CN112132892A - 目标位置标注方法、装置及设备 - Google Patents
目标位置标注方法、装置及设备 Download PDFInfo
- Publication number
- CN112132892A CN112132892A CN201910549669.9A CN201910549669A CN112132892A CN 112132892 A CN112132892 A CN 112132892A CN 201910549669 A CN201910549669 A CN 201910549669A CN 112132892 A CN112132892 A CN 112132892A
- Authority
- CN
- China
- Prior art keywords
- position information
- image
- feature
- target
- feature matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 198
- 238000002372 labelling Methods 0.000 claims abstract description 34
- 238000001514 detection method Methods 0.000 claims description 35
- 238000000605 extraction Methods 0.000 claims description 17
- 230000006399 behavior Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 description 15
- 230000009467 reduction Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based 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]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供的一种目标位置标注方法、装置及设备，通过分别对第一图像和第二图像进行特征提取，得到第一图像的第一特征矩阵和第二图像的第二特征矩阵。其中，第一图像的种类属于违规，第二图像的种类属于未违规，第一图像和第二图像为拍摄相同场景得到的。获取第一特征矩阵中每个第一特征元素在第一特征矩阵中的第一位置信息。获取第二特征矩阵中每个第二特征元素在第二特征矩阵中的第二位置信息。确定所获取的第一位置信息和第二位置信息的交集，将交集中的位置信息作为差异特征位置信息。基于差异特征位置信息，将第一图像中与差异特征位置信息对应的位置信息确定为第一图像的目标位置信息，即为第一图像自动标注目标位置。
Description
技术领域
本发明涉及机器视觉技术领域，特别是涉及一种目标位置标注方法、装置及设备。
背景技术
在机器视觉技术领域，用于从图片中找出物品所在位置并确定物品种类的目标检测技术被广泛应用。例如，将目标检测用于识别占道经营，可以是将街道图像输入预先训练好的目标检测网络模型中，得到街道图像中营业摊位的位置，并确定营业摊位是否违规经营，例如，占道经营，还是未占道经营。
上述预先训练好的目标检测网络模型，是预先使用大量的样本比对图象进行训练得到的神经网络模型。其中，样本比对图象指一组同一场景下的一个未违规样本图象和一个违规样本图像，且需要标注出每组样本比对图像中的违规样本图像所示场景中的违规区域，以便在使用样本比对图像进行训练的过程中，可以基于标注的位置与所训练的目标检测网络模型确定的违规区域的位置是否相符，调整目标检测网络模型的参数，进而得到完成参数调整的、训练好的目标检测网络模型。
为了得到标注有位置的样本比对图像，通常的做法是人工在样本比对图像中的违规样本图像上以方框形式标注场景中的违规区域。但是，针对目标检测网络的训练，往往需要使用大量的样本比对图像，导致人工标注工作量大，并且人工标注中人的主观因素还可能导致标注错误或者缺失，进而影响后续训练得到的目标检测网络模型的检测准确度。
发明内容
本发明实施例的目的在于提供一种目标位置标注方法、装置及设备，以实现自动标注图像中目标位置的目的。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位置标注方法，该方法包括：
分别对第一图像和第二图像进行特征提取，得到第一图像的第一特征矩阵和第二图像的第二特征矩阵，第一图像的种类属于违规，第二图像的种类属于未违规，且第一图像和第二图像为对相同场景进行拍摄得到的图像；
获取第一特征矩阵中的每个第一特征元素在第一特征矩阵中的第一位置信息；
获取第二特征矩阵中的每个第二特征元素在第二特征矩阵中的第二位置信息；
确定所获取的第一位置信息和第二位置信息的交集，并将交集中的位置信息作为差异特征位置信息；
基于差异特征位置信息，将第一图像中与差异特征位置信息对应的位置信息，确定为第一图像的目标位置信息。
第二方面，本发明实施例提供了一种目标位置标注装置，该装置包括：
特征提取模块，用于分别对第一图像和第二图像进行特征提取，得到第一图像的第一特征矩阵和第二图像的第二特征矩阵，第一图像的种类属于违规，第二图像的种类属于未违规，且第一图像和第二图像为对相同场景进行拍摄得到的图像；
差异位置信息获取模块，用于获取第一特征矩阵中的每个第一特征元素在第一特征矩阵中的第一位置信息；获取第二特征矩阵中的每个第二特征元素在第二特征矩阵中的第二位置信息；确定所获取的第一位置信息和第二位置信息的交集，并将交集中的位置信息作为差异特征位置信息；
目标位置信息确定模块，基于差异特征位置信息，将第一图像中与所述差异特征位置信息对应的位置信息，确定为第一图像的目标位置信息。
第三方面，本发明实施例提供了一种电子设备，该设备包括：
处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序，实现上述第一方面提供的目标位置标注方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，该存储介质内存储有计算机程序，该计算机程序被处理器执行时实现上述第一方面提供的目标位置标注方法的步骤。
本发明实施例提供的一种目标位置标注方法、装置及设备，通过分别对第一图像和第二图像进行特征提取，得到第一图像的第一特征矩阵和第二图像的第二特征矩阵。其中，第一图像的种类属于违规，第二图像的种类属于未违规，且第一图像和第二图像为对相同场景进行拍摄得到的图像。获取第一特征矩阵中的每个第一特征元素在第一特征矩阵中的第一位置信息。获取第二特征矩阵中的每个第二特征元素在第二特征矩阵中的第二位置信息。确定所获取的第一位置信息和第二位置信息的交集，并将交集中的位置信息作为差异特征位置信息。基于差异特征位置信息，将第一图像中与差异特征位置信息对应的位置信息，确定为第一图像的目标位置信息。由于第一图像和第二图像是拍摄相同场景得到的，因此，第一图像中的目标位置，就是第一图像与第二图像中相同位置处的差异特征在第一图像中的位置。同时，第一位置信息是第一图像中的违规特征在第一特征矩阵中的位置信息，第二位置信息是第二图像中的未违规特征在第二特征矩阵中的位置信息，因此，所获取的第一位置信息和第二位置信息的交集：差异特征位置信息，就是第一图像与第二图像的相同位置处的差异特征在第一矩阵中的位置信息。基于此，第一图像中与差异特征位置信息对应的位置信息，就是第一图像与第二图像的相同位置处的差异特征在第一图像中的位置信息。因此，得到了第一图像中与差异特征位置信息对应的位置信息，也就确定了第一图像中的目标位置，从而实现了为第一图像自动标注目标位置的目的。
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。
图1为本发明一实施例的目标位置标注方法的流程示意图；
图2为本发明另一实施例目标位置标注方法的流程示意图；
图3为本发明一实施例的目标位置标注装置的结构示意图；
图4为本发明另一实施例的目标位置标注装置的结构示意图；
图5为本发明一实施例的电子设备的结构示意图。
具体实施方式
为了使本领域技术人员更好地理解本发明中的技术方案，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作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。
下面首先对本发明一实施例的目标位置标注方法进行介绍。
本发明实施例提供的目标位置标注方法，可以应用于能够进行数据处理的电子设备，该设备可以包括台式计算机、便携式计算机、视频监控设备、互联网电视，智能移动终端、可穿戴式智能终端、服务器等，在此不作限定，任何可以实现本发明实施例的计算机设备，均属于本发明实施例的保护范围。
如图1所示，本发明一实施例的目标位置标注方法的流程，该方法可以包括：
S101，分别对第一图像和第二图像进行特征提取，得到第一图像的第一特征矩阵和第二图像的第二特征矩阵。其中，第一图像的种类属于违规，第二图像的种类属于未违规，且第一图像和第二图像为对相同场景进行拍摄得到的图像。
其中，第一图像和第二图像的获取方式具体可以包括：人工获取方式，例如，街面违规行为巡查人员拍摄的街道图像可以作为第二图像，该街道上发生违规行为的图像可以作为第一图像。自动获取方式，例如，利用预先训练好的卷积神经网络，对监控摄像头拍摄的街道图像进行是否违规的二分类，根据分类结果，将属于违规的图像作为第一图像，将属于未违规的图像作为第二图像。
对第一图像和第二图像进行特征提取的方式，具体可以包括：利用预先训练好的卷积神经网络进行，且该预先训练好的卷积神经网络为预先利用收集的多个样本违规图像和样本未违规图像进行训练得到的，其中样本违规图像和样本未违规图像为对相同场景进行拍摄得到的图像。或者，利用HOG(Histogram of Oriented Gradient，方向梯度直方图)特征算法提取，或者，利用LBP(Local Binary Pattern，局部二值模式)算法等特征提取算法提取。任何可以用于提取图像特征的特征提取算法均可用于本发明，本实施例对此不作限制。
示例性的，分别对第一图像和第二图像进行特征提取，得到第一图像的第一特征矩阵和第二图像的第二特征矩阵的具体方式，可以包括：在分别对第一图像和第二图像进行特征提取后，对通过特征提取所得到的第一图像的特征矩阵中的特征与第二图像的特征矩阵中相应位置的特征进行差值运算；将差值大于预设阈值的特征，或者差值的绝对值大于预设阈值的特征，确定为第一图像与第二图像之间可能存在差异的目标特征。将第一图像中的目标特征集合，确定为第一特征矩阵；将第二图像中的目标特征集合，确定为第二特征矩阵。从而，可以保证得到的第一特征矩阵中的元素表示的是决定第一图像属于违规图像的主要特征，第二特征矩阵中的元素表示的是决定第二图像属于未违规图像的主要特征。
S102，获取第一特征矩阵中的每个第一特征元素在第一特征矩阵中的第一位置信息。
S103，获取第二特征矩阵中的每个第二特征元素在第二特征矩阵中的第二位置信息。
形成第一特征矩阵或第二特征矩阵的每个特征元素按照一定的位置排列，具体的，每个元素在特征矩阵中的位置信息，可以是将该矩阵看作一个二维坐标系后，在该坐标系中的二维坐标。由于第一特征矩阵中的元素表示的是决定第一图像属于违规图像的主要特征，第二特征矩阵中的元素表示的是决定第二图像属于未违规图像的主要特征，因此，可以将第一特征矩阵中的所有特征元素均作为第一特征元素，可以将第二特征矩阵中的所有特征元素均作为第二特征元素。不过，虽每个特征元素均能够反映该特征元素对应的特征的违规程度或未违规程度，但是，不同特征的违规程度或未违规程度很可能不同。因此，对应于不同的违规程度或未违规程度区分，示例性的，可以将第一特征矩阵中违规程度相对而言更高的特征元素作为第一特征元素，可以将第二特征矩阵中未违规程度相对而言更高的特征元素作为第二特征元素。
相应的，第一特征元素在第一特征矩阵中的第一位置信息的获取方式可以是多种的。示例性的，当第一特征元素是第一特征矩阵中的所有元素时，可以直接将第一特征矩阵中特征元素的位置信息，确定为第一位置信息。或者，示例性的，当第一特征元素是第一特征矩阵中反映的违规程度相对而言更高的元素时，可以从第一特征矩阵中确定出违规程度相对而言更高的特征元素作为第一特征元素，将所确定的第一特征元素的位置信息，确定为第一位置信息。
类似的，第二特征元素在第二特征矩阵中的第二位置信息的获取方式可以是多种的。示例性的，当第二特征元素是第二特征矩阵中的所有元素时，可以直接将第二特征矩阵中特征元素的位置信息，确定为第二位置信息。或者，示例性的，当第二特征元素是第二特征矩阵中反映的未违规程度相对而言更高的元素时，可以从第二特征矩阵中确定出未违规程度相对而言更高的特征元素作为第二特征元素，将所确定的第二特征元素的位置信息，确定为第二位置信息。
为了便于理解和合理布局，后续以可选实施例的方式对上述示例性说明中，按特征元素的违规程度确定第一位置，以及按特征元素的未违规程度确定第二位置的方式，进行具体说明。
S104，确定所获取的第一位置信息和第二位置信息的交集，并将交集中的位置信息作为差异特征位置信息。
所获取的第一位置信息和第二位置信息的交集，代表了第一特征矩阵与第二特征矩阵中的相同位置。第一位置信息是第一图像中的违规特征在第一特征矩阵中的位置信息，第二位置信息是第二图像中的未违规特征在第二特征矩阵中的位置信息，因此，所获取的第一位置信息和第二位置信息的交集：差异特征位置信息，就是第一图像与第二图像的相同位置处的差异特征在第一特征矩阵或第二特征矩阵中的位置信息。
S105，基于差异特征位置信息，将第一图像中与差异特征位置信息对应的位置信息，确定为第一图像的目标位置信息。
差异特征位置信息是第一图像与第二图像的相同位置处的差异特征在第一特征矩阵或第二特征矩阵中的位置信息，相应的，差异特征对应了第一图像中与第二图像存在差异的差异特征，而第一图像和第二图像为对相同场景进行拍摄得到的图像，第一图像和第二图像的差异在于：第一图像对应的场景中发生了违规行为，第二图像对应的场景未发生违规行为，因此，差异特征是第一图像中的违规特征，是需要进行目标位置标注的违规特征。第一图像中差异特征对应的位置就是目标位置，因此，第一图像中与差异特征位置信息对应的位置信息，就是第一图像的目标位置信息。
基于差异特征位置信息，得到第一图像中与差异特征位置信息对应的位置信息的方式，具体可以是多种的。示例性的，可以基于差异特征位置信息，利用对第一图像进行违规特征提取时所使用的预设图像缩小比例，调整差异特征位置信息，得到第一图像中与差异特征位置信息对应的位置信息。或者，示例性的，可以基于差异特征位置信息，利用特征提取算法的逆运算，计算得到第一图像中与差异特征位置信息对应的位置信息。任何可以基于差异特征位置信息，得到第一图像中与差异特征位置信息对应的位置信息的方法，均可用于本发明，本实施例对此不作限制。
本发明实施例提供的一种目标位置标注方法，由于处理的第一图像和第二图像是拍摄相同场景得到的，因此，第一图像中的目标位置，就是第一图像与第二图像中相同位置处的差异特征在第一图像中的位置。同时，第一位置信息是第一图像中的违规特征在第一特征矩阵中的位置信息，第二位置信息是第二图像中的未违规特征在第二特征矩阵中的位置信息，因此，所获取的第一位置信息和第二位置信息的交集：差异特征位置信息，就是第一图像与第二图像的相同位置处的差异特征在第一矩阵中的位置信息。基于此，第一图像中与差异特征位置信息对应的位置信息，就是第一图像与第二图像的相同位置处的差异特征在第一图像中的位置信息。因此，得到了第一图像中与差异特征位置信息对应的位置信息，也就确定了第一图像中的目标位置，从而实现了为第一图像自动标注目标位置的目的。
可选的，在具体应用中，考虑到第一图像和第二图像中存在与目标位置不相关，且特征相同的区域，例如，可以将第一图像中未违规的区域看作是背景，且第二图像中该区域同样可以看作背景。因此，在获取第一特征矩阵和第二特征矩阵时，可以对背景部分进行剔除，进而对非背景部分的特征矩阵进行差值运算，以减少差值运算的计算量。为此，上述图1实施例中的步骤S101，具体可以包括：
将第一图像输入预先训练好的卷积神经网络模型，得到第一图像的属于违规的第一候选特征矩阵，以及第一图像的属于未违规的第二候选特征矩阵；其中，预先训练好的卷积神经网络模型为预先利用收集的多个样本违规图像以及样本未违规图像进行训练得到的，且样本违规图像和样本未违规图像为对相同场景进行拍摄得到的图像；在具体应用中，训练时可以利用样本违规图像属于违规的类型标签和样本未违规图像属于未违规的类型标签进行有监督的训练；
将第二图像输入预先训练好的卷积神经网络模型，得到第二图像的属于未违规的第三候选特征矩阵，以及第二图像的第四候选特征矩阵；其中第四候选特征矩阵的未违规程度低于第三候选特征矩阵；
对所得到的第一图像的第一候选特征矩阵中的特征与第二图像的第三候选特征矩阵中相应位置的特征进行差值运算，并将差值大于预设阈值的特征，或者差值的绝对值大于预设阈值的特征，确定为第一图像与第二图像之间可能存在差异的目标特征；将第一图像中的目标特征集合，确定为第一特征矩阵；将第二图像中的目标特征集合，确定为第二特征矩阵。
在上述可选实施例中，通过预先训练好的卷积神经网络模型，分别对第一图像和第二图像中违规程度存在差异的特征进行了区分，从而确定了第一图像的特征矩阵中违规特征相对而言显著，与目标位置相关的第一候选特征矩阵，剔除了第一图像的特征矩阵中违规特征相对而言不显著，与目标位置不相关的第二候选特征矩阵。其中，第二候选特征矩阵和第四候选特征矩阵分别相当于第一图像的背景部分，以及第二图像的背景部分。因此，在进行矩阵中特征的差值运算时，可以剔除第二候选特征矩阵和第四候选特征矩阵，对第一候选特征矩阵中的特征与第二图像的第三候选特征矩阵中相应位置的特征进行差值运算，进而确定第一特征矩阵和第二特征矩阵，可以减少差值运算的计算量。
示例性的，将第一图像输入预先训练好的卷积神经网络模型后，经过卷积池化层计算得到第一候选特征矩阵和第二候选特征矩阵。将第二图像输入预先训练好的卷积神经网络模型后，经过卷积池化层计算得到第三候选特征矩阵和第四候选特征矩阵。第一图像的两个候选特征矩阵经过全连接层的Softmax(柔性最大化)函数计算，可以确定出第一候选特征矩阵是属于违规的特征矩阵，第二候选特征矩阵属于未违规的特征矩阵。类似的，第二图像的两个候选特征矩阵经过全连接层的Softmax函数计算，可以确定出第三候选特征矩阵是属于未违规的特征矩阵，第四候选特征矩阵属于未违规程度低于第三候选特征矩阵的特征矩阵。
基于上述可选实施例中，利用卷积神经网络模型对图像进行特征提取的情况，后续可以利用对第一图像进行特征提取时所使用的预设图像缩小比例，调整差异特征位置信息，得到第一图像中与差异特征位置信息对应的位置信息。
由此，可选的，在将第一图像输入预先训练好的卷积神经网络模型，得到第一特征矩阵的过程中，利用预设图像缩小比例对第一图像进行了缩小。
相应的，上述图1实施例中的步骤S105，具体可以包括：
按照预设图像缩小比例，调整差异特征位置信息，得到第一图像中与差异特征位置信息对应的位置信息，并确定为第一图像的目标位置信息。
其中，调整差异特征位置信息的方式，具体可以是多种的。示例性的，当预设图像缩小比例为小于1的比例时，可以是差异特征位置信息中的横坐标和纵坐标分别除以预设图像缩小比例，得到第一图像中与所述差异特征位置信息对应的位置信息中的横坐标和纵坐标。或者，示例性的，当预设图像缩小比例为大于1的比例时，可以是差异特征位置信息中的横坐标和纵坐标分别乘以预设图像缩小比例，得到第一图像中与差异特征位置信息对应的位置信息中的横坐标和纵坐标。
在具体应用中，某个图像的特征矩阵中每个特征元素代表的特征属于违规的显著程度不相同，例如墙面乱贴广告的违规图像中，代表广告特征的特征元素的违规程度，高于代表广告附近墙面特征的特征元素的违规程度。在确定目标位置的过程中，将违规程度高的特征的位置信息确定为第一位置信息，以及将未违规程度高的特征的位置信息确定为第二位置信息，可以使后续确定出的位置信息与目标位置信息的相关程度更高，减少将违规程度不高的位置信息也确定为目标位置，从而提高目标位置的标注准确度。
为此，可选的，图1实施例中的S102，具体可以包括：
基于第一特征矩阵，计算得到第一特征矩阵中所有元素的第一平均值。
比较第一特征矩阵中每个元素与第一平均值的大小。
将小于第一平均值的元素确定为第一特征元素。
获取每个第一特征元素在第一特征矩阵中的第一位置信息。
第一特征矩阵中所有元素的第一平均值，代表了第一图像中违规特征的违规程度的平均水平。通过比较第一特征矩阵中每个元素与第一平均值的大小，将小于第一平均值的元素确定为第一特征元素，可以确定出违规程度高于平均水平的元素。从而获取每个第一特征元素在第一特征矩阵中的第一位置信息时，获取的就是违规程度高的特征元素的位置信息。
相应的，图1实施例中的S103，具体可以包括：
基于第二特征矩阵，计算得到第二特征矩阵中所有元素的第二平均值。
比较第二特征矩阵中每个元素与第二平均值的大小。
将大于第二平均值的元素确定为第二特征元素。
获取每个第二特征元素在第二特征矩阵中的第二位置信息。
第二特征矩阵中所有元素的第二平均值，代表了第二图像中未违规特征的未违规程度的平均水平。通过比较第二特征矩阵中每个元素与第二平均值的大小，将大于第二平均值的元素确定为第二特征元素，可以确定出未违规程度高于平均水平的元素。从而获取每个第二特征元素在第二特征矩阵中的第二位置信息时，获取的就是未违规程度高的特征的位置信息。
在标注目标位置时，通常期望所标注的位置形成矩形区域，当然也可以是其他预设形状。但是在在具体应用中，可能会存在基于差异特征位置信息所确定的目标位置不是矩形区域的情况。对此，可以对所确定的差异特征位置信息进行扩展，以形成矩形区域。
具体的，如图2所示，本发明另一实施例的目标位置标注方法的流程，该方法可以包括：
S201，分别对第一图像和第二图像进行提取特征，得到第一图像的第一特征矩阵和第二图像的第二特征矩阵。其中，第一图像的种类属于违规，第二图像的种类属于未违规，且第一图像和第二图像为对相同场景进行拍摄得到的图像。
S202，获取第一特征矩阵中的每个第一特征元素在第一特征矩阵中的第一位置信息。
S201至S202为与图1实施例的S101至S102相同的步骤，在此不再赘述，详见图1实施例的描述。
S203，获取第二特征矩阵中的每个第二特征元素在第二特征矩阵中的第二位置信息。其中，第一位置信息包括所述第一特征元素在第一特征矩阵中的二维坐标，第二位置信息包括第二特征元素在第二特征矩阵中的二维坐标。
S204，确定所获取的第一位置信息和第二位置信息的交集，并将交集中位置信息对应的每个元素确定为目标元素。
S205，比较每个目标元素的二维坐标的大小，确定交集中是否缺失第一目标元素的位置信息，第二目标元素的位置信息，第三目标元素的位置信息以及第四目标元素的位置信息中的至少一个。若缺失，则执行S206和S208，若不缺失，则执行S207至S208。其中，第一目标元素具有最大横坐标和最大纵坐标，第二目标元素具有最大横坐标和最小纵坐标，第三目标元素具有最小横坐标和最小纵坐标，第四目标元素具有最小横坐标和最大纵坐标。
示例性的，所确定的目标元素以如下矩阵一表示：
目标元素在矩阵一中按照目标元素的二维坐标排列。举例而言，第一特征矩阵中各个元素之间的最小坐标差值为1，x11的坐标为(4,0)，x14的坐标为(4,4)，x41的坐标为(0,0)，x44的坐标为(0,4)。比较每个目标元素的二维坐标的大小后，可以确定最大横坐标为4，最大纵坐标为4，因此，所确定的目标元素中具有最大横坐标和最大纵坐标的第一目标元素为x14，具有最大横坐标和最小纵坐标的第二目标元素为x44，具有最小横坐标和最小纵坐标的第三目标元素为x41，具有最小横坐标和最大纵坐标的第四目标元素为x11。
S206，将第一特征矩阵中，由第一目标元素的位置信息、第二目标元素的位置信息、第三目标元素的位置信息和第四目标元素的位置信息作为角点位置构成的矩形区域内的所有元素的位置信息，确定为差异特征位置信息。
当交集中存在缺失第一目标元素的位置信息，第二目标元素的位置信息，第三目标元素的位置信息以及第四目标元素的位置信息中的至少一个时，表明第一特征矩阵和第二特征矩阵的交集不是完整的矩形，如果直接将交集中元素的位置信息确定为差异特征位置信息，将导致差异特征位置的形状不是完整的矩形，后续标注的位置的形状与期望的形状不相符。因此，此时需要将第一特征矩阵中，由第一目标元素的位置信息、第二目标元素的位置信息、第三目标元素的位置信息和第四目标元素的位置信息作为角点位置构成的矩形区域内的所有元素的位置信息，确定为差异特征位置信息，以保证得到的差异特征位置的可以形成完整的矩形，以便后续进行目标位置标注时，标注为期望的形状。另外，与标注为圆形相比，本可选实施例中标注的矩形可以用相对于圆形的边界点而言，更少的角点确定出完整的期望形状，有利于效率的提升。
示例性的，若所缺失的目标元素的数量为1个，例如，缺失第一目标元素x14，将第一特征矩阵中，由第一目标元素x14的位置信息、第二目标元素x44的位置信息、第三目标元素x41的位置信息和第四目标元素x11的位置信息作为角点位置构成的矩形区域内的所有元素的位置信息，也就是上述矩形一中所有元素的位置信息。此时，不论除第一目标元素x14以外缺失的具体元素是哪个，均可以按照第一特征矩阵中各个元素之间的最小坐标差值1和作为角点位置为各个目标元素的二维坐标，确定出完整的矩形交集中各个元素的位置信息。
类似的，若所缺失的目标元素的数量为2个，例如，缺失第二目标元素x44和第三目标元素x41，或者，若所缺失的目标元素的数量为4个，即第一目标元素x14，第二目标元素x44、第三目标元素x41以及第四目标元素x11均缺失，则由于作为角点位置的第一目标元素x14的位置信息、第二目标元素x44的位置信息、第三目标元素x41的位置信息和第四目标元素x11的位置信息均已知，并且，第一特征矩阵中各个元素之间的最小坐标差值1已知，因此，可以确定出完整的矩形交集中各个元素的位置信息。
S207，将交集中的位置信息作为差异特征位置信息。
所获取的第一位置信息和第二位置信息的交集中，未缺失第一目标元素的位置信息，第二目标元素的位置信息，第三目标元素的位置信息以及第四目标元素的位置信息中的至少一个时，代表目标元素已构成矩形，不存在特征元素的缺失，因此，可以将所有目标元素的二维坐标，确定为差异特征位置信息。
S208，基于差异特征位置信息，将第一图像中与差异特征位置信息对应的位置信息，确定为第一图像的目标位置信息。
S208为与图1实施例的S105相同的步骤，在此不再赘述，详见图1实施例的描述。
在上述图2实施例中，当出现目标元素缺失时，可以将由第一目标元素的位置信息、第二目标元素的位置信息、第三目标元素的位置信息和第四目标元素的位置信息作为角点位置构成的矩形区域，作为第一特征矩阵和第二特征矩阵的完整交集，从而保证所确定的差异特征位置信息是矩形的以便后续进行目标位置标注时，标注为期望的形状。
可选的，在具体应用中，进行识别以及目标位置标注时，需要识别和标注的图像往往可能不是一对违规和未违规的比对图像，而是单独的违规图像或者未违规图像。对此，在图1实施例的步骤S105之后，本申请实施例提供的目标位置标注方法还可以包括如下步骤：
将确定了目标位置信息的多个第一图像和多个第二图像作为样本比对图像，训练通用目标检测网络，得到违规行为检测网络，违规行为检测网络模型用于：对图像进行违规行为检测，并对检测结果为存在违规行为的图像自动标注违规行为的位置。
例如，第一图像是占道经营图像，则将确定了目标位置信息的多个第一图像和多个第二图像作为样本比对图像，训练通用目标检测网络模型，得到的违规行为检测网络模型，可以用于识别拍摄得到的不同街道的图像，并在识别出图像属于违规，例如出现占道经营时，在该图像中标注出占道经营的区域。
其中，通用的目标检测网络可以为Faster R-CNN(快速循环神经网络)，SSD(基于前向传播的神经网络)等网络模型。
当然，对应于不同的场景的样本比对图像，本可选实施例提供的违规行为检测网络模型，具体可以识别的违规图像中的违规行为可以是多种的。示例性的，违规行为可以是占道经营、沿街晾挂、户外广告、垃圾满溢以及违法停车等等。对于拍摄可能存在这些违法行为的场景得到的图像，均可以采用上述违规行为检测网络模型识别所得到的图像是否违规，并对违规图像标注违规行为所在区域的目标位置。
相应于上述方法实施例，本发明一实施例还提供了目标位置标注装置。
如图3所示，本发明一实施例的目标位置标注装置的结构，该装置可以包括：
特征提取模块301，用于分别对第一图像和第二图像进行提取特征，得到第一图像的第一特征矩阵和第二图像的第二特征矩阵，第一图像的种类属于违规，第二图像的种类属于未违规，且第一图像和第二图像为对相同场景进行拍摄得到的图像；
差异位置信息获取模块302，用于获取第一特征矩阵中的每个第一特征元素在第一特征矩阵中的第一位置信息；获取第二特征矩阵中的每个第二特征元素在第二特征矩阵中的第二位置信息；确定所获取的第一位置信息和第二位置信息的交集，并将交集中的位置信息作为差异特征位置信息；
目标位置信息确定模块303，基于差异特征位置信息，将第一图像中与差异特征位置信息对应的位置信息，确定为第一图像的目标位置信息。
本发明实施例提供的一种目标位置标注装置，由于处理的第一图像和第二图像是拍摄相同场景得到的，因此，第一图像中的目标位置，就是第一图像与第二图像中相同位置处的差异特征在第一图像中的位置。同时，第一位置信息是第一图像中的违规特征在第一特征矩阵中的位置信息，第二位置信息是第二图像中的未违规特征在第二特征矩阵中的位置信息，因此，所获取的第一位置信息和第二位置信息的交集：差异特征位置信息，就是第一图像与第二图像的相同位置处的差异特征在第一矩阵中的位置信息。基于此，第一图像中与差异特征位置信息对应的位置信息，就是第一图像与第二图像的相同位置处的差异特征在第一图像中的位置信息。因此，得到了第一图像中与差异特征位置信息对应的位置信息，也就确定了第一图像中的目标位置，从而实现了为第一图像自动标注目标位置的目的。
可选的，上述特征提取模块301，具体可以用于：
将第一图像输入预先训练好的卷积神经网络模型，得到属于违规的第一特征矩阵；
将第二图像输入预先训练好的卷积神经网络模型，得到属于未违规的第二特征矩阵；
其中，预先训练好的卷积神经网络模型为预先利用收集的多个样本违规图像和样本未违规图像进行训练得到的，其中，样本违规图像和样本未违规图像为对相同场景进行拍摄得到的图像。
可选的，在上述将第一图像输入预先训练好的卷积神经网络模型，得到第一候选特征矩阵的过程中，利用预设图像缩小比例对所述第一图像进行了缩小；
相应的，差异位置信息获取模块302，具体用于：
按照预设图像缩小比例，调整差异特征位置信息，得到第一图像中与差异特征位置信息对应的位置信息，并确定为第一图像的目标位置信息。
可选的，上述差异位置信息获取模块302，具体用于：
基于第一特征矩阵，计算得到第一特征矩阵中所有元素的第一平均值；
比较第一特征矩阵中每个元素与第一平均值的大小；
将小于第一平均值的元素确定为第一特征元素；
获取每个第一特征元素在第一特征矩阵中的第一位置信息；
基于第二特征矩阵，计算得到第二特征矩阵中所有元素的第二平均值；
比较所述第二特征矩阵中每个元素与所述第二平均值的大小；
将大于所述第二平均值的元素确定为第二特征元素；
获取每个第二特征元素在第二特征矩阵中的第二位置信息。
可选的，上述第一位置信息包括所述第一特征元素在第一特征矩阵中的二维坐标，上述第二位置信息包括所述第二特征元素在第二特征矩阵中的二维坐标；
差异位置信息获取模块302，具体用于：
确定所获取的第一位置信息和第二位置信息的交集，并将交集中位置信息对应的每个元素确定为目标元素；
比较每个目标元素的二维坐标的大小，确定交集中是否缺失第一目标元素的位置信息，第二目标元素的位置信息，第三目标元素的位置信息以及第四目标元素的位置信息中的至少一个，第一目标元素具有最大横坐标和最大纵坐标，第二目标元素具有最大横坐标和最小纵坐标，第三目标元素具有最小横坐标和最小纵坐标，第四目标元素具有最小横坐标和最大纵坐标；
若缺失，则将第一特征矩阵中，由所述第一目标元素的位置信息、所述第二目标元素的位置信息、所述第三目标元素的位置信息和所述第四目标元素的位置信息作为角点位置构成的矩形区域内的所有元素的位置信息，确定为差异特征位置信息；
若不缺失，则将所述交集中的位置信息作为差异特征位置信息。
如图4所示，本发明另一实施例的目标位置标注装置的结构，该装置可以包括：
特征提取模块401，用于分别对第一图像和第二图像进行特征提取，得到第一图像的第一特征矩阵和第二图像的第二特征矩阵，第一图像的种类属于违规，第二图像的种类属于未违规，且第一图像和第二图像为对相同场景进行拍摄得到的图像；
差异位置信息获取模块402，用于获取第一特征矩阵中的每个第一特征元素在第一特征矩阵中的第一位置信息；获取第二特征矩阵中的每个第二特征元素在第二特征矩阵中的第二位置信息；确定所获取的第一位置信息和第二位置信息的交集，并将交集中的位置信息作为差异特征位置信息；
目标位置信息确定模块403，基于差异特征位置信息，将第一图像中与差异特征位置信息对应的位置信息，确定为第一图像的目标位置信息。
401至403与图四实施例中的301至303为相同的模块。
网络模型训练模块404，用于将确定了所述目标位置信息的多个第一图像和多个第二图像作为样本比对图像，训练通用目标检测网络模型，得到违规行为检测网络模型，所述违规行为检测网络模型用于：对图像进行违规行为检测，并对检测结果为存在违规行为的图像自动标注违规行为的位置。
相应于上述实施例，本发明实施例还提供了一种电子设备，如图5所示，可以包括：
处理器501、通信接口502、存储器503和通信总线504，其中，处理器501，通信接口502，存储器通503过通信总线504完成相互间的通信；
存储器503，用于存放计算机程序；
处理器501，用于执行上述存储器503上所存放的计算机程序时，实现上述任一实施例中目标位置标注方法的步骤。
本发明实施例提供的一种电子设备，由于处理的第一图像和第二图像是拍摄相同场景得到的，因此，第一图像中的目标位置，就是第一图像与第二图像中相同位置处的差异特征在第一图像中的位置。同时，第一位置信息是第一图像中的违规特征在第一特征矩阵中的位置信息，第二位置信息是第二图像中的未违规特征在第二特征矩阵中的位置信息，因此，所获取的第一位置信息和第二位置信息的交集：差异特征位置信息，就是第一图像与第二图像的相同位置处的差异特征在第一矩阵中的位置信息。基于此，第一图像中与差异特征位置信息对应的位置信息，就是第一图像与第二图像的相同位置处的差异特征在第一图像中的位置信息。因此，得到了第一图像中与差异特征位置信息对应的位置信息，也就确定了第一图像中的目标位置，从而实现了为第一图像自动标注目标位置的目的。
上述存储器可以包括RAM(Random Access Memory，随机存取存储器)，也可以包括NVM(Non-Volatile Memory，非易失性存储器)，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于上述处理器的存储装置。
上述处理器可以是通用处理器，包括CPU(Central Processing Unit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP(Digital Signal Processor，数字信号处理器)、ASIC(Application Specific Integrated Circuit，专用集成电路)、FPGA(Field-Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明一实施例提供的计算机可读存储介质，包含于电子设备，该计算机可读存储介质内存储有计算机程序，该计算机程序被处理器执行时，实现上述任一实施例中目标位置标注方法的步骤。
本发明实施例提供的一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，该计算机程序被处理器执行时，由于处理的第一图像和第二图像是拍摄相同场景得到的，因此，第一图像中的目标位置，就是第一图像与第二图像中相同位置处的差异特征在第一图像中的位置。同时，第一位置信息是第一图像中的违规特征在第一特征矩阵中的位置信息，第二位置信息是第二图像中的未违规特征在第二特征矩阵中的位置信息，因此，所获取的第一位置信息和第二位置信息的交集：差异特征位置信息，就是第一图像与第二图像的相同位置处的差异特征在第一矩阵中的位置信息。基于此，第一图像中与差异特征位置信息对应的位置信息，就是第一图像与第二图像的相同位置处的差异特征在第一图像中的位置信息。因此，得到了第一图像中与差异特征位置信息对应的位置信息，也就确定了第一图像中的目标位置，从而实现了为第一图像自动标注目标位置的目的。
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任一实施例中所述的目标位置标注方法。
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、DSL(Digital Subscriber Line，数字用户线)或无线(例如：红外线、无线电、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(Digital Versatile Disc，数字通用光盘))、或者半导体介质(例如：SSD(Solid StateDisk，固态硬盘))等。
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，对于装置和设备实施例而言，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 (10)
1.一种目标位置标注方法，其特征在于，所述方法包括：
分别对第一图像和第二图像进行特征提取，得到第一图像的第一特征矩阵和第二图像的第二特征矩阵，所述第一图像的种类属于违规，所述第二图像的种类属于未违规，且所述第一图像和所述第二图像为对相同场景进行拍摄得到的图像；
获取所述第一特征矩阵中的每个第一特征元素在所述第一特征矩阵中的第一位置信息；
获取所述第二特征矩阵中的每个第二特征元素在所述第二特征矩阵中的第二位置信息；
确定所获取的第一位置信息和第二位置信息的交集，并将所述交集中的位置信息作为差异特征位置信息；
基于所述差异特征位置信息，将所述第一图像中与所述差异特征位置信息对应的位置信息，确定为所述第一图像的目标位置信息。
2.根据权利要求1所述的方法，其特征在于，所述获取所述第一特征矩阵中的每个第一特征元素在所述第一特征矩阵中的第一位置信息，包括：
基于所述第一特征矩阵，计算得到所述第一特征矩阵中所有元素的第一平均值；
比较所述第一特征矩阵中每个元素与所述第一平均值的大小；
将小于所述第一平均值的元素确定为第一特征元素；
获取每个第一特征元素在所述第一特征矩阵中的第一位置信息；
所述获取所述第二特征矩阵中的每个第二特征元素在所述第二特征矩阵中的第二位置信息，包括：
基于所述第二特征矩阵，计算得到所述第二特征矩阵中所有元素的第二平均值；
比较所述第二特征矩阵中每个元素与所述第二平均值的大小；
将大于所述第二平均值的元素确定为第二特征元素；
获取每个第二特征元素在所述第二特征矩阵中的第二位置信息。
3.根据权利要求1所述的方法，其特征在于，所述第一位置信息包括所述第一特征元素在所述第一特征矩阵中的二维坐标，所述第二位置信息包括所述第二特征元素在所述第二特征矩阵中的二维坐标；
所述确定所获取的第一位置信息和第二位置信息的交集，并将所述交集中的位置信息作为差异特征位置信息，包括：
确定所获取的第一位置信息和第二位置信息的交集，并将所述交集中位置信息对应的每个元素确定为目标元素；
比较每个目标元素的二维坐标的大小，确定所述交集中是否缺失第一目标元素的位置信息，第二目标元素的位置信息，第三目标元素的位置信息以及第四目标元素的位置信息中的至少一个；其中，所述第一目标元素具有最大横坐标和最大纵坐标，所述第二目标元素具有最大横坐标和最小纵坐标，所述第三目标元素具有最小横坐标和最小纵坐标，所述第四目标元素具有最小横坐标和最大纵坐标；
若缺失，则将第一特征矩阵中，由所述第一目标元素的位置信息、所述第二目标元素的位置信息、所述第三目标元素的位置信息和所述第四目标元素的位置信息作为角点位置构成的矩形区域内的所有元素的位置信息，确定为差异特征位置信息；
若不缺失，则将所述交集中的位置信息作为差异特征位置信息。
4.根据权利要求1所述的方法，其特征在于，在所述基于所述差异特征位置信息，将所述第一图像中与所述差异特征位置信息对应的位置信息，确定为所述第一图像的目标位置信息之后，所述方法还包括：
将确定了所述目标位置信息的多个第一图像和多个第二图像作为样本比对图像，训练通用目标检测网络模型，得到违规行为检测网络模型，所述违规行为检测网络模型用于：对图像进行违规行为检测，并对检测结果为存在违规行为的图像自动标注违规行为的位置。
5.一种目标位置标注装置，其特征在于，所述装置包括：
特征提取模块，用于分别对第一图像和第二图像进行特征提取，得到第一图像的第一特征矩阵和第二图像的第二特征矩阵，所述第一图像的种类属于违规，所述第二图像的种类属于未违规，且所述第一图像和所述第二图像为对相同场景进行拍摄得到的图像；
差异位置信息获取模块，用于获取所述第一特征矩阵中的每个第一特征元素在所述第一特征矩阵中的第一位置信息；获取所述第二特征矩阵中的每个第二特征元素在所述第二特征矩阵中的第二位置信息；确定所获取的第一位置信息和第二位置信息的交集，并将所述交集中的位置信息作为差异特征位置信息；
目标位置信息确定模块，基于所述差异特征位置信息，将所述第一图像中与所述差异特征位置信息对应的位置信息，确定为所述第一图像的目标位置信息。
6.根据权利要求5所述的装置，其特征在于，所述差异位置信息获取模块，具体用于：
基于所述第一特征矩阵，计算得到所述第一特征矩阵中所有元素的第一平均值；
比较所述第一特征矩阵中每个元素与所述第一平均值的大小；
将小于所述第一平均值的元素确定为第一特征元素；
获取每个第一特征元素在所述第一特征矩阵中的第一位置信息；
基于所述第二特征矩阵，计算得到所述第二特征矩阵中所有元素的第二平均值；
比较所述第二特征矩阵中每个元素与所述第二平均值的大小；
将大于所述第二平均值的元素确定为第二特征元素；
获取每个第二特征元素在所述第二特征矩阵中的第二位置信息。
7.根据权利要求5所述的装置，其特征在于，所述第一位置信息包括所述第一特征元素在所述第一特征矩阵中的二维坐标，所述第二位置信息包括所述第二特征元素在所述第二特征矩阵中的二维坐标；
所述差异位置信息获取模块，具体用于：
确定所获取的第一位置信息和第二位置信息的交集，并将所述交集中位置信息对应的每个元素确定为目标元素；
比较每个目标元素的二维坐标的大小，确定所述交集中是否缺失第一目标元素的位置信息，第二目标元素的位置信息，第三目标元素的位置信息以及第四目标元素的位置信息中的至少一个；其中，所述第一目标元素具有最大横坐标和最大纵坐标，所述第二目标元素具有最大横坐标和最小纵坐标，所述第三目标元素具有最小横坐标和最小纵坐标，所述第四目标元素具有最小横坐标和最大纵坐标；
若缺失，则将第一特征矩阵中，由第一目标元素的位置信息、第二目标元素的位置信息、第三目标元素的位置信息和第四目标元素的位置信息作为角点位置构成的矩形区域内的所有元素的位置信息，确定为差异特征位置信息；
若不缺失，则将所述交集中的位置信息作为差异特征位置信息。
8.根据权利要求5所述的装置，其特征在于，所述装置还包括：
网络模型训练模块，用于将确定了所述目标位置信息的多个第一图像和多个第二图像作为样本比对图像，训练通用目标检测网络模型，得到违规行为检测网络模型，所述违规行为检测网络模型用于：对图像进行违规行为检测，并对检测结果为存在违规行为的图像自动标注违规行为的位置。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序，实现如权利要求1-4任一所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-4任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910549669.9A CN112132892B (zh) | 2019-06-24 | 2019-06-24 | 目标位置标注方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910549669.9A CN112132892B (zh) | 2019-06-24 | 2019-06-24 | 目标位置标注方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112132892A true CN112132892A (zh) | 2020-12-25 |
| CN112132892B CN112132892B (zh) | 2024-02-02 |
Family
ID=73849596
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910549669.9A Active CN112132892B (zh) | 2019-06-24 | 2019-06-24 | 目标位置标注方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112132892B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112837206A (zh) * | 2021-01-27 | 2021-05-25 | 厦门树冠科技有限公司 | 一种任意形状roi信息压缩处理方法、系统、介质及设备 |
| CN113822841A (zh) * | 2021-01-29 | 2021-12-21 | 深圳信息职业技术学院 | 一种污水杂质结块检测方法、装置及相关设备 |
| CN114067108A (zh) * | 2022-01-13 | 2022-02-18 | 深圳比特微电子科技有限公司 | 一种基于神经网络的目标检测方法、装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108875780A (zh) * | 2018-05-07 | 2018-11-23 | 广东省电信规划设计院有限公司 | 基于图像数据的图像间差异对象的获取方法以及装置 |
| CN109902763A (zh) * | 2019-03-19 | 2019-06-18 | 北京字节跳动网络技术有限公司 | 用于生成特征图的方法和装置 |
| CN109919249A (zh) * | 2019-03-19 | 2019-06-21 | 北京字节跳动网络技术有限公司 | 用于生成特征图的方法和装置 |
-
2019
- 2019-06-24 CN CN201910549669.9A patent/CN112132892B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108875780A (zh) * | 2018-05-07 | 2018-11-23 | 广东省电信规划设计院有限公司 | 基于图像数据的图像间差异对象的获取方法以及装置 |
| CN109902763A (zh) * | 2019-03-19 | 2019-06-18 | 北京字节跳动网络技术有限公司 | 用于生成特征图的方法和装置 |
| CN109919249A (zh) * | 2019-03-19 | 2019-06-21 | 北京字节跳动网络技术有限公司 | 用于生成特征图的方法和装置 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112837206A (zh) * | 2021-01-27 | 2021-05-25 | 厦门树冠科技有限公司 | 一种任意形状roi信息压缩处理方法、系统、介质及设备 |
| CN112837206B (zh) * | 2021-01-27 | 2023-10-20 | 厦门树冠科技有限公司 | 一种任意形状roi信息压缩处理方法、系统、介质及设备 |
| CN113822841A (zh) * | 2021-01-29 | 2021-12-21 | 深圳信息职业技术学院 | 一种污水杂质结块检测方法、装置及相关设备 |
| CN113822841B (zh) * | 2021-01-29 | 2022-05-20 | 深圳信息职业技术学院 | 一种污水杂质结块检测方法、装置及相关设备 |
| CN114067108A (zh) * | 2022-01-13 | 2022-02-18 | 深圳比特微电子科技有限公司 | 一种基于神经网络的目标检测方法、装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112132892B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107403424B (zh) | 一种基于图像的车辆定损方法、装置及电子设备 | |
| US11455805B2 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
| CN107239794B (zh) | 点云数据分割方法和终端 | |
| CN110598541B (zh) | 一种提取道路边缘信息的方法及设备 | |
| CN108564579B (zh) | 一种基于时空相关的混凝土裂缝检测方法及检测装置 | |
| CN110610483B (zh) | 裂纹图像获取、检测方法、计算机设备及可读存储介质 | |
| CN112132892B (zh) | 目标位置标注方法、装置及设备 | |
| CN111723773B (zh) | 遗留物检测方法、装置、电子设备及可读存储介质 | |
| CN110942456B (zh) | 篡改图像检测方法、装置、设备及存储介质 | |
| CN114169381A (zh) | 图像标注方法、装置、终端设备及存储介质 | |
| CN115239644B (zh) | 混凝土缺陷识别方法、装置、计算机设备和存储介质 | |
| CN115131283A (zh) | 目标对象的缺陷检测、模型训练方法、装置、设备及介质 | |
| CN109426793A (zh) | 一种图像行为识别方法、设备及计算机可读存储介质 | |
| CN113850136A (zh) | 基于yolov5与BCNN的车辆朝向识别方法及系统 | |
| CN112733666A (zh) | 一种难例图像的搜集、及模型训练方法、设备及存储介质 | |
| CN113240623A (zh) | 一种路面病害检测方法及装置 | |
| Kang et al. | A multiobjective piglet image segmentation method based on an improved noninteractive GrabCut algorithm | |
| CN114860991A (zh) | 一种短视频去重方法及计算机可读存储介质 | |
| CN109934072B (zh) | 人员统计方法及装置 | |
| CN111797832A (zh) | 一种图像感兴趣区域自动生成方法及系统及图像处理方法 | |
| CN115272223A (zh) | 基于深度学习的图像翻拍自动检测技术 | |
| CN114494751A (zh) | 证照信息识别方法、装置、设备及介质 | |
| CN114330542A (zh) | 一种基于目标检测的样本挖掘方法、装置及存储介质 | |
| Kaimkhani et al. | UAV with Vision to Recognise Vehicle Number Plates | |
| CN109299652B (zh) | 一种用于图像定位的模型训练方法、图像定位方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |