-08 2023-07-18 中国联合网络通信集团有限公司 浓度检测方法及装置
CN113933293A (zh) * 2021-11-08 2022-01-14 中国联合网络通信集团有限公司 浓度检测方法及装置
US11594016B1 (en) * 2022-05-03 2023-02-28 Plusai, Inc. Navigating a vehicle based on data processing using synthetically generated images
CN115361297B (zh) * 2022-07-08 2024-03-01 深圳云天励飞技术股份有限公司 设备组网方法及相关设备
CN115620039B (zh) * 2022-10-08 2023-07-18 中电金信软件有限公司 一种图像标注方法、装置、设备和介质
CN118570889A (zh) * 2024-08-05 2024-08-30 杭州登虹科技有限公司 基于图像质量优选的序列图像目标识别方法、装置和电子设备

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05103336A (ja) * 1991-10-11 1993-04-23 Olympus Optical Co Ltd カラー映像信号処理装置およびカラー映像信号の色補正方法
WO2005124302A1 (ja) * 2004-06-17 2005-12-29 Digital Fashion Ltd. 画像処理プログラム、画像処理装置、及び画像処理方法
KR20090108388A (ko) * 2008-04-11 2009-10-15 엔에이치엔(주) 이미지 품질지수 산출 방법 및 시스템
CN102393902A (zh) * 2011-12-01 2012-03-28 昆山市工业技术研究院有限责任公司 基于h_s二维直方图和区域颜色匹配的车辆颜色检测方法
CN102572210A (zh) * 2010-09-30 2012-07-11 富士胶片株式会社 颜色值获取方法和装置、图像处理方法和装置及记录介质
CN104463827A (zh) * 2013-09-17 2015-03-25 联想(北京)有限公司 一种图像采集模块的自动检测方法及相应的电子设备
CN105096350A (zh) * 2014-05-21 2015-11-25 腾讯科技（深圳）有限公司 图像检测方法及装置
CN105373768A (zh) * 2014-08-14 2016-03-02 三星电子株式会社 提供图像内容的方法和设备
CN106408567A (zh) * 2016-11-23 2017-02-15 北京小米移动软件有限公司 相机成像质量检测方法及装置
CN107909580A (zh) * 2017-11-01 2018-04-13 深圳市深网视界科技有限公司 一种行人衣着颜色识别方法、电子设备及存储介质
US10109051B1 (en) * 2016-06-29 2018-10-23 A9.Com, Inc. Item recommendation based on feature match
CN109310196A (zh) * 2016-07-14 2019-02-05 松下知识产权经营株式会社 化妆辅助装置以及化妆辅助方法
CN109325933A (zh) * 2017-07-28 2019-02-12 阿里巴巴集团控股有限公司 一种翻拍图像识别方法及装置
CN110472600A (zh) * 2019-08-20 2019-11-19 北京百度网讯科技有限公司 眼底图识别及其训练方法、装置、设备和存储介质
CN110807759A (zh) * 2019-09-16 2020-02-18 幻想动力(上海)文化传播有限公司 照片质量的评价方法及装置、电子设备、可读存储介质
CN111295669A (zh) * 2017-06-16 2020-06-16 马克波尔公司 图像处理系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016158812A1 (ja) * 2015-04-01 2016-10-06 コニカミノルタ株式会社 測色装置および測色方法
JP6525921B2 (ja) * 2016-05-13 2019-06-05 キヤノン株式会社 画像処理装置、画像処理方法、検索装置

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05103336A (ja) * 1991-10-11 1993-04-23 Olympus Optical Co Ltd カラー映像信号処理装置およびカラー映像信号の色補正方法
WO2005124302A1 (ja) * 2004-06-17 2005-12-29 Digital Fashion Ltd. 画像処理プログラム、画像処理装置、及び画像処理方法
KR20090108388A (ko) * 2008-04-11 2009-10-15 엔에이치엔(주) 이미지 품질지수 산출 방법 및 시스템
CN102572210A (zh) * 2010-09-30 2012-07-11 富士胶片株式会社 颜色值获取方法和装置、图像处理方法和装置及记录介质
CN102393902A (zh) * 2011-12-01 2012-03-28 昆山市工业技术研究院有限责任公司 基于h_s二维直方图和区域颜色匹配的车辆颜色检测方法
CN104463827A (zh) * 2013-09-17 2015-03-25 联想(北京)有限公司 一种图像采集模块的自动检测方法及相应的电子设备
CN105096350A (zh) * 2014-05-21 2015-11-25 腾讯科技（深圳）有限公司 图像检测方法及装置
CN105373768A (zh) * 2014-08-14 2016-03-02 三星电子株式会社 提供图像内容的方法和设备
US10109051B1 (en) * 2016-06-29 2018-10-23 A9.Com, Inc. Item recommendation based on feature match
CN109310196A (zh) * 2016-07-14 2019-02-05 松下知识产权经营株式会社 化妆辅助装置以及化妆辅助方法
CN106408567A (zh) * 2016-11-23 2017-02-15 北京小米移动软件有限公司 相机成像质量检测方法及装置
CN111295669A (zh) * 2017-06-16 2020-06-16 马克波尔公司 图像处理系统
CN109325933A (zh) * 2017-07-28 2019-02-12 阿里巴巴集团控股有限公司 一种翻拍图像识别方法及装置
CN107909580A (zh) * 2017-11-01 2018-04-13 深圳市深网视界科技有限公司 一种行人衣着颜色识别方法、电子设备及存储介质
CN110472600A (zh) * 2019-08-20 2019-11-19 北京百度网讯科技有限公司 眼底图识别及其训练方法、装置、设备和存储介质
CN110807759A (zh) * 2019-09-16 2020-02-18 幻想动力(上海)文化传播有限公司 照片质量的评价方法及装置、电子设备、可读存储介质

Also Published As

Publication number Publication date
CN111833340A (zh) 2020-10-27
US20210209802A1 (en) 2021-07-08
JP7051267B2 (ja) 2022-04-11
US11798193B2 (en) 2023-10-24
EP3848853A2 (en) 2021-07-14
JP2021103555A (ja) 2021-07-15
KR20210038487A (ko) 2021-04-07
EP3848853A3 (en) 2021-11-17
KR102595704B1 (ko) 2023-10-27

Similar Documents

Publication Publication Date Title
CN111833340B (zh) 图像检测方法、装置、电子设备及存储介质
CN111783620B (zh) 表情识别方法、装置、设备及存储介质
CN112149636B (zh) 用于检测目标物体的方法、装置、电子设备及存储介质
CN111598164B (zh) 识别目标对象的属性的方法、装置、电子设备和存储介质
CN111709328A (zh) 车辆跟踪方法、装置及电子设备
CN111291885A (zh) 近红外图像的生成方法、生成网络的训练方法和装置
CN111832568A (zh) 车牌识别方法、车牌识别模型的训练方法和装置
CN109116129B (zh) 终端检测方法、检测设备、系统及存储介质
CN109472193A (zh) 人脸检测方法及装置
JP6779688B2 (ja) 画像処理装置、画像処理方法、コンピュータプログラム
CN103198311A (zh) 基于拍摄的图像来识别字符的方法及装置
CN110084837B (zh) 基于无人机视频的目标检测与跟踪方法
CN112883902A (zh) 视频检测方法、装置、电子设备及存储介质
CN111738263A (zh) 目标检测方法、装置、电子设备及存储介质
CN112184837B (zh) 一种图像检测方法、装置、电子设备及存储介质
CN112116525B (zh) 换脸识别方法、装置、设备和计算机可读存储介质
CN111768377B (zh) 图像色彩评估方法、装置、电子设备及存储介质
CN112561879A (zh) 模糊度评价模型训练方法、图像模糊度评价方法及装置
CN111783644B (zh) 检测方法、装置、设备和计算机存储介质
CN111932530B (zh) 三维对象检测方法、装置、设备和可读存储介质
CN113361303B (zh) 临时交通标志牌识别方法、装置及设备
CN111783613B (zh) 异常检测方法、模型的训练方法、装置、设备及存储介质
CN112270303A (zh) 图像识别方法、装置以及电子设备
CN113557522A (zh) 基于相机统计的图像帧预处理
CN108287817B (zh) 一种信息处理方法及设备

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20211014

Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085

Applicant after: Apollo Intelligent Technology (Beijing) Co.,Ltd.

Address before: 2 / F, baidu building, 10 Shangdi 10th Street, Haidian District, Beijing 100085

Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant