CN111860166B - 图像检测的方法、装置、计算机设备和存储介质 - Google Patents
图像检测的方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111860166B CN111860166B CN202010559498.0A CN202010559498A CN111860166B CN 111860166 B CN111860166 B CN 111860166B CN 202010559498 A CN202010559498 A CN 202010559498A CN 111860166 B CN111860166 B CN 111860166B
- Authority
- CN
- China
- Prior art keywords
- image
- detection
- sub
- detection area
- preset value
- 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 241
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000004590 computer program Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 10
- 230000001788 irregular Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000005520 cutting process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种图像检测的方法、装置、计算机设备和存储介质。所述方法包括：在第一图像的第一分辨率大于预设值的情况下，接收用户设置的检测信息，并根据该检测信息获取所述第一图像的第一检测区域；根据该第一检测区域，截取该第一图像并保存为第二图像；在该第二图像的第二分辨率大于该预设值的情况下，对该第二图像进行分割；将该分割后的第二图像输入图像检测模型进行检测，并获取图像检测结果，从而解决了图像检测的方法中检测效率和准确度较低的问题。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及一种图像检测的方法、装置、计算机设备和存储介质。
背景技术
目前在图像处理的应用中，有些情况下，例如在广场、车站等公共场所，需要对较大场景范围内的目标进行检测；在相当大的场景下，待检测图像的分辨率可以达到2400万像素，3200万像素，甚至更大的分辨率。
在相关技术中，在大场景下大分辨率图片中，人或动物等检测物所占的像素点本身就很小，由于深度学习网络所要求的图片分辨率一般较小，所以一旦经过图像的缩放操作之后，图像中的人或者动物等检测对象将基本无法识别，甚至肉眼都无法辨认，识别准确度较低，从而导致检测率过低；或者，对于例如广场等相对较大的场景，一般将原图切割成符合分辨率要求的多份小图，依次送入深度学习模型检测再进行拼接，因此可能存在一部分的小图中没有用户所关心的区域，但仍然被送入模型检测，导致大量算力浪费，检测效率低下。
针对相关技术中，图像检测的方法中检测效率和准确度较低的问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种图像检测的方法、装置、计算机设备和存储介质，以至少解决相关技术中图像检测的方法中中检测效率和准确度较低的问题。
第一方面，本申请实施例提供了一种图像检测的方法，所述方法包括：
在第一图像的第一分辨率大于预设值的情况下，接收用户设置的检测信息，并根据所述检测信息获取所述第一图像的第一检测区域；
根据所述第一检测区域，截取所述第一图像并保存为第二图像；
在所述第二图像的第二分辨率大于所述预设值的情况下，对所述第二图像进行分割；
将所述分割后的第二图像输入图像检测模型进行检测，并获取图像检测结果。
在其中一些实施例中，根据所述第一检测区域，截取所述第一图像并保存为第二图像包括：
在所述第一检测区域为不规则多边形的情况下，根据所述第一检测区域的坐标信息获取外接矩形；
根据所述外接矩形获取所述第一图像的第二检测区域；根据所述第二检测区域，截取所述第一图像并保存为所述第二图像。
在其中一些实施例中，所述在所述第二图像的第二分辨率大于所述预设值的情况下，对所述第二图像进行分割包括：
根据所述预设值将所述第二图像分割为N块子图像；N为大于1的正整数；
其中，第一子图像的第一坐标大于第二子图像的第一坐标，且所述第一子图像的第二坐标小于所述第二子图像的第一坐标；在同一子图像中的所述第一坐标小于所述第二坐标。
在其中一些实施例中，所述将所述分割后的第二图像输入图像检测模型进行检测，并获取图像检测结果之后，所述方法还包括：
将所述第二图像拼接还原至所述第一图像，并将所述图像检测结果进行汇总；
将所述第一图像和所述汇总后的图像检测结果发送至终端进行显示。
在其中一些实施例中，所述在第一图像的第一分辨率大于预设值的情况下，所述方法还包括：
在未接收到所述检测信息的情况下，对所述第一图像进行分割；将所述分割后的第一图像输入所述图像检测模型，并获取所述图像检测结果。
第二方面，本申请实施例提供了一种图像检测的装置，所述装置包括：
接收模块，用于在第一图像的分辨率大于预设值的情况下，接收用户设置的检测信息，并根据所述检测信息获取所述第一图像的第一检测区域；
截取模块，用于根据所述第一检测区域，截取所述第一图像并保存为第二图像；
分割模块，用于在所述第二图像的分辨率大于所述预设值的情况下，对所述第二图像进行分割；
检测模块，用于将所述分割后的第二图像输入图像检测模型进行检测，并获取图像检测结果。
在其中一些实施例中，所述截取模块还用于在所述第一检测区域为不规则多边形的情况下，根据所述第一检测区域的坐标信息获取外接矩形；
所述截取模块根据所述外接矩形获取所述第一图像的第二检测区域；所述截取模块根据所述第二检测区域，截取所述第一图像并保存为所述第二图像。
在其中一些实施例中，所述分割模块还用于根据所述预设值将所述第二图像分割为N块子图像；N为大于1的正整数；
其中，第一子图像的第一坐标大于第二子图像的第一坐标，且所述第一子图像的第二坐标小于所述第二子图像的第一坐标；在同一子图像中的所述第一坐标小于所述第二坐标。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以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，所述处理器执行所述计算机程序时实现如上述第一方面所述的图像检测的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的图像检测的方法。
相比于相关技术，本申请实施例提供的图像检测的方法、装置、计算机设备和存储介质，在第一图像的第一分辨率大于预设值的情况下，接收用户设置的检测信息，并根据该检测信息获取所述第一图像的第一检测区域；根据该第一检测区域，截取该第一图像并保存为第二图像；在该第二图像的第二分辨率大于该预设值的情况下，对该第二图像进行分割；将该分割后的第二图像输入图像检测模型进行检测，并获取图像检测结果，从而解决了图像检测的方法中检测效率和准确度较低的问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为根据本申请实施例的一种图像检测方法应用场景的示意图；
图2为根据本申请实施例的一种图像检测方法的流程图一；
图3为根据本申请实施例的一种图像检测方法的流程图二；
图4为根据本申请实施例的一种图像检测方法的流程图三；
图5为根据本申请实施例的一种图像检测方法的流程图四；
图6为根据本申请实施例的一种图像检测方法的流程图五；
图7为根据本申请实施例的一种图像检测装置的结构框图一；
图8为根据本申请实施例的一种图像检测装置的结构框图二；
图9为根据本申请实施例的一种计算机设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的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。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“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模块（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，而是可以还包括没有列出的步骤或单元，或可以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。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
在本实施例中，提供了一种图像检测方法的应用场景，图1为根据本申请实施例的一种图像检测方法应用场景的示意图，如图1所示，在该应用环境中，终端12通过网络与服务器14通过网络进行通信。该服务器14在第一图像的第一分辨率大于预设值的情况下，接收用户在终端12设置的检测信息，并根据检测信息获取第一图像的第一检测区域；根据所述第一检测区域，截取第一图像并保存为第二图像；在所述第二图像的第二分辨率大于所述预设值的情况下，对所述第二图像进行分割；将所述分割后的第二图像输入图像检测模型进行检测，并获取图像检测结果，最后把检测结果发送给该终端12进行显示。其中，终端12可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器14可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在本实施例中，提供了一种图像检测的处理方法，图2为根据本申请实施例的一种图像检测方法的流程图一，如图2所示，该方法包括如下步骤：
步骤S202，在第一图像的第一分辨率大于预设值的情况下，接收用户设置的检测信息，并根据所述检测信息获取该第一图像的第一检测区域；其中，该预设值为用于图像检测的深度学习网络模型所需要的最大分辨率；若该第一分辨率大于该预设值，说明待检测的第一图像分辨率过大而不能输入检测模型进行检测。此时，在接收到用户在终端设置的检测信息的情况下，说明该第一图片中的待检测目标为一部分区域，而不需要对整张图片进行检测，因此可以根据用户设置的检测信息指定该第一图片中需要检测的区域，并保存为第一检测区域。其中，该用户设置的检测信息可以为用户在终端所绘制的检测区，也可以为在待检测目标为大场景图片中拍摄到的人的情况下，由用户在终端设置人体检测指令，并通过人体识别算法检测到人体从而确定要检测的区域。
步骤S204，根据该第一检测区域，截取该第一图像并保存为第二图像；其中，该第二图像的获取可以为：通过该第一检测区域的坐标，将第一图像中的待检测区域进行复制，并将复制的图像作为该第二图像保存在虚拟机内存中；此外，该第二图像也可以通过贝叶斯抠图、泊松抠图等图像抠图算法进行获取；或者，也可以通过调用抠图应用程序接口（Application Programming Interface，简称为API）对该第一图像进行抠图从而获取该第二图像。
步骤S206，在该第二图像的第二分辨率大于该预设值的情况下，说明对该第一图像的检测区域进行抠图后，获取并保存的该第二图像的第二分辨率依然较高，该第二分辨率仍未满足深度学习模型要求的分辨率，此时需要将该第二图像按照该预设值分割为若干块子图像；其中，该图像分割可以根据该第二图像二维坐标进行处理。
步骤S208，将该分割后的第二图像输入图像检测模型进行检测，并获取图像检测结果；其中，该图像检测模型为基于深度学习的检测模型，在不同的应用场景中可以使用不同作用的图像检测模型；例如，在待检测目标为车辆车型的情况下，将检测区域为指定车辆的该第二图像输入图像检测模型中，该图像检测模型按照车辆体型将车辆分为大型车辆、中型车辆和小型车辆，进而实现车辆分类检测；或者，在检测区域为广场上指定人群的情况下，将根据该检测区域进行抠图并分割后的该第二图像输入到图像检测模型中，该图像检测模型通过提取全局特征来进行行为建模分析，进而实现暴力冲突检测。
在相关技术中，大场景图像检测通常需要对大分辨率的图像进行缩放或分割，从而影响识别准确性和检测效率；而本申请实施例通过上述步骤S202至步骤S208，通过对原始输入的第一图像进行检测区域的抠图处理，仅关心用户所感兴趣的画面区域，并获取到第二图像进行保存，避免了大场景下画面中绝大部分不需要检测的部分也送入算子进行检测的情况；同时，对用户感兴趣的画面区域再一次进行图像分辨率的判断，通过图像切割使得该第二图像的分辨率满足基于深度学习的图像检测模型的要求，避免了在低端芯片上算力达不到直接检测多目拼接后的大场景图片的要求，从而实现了在保证检测效果的同时，大幅度提升检测速度，解决了图像检测的方法中检测效率和准确度较低的问题。
在一个实施例中，提供了一种图像检测的处理方法，图3为根据本申请实施例的一种图像检测方法的流程图二，如图3所示，该方法包括如下步骤：
步骤S302，在该第一检测区域为不规则多边形的情况下，根据该第一检测区域的坐标信息获取外接矩形；该外接矩形可以为边长平行于该第一检测区域的x轴或y轴的外接矩形；此外，还可以进一步获取最小外接矩形；例如，将该第一检测区域进行旋转，并获取旋转后的第一检测区域的每个简单外接矩形，比较在旋转过程中获取到的所有简单外接矩形，得到面积最小的简单外接矩形，将面积最小的简单外接矩形反方向旋转相同的角度，从而获得最小外接矩形。
步骤S304，根据该外接矩形获取该第一图像的第二检测区域；通过该第一检测区域的二维坐标，复制该第二检测区域，并将复制的图像作为该第二图像进行保存。通过上述步骤S302至S304，对形状为不规则多变形的第一检测区域获取外接矩形，将该外接矩形作为第二检测区域，从而便于对检测区域进行抠图处理，进一步提高了图像检测方法的检测效率。
在一个实施例中，提供了一种图像检测的处理方法，图4为根据本申请实施例的一种图像检测方法的流程图三，如图4所示，该方法包括如下步骤：
步骤S402，在该第二图像的第二分辨率大于该预设值的情况下，根据该预设值将该第二图像分割为N块子图像；N为大于1的正整数；其中，在对原图切割时，需注意留有重复部分，检测是否有重复部分的方法可以通过将各子图像的横坐标或纵坐标进行比较，进而确定检测结果；例如，可以将各子图像的第一坐标设置为该子图像中在X坐标轴上的最左侧的x坐标，将各子图像的第二坐标设置为该子图像中在X坐标轴上的最右侧的x坐标；则在该子图像中，第一子图像的第一坐标小于第二子图像的第一坐标的情况下，需要确保该第一子图像的第二坐标大于该第二子图像的第一坐标，以确保该第一子图像和该第二子图像在X坐标轴方向上有重合部分；需要说明的是，在同一子图像中的该第一坐标小于该第二坐标；依次类推，从而避免了出现检测物被切割成两部分，导致该检测物漏检的情况，进一步提高了图像检测方法的准确度。
在一个实施例中，提供了一种图像检测的处理方法，图5为根据本申请实施例的一种图像检测方法的流程图四，如图5所示，该方法包括如下步骤：
步骤S502，判断检测结果对应的图像是否进行过抠图或者切割操作；在原始图像被抠图或切割的情况下，将该第二图像拼接还原至该第一图像，并将该图像检测结果进行汇总；并将还原的该第一图像和该汇总后的图像检测结果发送至终端进行显示，以便用户实时掌握图像检测结果。
在一个实施例中，在第一图像的第一分辨率大于预设值的情况下，该方法还包括如下步骤：
步骤S602，在未接收到该检测信息的情况下，说明需要检测的区域为整张图片，则不再对第一图像进行抠图处理；由于该第一图像的分辨率大于图像检测模型的最大分辨率，因此对该第一图像进行分割；将该分割后的第一图像输入该图像检测模型，并获取该图像检测结果。
应该理解的是，虽然图2至图5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2至图5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
下面结合实际应用场景对本发明的实施例进行详细说明，图6为根据本申请实施例的一种图像检测方法的流程图五，该图像检测方法的具体实施步骤如图6所示。
步骤S702，获取到原始图片，此处命名为第一图像，解析第一图像的原始分辨率，并判断原始分辨率是否符合检测模型要求的图像宽高。若原始分辨率已满足要求，则直接将原图送入基于深度学习的检测模型的算子进行检测；若原始分辨率超过标准值，则进入步骤S704。
步骤S704，判断原图是否进行了检测区的限制，即针对广场等大场景，用户仅关心其感兴趣区域；在大场景下，第一图像中可能绝大部分区域是用户不感兴趣的，因此可以不用进行检测；若用户绘制了检测区，则进入步骤S706；若没有检测区限制，则进入步骤S708。
步骤S706，由于用户关心的区域可能为不规则的多边形，因此对检测区再进行外接矩形的设置。将该外接矩形对应的图片区域进行抠图，设置为第二图像。判断第二图像的分辨率是否符合标准值的要求，若符合条件，则将该第二图像送入基于深度学习的检测模型的算子进行检测；若不符合条件，则进入步骤S708。
步骤S708，将送至该步骤的图片按照标准值进行分割成若干份，在对图像切割时，需注意留有重复部分，避免出现检测物被切割成两部分，导致该检测物漏检的情况。
步骤S710，将符合条件的图片送入基于深度学习的检测模型的算子进行检测。对获取到的结果进行判断，检测结果对应的图片是否进行过抠图或者切割操作。若否，直接将算法结果送出，返还给用户，结束流程；若是，则对图片进行还原，并将各子图片的检测结果进行汇总后，将结果返还给用户，流程结束。
本实施例还提供了一种图像检测的装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图7为根据本申请实施例的一种图像检测装置的结构框图一，如图7所示，该装置包括：接收模块72、截取模块74、分割模块76和检测模块78。
接收模块72用于在第一图像的分辨率大于预设值的情况下，接收用户设置的检测信息，并根据该检测信息获取该第一图像的第一检测区域；
截取模块74用于根据该第一检测区域，截取该第一图像并保存为第二图像；
分割模块76用于在该第二图像的分辨率大于该预设值的情况下，对该第二图像进行分割；
检测模块78用于将该分割后的第二图像输入图像检测模型进行检测，并获取图像检测结果。
通过上述实施例，截取模块74通过对原始输入的第一图像进行检测区域的抠图处理，仅关心用户所感兴趣的画面区域，并获取到第二图像进行保存避免了大场景下画面中绝大部分不需要检测的部分也送入算子进行检测的情况；同时，分割模块76对用户感兴趣的画面区域再一次进行图像分辨率的判断，通过图像切割使得该第二图像的分辨率满足基于深度学习的图像检测模型的要求，避免了在低端芯片上算力达不到直接检测多目拼接后的大场景图片的要求，从而实现了在保证检测效果的同时，大幅度提升检测速度，解决了图像检测的方法中检测效率和准确度较低的问题。
在一个实施例中，该截取模块74还用于在该第一检测区域为不规则多边形的情况下，根据该第一检测区域的坐标信息获取外接矩形；该截取模块74还用于根据该外接矩形获取该第一图像的第二检测区域；该截取模块74根据该第二检测区域，截取该第一图像并保存为该第二图像。
在一个实施例中，该分割模块76还用于根据该预设值将该第二图像分割为N块子图像；N为大于1的正整数；其中，第一子图像的第一坐标大于第二子图像的第一坐标，且该第一子图像的第二坐标小于该第二子图像的第一坐标；在同一子图像中的该第一坐标小于该第二坐标。
在一个实施例中，图8是根据本申请实施例的一种图像检测装置的结构框图二，如图8所示，该装置包括图7所示的所有模块，此外还包括发送模块82。
该检测模块78还用于将该第二图像拼接还原至该第一图像，并将该图像检测结果进行汇总；该发送模块82用于将该第一图像和该汇总后的图像检测结果发送至终端进行显示。
在一个实施例中，该分割模块76还用于在未接收到该检测信息的情况下，对该第一图像进行分割；该检测模块78还用于将该分割后的第一图像输入该图像检测模型，并获取该图像检测结果。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
另外，结合图2描述的本申请实施例图像检测方法可以由计算机设备来实现。图9为根据本申请实施例的一种计算机设备的硬件结构示意图。
计算机设备可以包括处理器91以及存储有计算机程序指令的存储器92。
具体地，上述处理器91可以包括中央处理器（CPU），或者特定集成电路（Application Specific Integrated Circuit，简称为ASIC），或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器92可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器92可包括硬盘驱动器（Hard Disk Drive，简称为HDD）、软盘驱动器、固态驱动器（SolidState Drive，简称为SSD）、闪存、光盘、磁光盘、磁带或通用串行总线（Universal SerialBus，简称为USB）驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器92可包括可移除或不可移除（或固定）的介质。在合适的情况下，存储器92可在数据处理装置的内部或外部。在特定实施例中，存储器92是非易失性（Non-Volatile）存储器。在特定实施例中，存储器92包括只读存储器（Read-Only Memory，简称为ROM）和随机存取存储器（RandomAccess Memory，简称为RAM）。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM（Programmable Read-Only Memory，简称为PROM）、可擦除PROM（Erasable ProgrammableRead-Only Memory，简称为EPROM）、电可擦除PROM（Electrically Erasable ProgrammableRead-Only Memory，简称为EEPROM）、电可改写ROM（Electrically Alterable Read-OnlyMemory，简称为EAROM）或闪存（FLASH）或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器（Static Random-Access Memory，简称为SRAM）或动态随机存取存储器（Dynamic Random Access Memory，简称为DRAM），其中，DRAM可以是快速页模式动态随机存取存储器（Fast Page Mode Dynamic Random Access Memory，简称为FPMDRAM）、扩展数据输出动态随机存取存储器（Extended Date Out Dynamic RandomAccess Memory，简称为EDODRAM）、同步动态随机存取内存（Synchronous Dynamic Random-Access Memory，简称SDRAM）等。
存储器92可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器91所执行的可能的计算机程序指令。
处理器91通过读取并执行存储器92中存储的计算机程序指令，以实现上述实施例中的任意一种图像检测方法。
在其中一些实施例中，计算机设备还可包括通信接口93和总线90。其中，如图9所示，处理器91、存储器92、通信接口93通过总线90连接并完成相互间的通信。
通信接口93用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信接口93还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线90包括硬件、软件或两者，将计算机设备的部件彼此耦接在一起。总线90包括但不限于以下至少之一：数据总线（Data Bus）、地址总线（Address Bus）、控制总线（Control Bus）、扩展总线（Expansion Bus）、局部总线（Local Bus）。举例来说而非限制，总线80可包括图形加速接口（Accelerated Graphics Port，简称为AGP）或其他图形总线、增强工业标准架构（Extended Industry Standard Architecture，简称为EISA）总线、前端总线（Front Side Bus，简称为FSB）、超传输（Hyper Transport，简称为HT）互连、工业标准架构（Industry Standard Architecture，简称为ISA）总线、无线带宽（InfiniBand）互连、低引脚数（Low Pin Count，简称为LPC）总线、存储器总线、微信道架构（Micro ChannelArchitecture，简称为MCA）总线、外围组件互连（Peripheral Component Interconnect，简称为PCI）总线、PCI-Express（PCI-X）总线、串行高级技术附件（Serial AdvancedTechnology Attachment，简称为SATA）总线、视频电子标准协会局部（Video ElectronicsStandards Association Local Bus，简称为VLB）总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线90可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
该计算机设备可以基于获取到的检测信息，执行本申请实施例中的图像检测方法，从而实现结合图2描述的图像检测方法。
另外，结合上述实施例中的图像检测方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种图像检测方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像检测的方法，其特征在于，所述方法包括：
在第一图像的第一分辨率大于预设值的情况下，接收用户设置的检测信息，并根据所述检测信息获取所述第一图像的第一检测区域，其中，所述第一检测区域为待检测目标对应的区域；
根据所述第一检测区域，截取所述第一图像并保存为第二图像；
在所述第二图像的第二分辨率大于所述预设值的情况下，对所述第二图像进行分割；
将分割后的所述第二图像输入图像检测模型进行检测，并获取图像检测结果。
2.根据权利要求1所述的方法，其特征在于，根据所述第一检测区域，截取所述第一图像并保存为第二图像包括：
在所述第一检测区域为不规则多边形的情况下，根据所述第一检测区域的坐标信息获取外接矩形；
根据所述外接矩形获取所述第一图像的第二检测区域；根据所述第二检测区域，截取所述第一图像并保存为所述第二图像。
3.根据权利要求1所述的方法，其特征在于，所述在所述第二图像的第二分辨率大于所述预设值的情况下，对所述第二图像进行分割包括：
根据所述预设值将所述第二图像分割为N块子图像；N为大于1的正整数；
其中，第一子图像的第一坐标小于第二子图像的第一坐标，且所述第一子图像的第二坐标大于所述第二子图像的第一坐标；在同一子图像中的所述第一坐标小于所述第二坐标。
4.根据权利要求1所述的方法，其特征在于，所述将所述分割后的第二图像输入图像检测模型进行检测，并获取图像检测结果之后，所述方法还包括：
将所述第二图像拼接还原至所述第一图像，并将所述图像检测结果进行汇总；
将所述第一图像和所述汇总后的图像检测结果发送至终端进行显示。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述在第一图像的第一分辨率大于预设值的情况下，所述方法还包括：
在未接收到所述检测信息的情况下，对所述第一图像进行分割；将所述分割后的第一图像输入所述图像检测模型，并获取所述图像检测结果。
6.一种图像检测的装置，其特征在于，所述装置包括：
接收模块，用于在第一图像的分辨率大于预设值的情况下，接收用户设置的检测信息，并根据所述检测信息获取所述第一图像的第一检测区域，其中，所述第一检测区域为待检测目标对应的区域；
截取模块，用于根据所述第一检测区域，截取所述第一图像并保存为第二图像；
分割模块，用于在所述第二图像的分辨率大于所述预设值的情况下，对所述第二图像进行分割；
检测模块，用于将分割后的所述第二图像输入图像检测模型进行检测，并获取图像检测结果。
7.根据权利要求6所述的装置，其特征在于，所述截取模块还用于在所述第一检测区域为不规则多边形的情况下，根据所述第一检测区域的坐标信息获取外接矩形；
所述截取模块根据所述外接矩形获取所述第一图像的第二检测区域；所述截取模块根据所述第二检测区域，截取所述第一图像并保存为所述第二图像。
8.根据权利要求6所述的装置，其特征在于，所述分割模块还用于根据所述预设值将所述第二图像分割为N块子图像；N为大于1的正整数；
其中，第一子图像的第一坐标大于第二子图像的第一坐标，且所述第一子图像的第二坐标小于所述第二子图像的第一坐标；在同一子图像中的所述第一坐标小于所述第二坐标。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质，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至5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010559498.0A CN111860166B (zh) | 2020-06-18 | 2020-06-18 | 图像检测的方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010559498.0A CN111860166B (zh) | 2020-06-18 | 2020-06-18 | 图像检测的方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111860166A CN111860166A (zh) | 2020-10-30 |
| CN111860166B true CN111860166B (zh) | 2024-07-12 |
Family
ID=72987252
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010559498.0A Active CN111860166B (zh) | 2020-06-18 | 2020-06-18 | 图像检测的方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111860166B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114119733A (zh) * | 2022-01-27 | 2022-03-01 | 成都合能创越软件有限公司 | 物体空间位置检测方法、装置、计算机设备及其存储介质 |
| CN116866666B (zh) * | 2023-09-05 | 2023-12-08 | 天津市北海通信技术有限公司 | 轨道交通环境下的视频流画面处理方法及装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110390666A (zh) * | 2019-06-14 | 2019-10-29 | 平安科技（深圳）有限公司 | 道路损伤检测方法、装置、计算机设备及存储介质 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9064150B2 (en) * | 2013-05-08 | 2015-06-23 | Honeywell International Inc. | Aerial image segmentation for refineries |
| CN104376303B (zh) * | 2014-11-18 | 2017-08-25 | 电子科技大学 | 一种低分辨率情况下的车辆成像方法 |
| CN108171104B (zh) * | 2016-12-08 | 2022-05-10 | 腾讯科技（深圳）有限公司 | 一种文字检测方法及装置 |
| CN106997466B (zh) * | 2017-04-12 | 2021-05-04 | 百度在线网络技术（北京）有限公司 | 用于检测道路的方法和装置 |
| CN108090908B (zh) * | 2017-12-07 | 2020-02-04 | 深圳云天励飞技术有限公司 | 图像分割方法、装置、终端及存储介质 |
| JP7130436B2 (ja) * | 2018-05-25 | 2022-09-05 | キヤノン株式会社 | マルチクロップ処理を行う画像処理装置、マルチクロップ処理によって原稿単位の画像を生成する方法、および、プログラム |
| CN109583573A (zh) * | 2018-12-13 | 2019-04-05 | 银河水滴科技（北京）有限公司 | 一种轨道扣件的零件缺失检测方法及装置 |
| CN110163857B (zh) * | 2019-05-24 | 2022-03-04 | 上海联影医疗科技股份有限公司 | 图像背景区域的检测方法、装置、存储介质及x射线系统 |
| CN110956180B (zh) * | 2019-07-04 | 2021-04-13 | 中联重科股份有限公司 | 配重重量的检测方法与系统、获取方法与系统及起重机 |
| CN110458198B (zh) * | 2019-07-10 | 2022-03-29 | 哈尔滨工业大学（深圳） | 多分辨率目标识别方法及装置 |
| CN110929589B (zh) * | 2019-10-31 | 2023-07-07 | 浙江大华技术股份有限公司 | 车辆特征识别的方法、设备、计算机设备和存储介质 |
-
2020
- 2020-06-18 CN CN202010559498.0A patent/CN111860166B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110390666A (zh) * | 2019-06-14 | 2019-10-29 | 平安科技（深圳）有限公司 | 道路损伤检测方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111860166A (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110569721B (zh) | 识别模型训练方法、图像识别方法、装置、设备及介质 | |
| US10210415B2 (en) | Method and system for recognizing information on a card | |
| CN111241947B (zh) | 目标检测模型的训练方法、装置、存储介质和计算机设备 | |
| US11798253B2 (en) | Determining a position of an object in a rotation corrected image | |
| US10438086B2 (en) | Image information recognition processing method and device, and computer storage medium | |
| CN111680675B (zh) | 人脸活体检测方法、系统、装置、计算机设备和存储介质 | |
| WO2021012382A1 (zh) | 配置聊天机器人的方法、装置、计算机设备和存储介质 | |
| CN111461170A (zh) | 车辆图像检测方法、装置、计算机设备及存储介质 | |
| CN111860166B (zh) | 图像检测的方法、装置、计算机设备和存储介质 | |
| CN111626163A (zh) | 一种人脸活体检测方法、装置及计算机设备 | |
| CN109840885B (zh) | 图像融合方法及相关产品 | |
| CN111881846B (zh) | 图像处理方法和相关装置、设备、存储介质 | |
| CN113111880A (zh) | 证件图像校正方法、装置、电子设备及存储介质 | |
| CN111428740A (zh) | 网络翻拍照片的检测方法、装置、计算机设备及存储介质 | |
| CN112333468B (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN112036342B (zh) | 单证抓拍方法、设备及计算机存储介质 | |
| CN112348008A (zh) | 证件信息的识别方法、装置、终端设备及存储介质 | |
| CN113079342A (zh) | 基于高分辨率影像装置的目标追踪方法及系统 | |
| CN113159037B (zh) | 图片矫正方法、装置、计算机设备及存储介质 | |
| CN112699826B (zh) | 人脸检测方法、装置、计算机设备和存储介质 | |
| CN114820575B (zh) | 图像验证方法、装置、计算机设备及存储介质 | |
| US12051180B2 (en) | Method for generating images with high dynamic range during multiple exposures and times of capture, device employing method, and storage medium | |
| CN113780131B (zh) | 文本图像朝向识别方法和文本内容识别方法、装置、设备 | |
| CN114333037B (zh) | 包含身份证的翻拍照片识别方法及系统 | |
| CN118762388A (zh) | 一种人脸识别方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |