CN112241656A - 图像检测方法和设备、处理器芯片电路以及存储介质 - Google Patents
图像检测方法和设备、处理器芯片电路以及存储介质 Download PDFInfo
- Publication number
- CN112241656A CN112241656A CN201910643789.5A CN201910643789A CN112241656A CN 112241656 A CN112241656 A CN 112241656A CN 201910643789 A CN201910643789 A CN 201910643789A CN 112241656 A CN112241656 A CN 112241656A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- objects
- category
- targets
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 11
- 238000013507 mapping Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000003936 working memory Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011895 specific detection Methods 0.000 description 2
- 230000010267 cellular communication Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011897 real-time detection Methods 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4023—Decimation- or insertion-based scaling, e.g. pixel or line decimation
-
- 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]
Abstract
本申请公开一种图像检测方法和设备、电路及介质。图像检测方法包括:从具有第一分辨率的第一图像得到具有低于第一分辨率的第二分辨率的第二图像;对第二图像进行检测,以获得一个或多个第一目标;对第一图像中包含一个或多个第一目标中的至少一个第一目标的区域进行检测,以获得至少一个第二目标。
Description
技术领域
本公开涉及图像检测领域,特别涉及一种图像检测方法以及图像检测设备。
背景技术
图像检测技术在很多领域具有广泛的应用。通过进行图像检测,可以从图像中找到感兴趣的目标。然而,由于视角、遮挡、姿态等因素,可能会引起目标发生形变。这给图像检测带来了一定的挑战性。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
所期望的是提供一种图像检测方法以及图像检测设备。
根据本公开的一个方面,提供了一种图像检测方法,包括:从具有第一分辨率的第一图像得到具有低于第一分辨率的第二分辨率的第二图像;对第二图像进行检测,以获得一个或多个第一目标;对第一图像中包含所述一个或多个第一目标中的至少一个第一目标的区域进行检测,以获得至少一个第二目标。
根据本公开的另一个方面,提供了一种处理器芯片电路,包括:被配置为执行根据本公开中所述的方法的步骤的电路单元。
根据本公开的另一个方面,提供了一种图像检测设备,包括:传感器,被配置为获取图像;以及前述的处理器芯片电路。
根据本公开的另一个方面,提供了一种图像检测设备,包括:处理器;以及存储程序的存储器,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行本公开中所述的方法。
根据本公开的另一个方面,提供了一种存储程序的计算机可读存储介质,所述程序包括指令,所述指令在由电子设备的处理器执行时,致使所述电子设备执行本公开中所述的方法。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,并且与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1是示出根据本公开示例性实施例的图像检测方法的流程图;
图2是示出根据本公开另一示例性实施例的图像检测方法的流程图。
图3是示出根据本公开示例性实施例的对第二图像进行检测、以获得一个或多个第一目标的示意图;
图4是示出根据本公开示例性实施例的对第一图像中包含一个或多个第一目标中的至少一个第一目标的区域进行检测、以获得至少一个第二目标的示意图;
图5是示出根据本公开另一示例性实施例的对第二图像进行检测、以获得一个或多个第一目标的示意图;
图6是示出根据本公开另一示例性实施例的对第一图像中包含一个或多个第一目标中的至少一个第一目标的区域进行检测、以获得至少一个第二目标的示意图;
图7是示出根据本公开示例性实施例的将至少一个第一目标合并到包括所述至少一个第二目标的第一图像中、并删除重复检测的目标的示意图;
图8是示出能够应用于示例性实施例的示例性计算设备的结构框图。
具体实施方式
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个元件与另一元件区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
对于图像检测技术而言,如何从图像中快速而准确地找到感兴趣的目标,是一项具有挑战性的任务。尽管随着图像检测技术的发展,能够较以往得到更为准确的检测结果,但由于硬件计算能力的限制,尚无法达到对于高分辨率图像、比如全高清图像进行实时检测的要求,而只能实现对于低分辨率图像进行在线处理或者对于高分辨率图像进行离线处理。
根据本公开的实施例,提供了一种改进的图像检测方法。以下将结合附图对本公开的图像检测方法的示例性实施例进行进一步描述。
图1是示出根据本公开的示例性实施例的图像检测方法的流程图。如图1所示,该图像检测方法例如可以包括以下步骤。
在步骤S101中,从具有第一分辨率的第一图像得到具有低于第一分辨率的第二分辨率的第二图像。
具有第一分辨率的第一图像例如可以通过摄像头或摄像机拍摄获取,或者通过拍照获取。第一图像也可以有其它来源,例如来自其它图像获取设备。当然,第一图像也可以是现存的图像,即,之前已经获取并保存在本地的图像。本公开对此不进行限制。
根据一些实施例,可以通过多种方式而从具有第一分辨率的第一图像得到具有低于第一分辨率的第二分辨率的第二图像。例如,可以通过直接调整第一图像的第一分辨率,将其修改为低于第一分辨率的第二分辨率,而从第一图像得到第二图像。
根据一个示例性的实施例,从具有第一分辨率的第一图像得到具有低于第一分辨率的第二分辨率的第二图像的过程可以包括:选取第一图像的一部分;以及,通过调整所选取的第一图像的一部分的分辨率而得到具有第二分辨率的第二图像。选取第一图像的一部分例如可以通过裁剪或截取第一图像来实现。对于所选取的第一图像的一部分,可以通过直接调整该第一图像的该部分的第一分辨率,将其修改为低于第一分辨率的第二分辨率,由此得到第二图像。根据这一示例性实施例,有选择性地处理第一图像而得到第二图像,这对于某些应用而言可能是有利的。例如,对于某些安装在固定位置且拍摄角度固定的摄像头(比如安防摄像头或交通监控摄像头)而言,尽管摄像头有可能拍摄具有广泛视野的图像,但仅仅所拍摄的图像的一部分含有有用的信息,而图像的其它部分相比较而言包含很少的信息或基本没有任何有用的信息。比如,由于架设的位置,某些摄像头所拍摄的图像中有一部分总是包含天空,这部分图像对于检测图像中的目标而言可能没有意义。因此,通过选取这一图像的不包含天空的其余部分、对于不包含天空的其余部分的分辨率进行调整而得到另一图像然后再进行检测,能够在一定程度上降低进行图像检测所需的运算量。
根据一些示例性实施例,第一分辨率例如可以是1920×1080、1280×960或1280×720等高分辨率。第二分辨率例如可以是800×600或384×256等低分辨率。需要注意的是,以上第一和第二分辨率的具体数值仅仅是举例而并非是对于本公开的限制。可以根据具体应用和/或需求来确定第一和第二分辨率,只要第二分辨率低于第一分辨率即可。
在步骤S103中,对第二图像进行检测,以获得一个或多个第一目标。
根据一些实施例,可以通过多种方式对第二图像进行检测,以获得一个或多个第一目标。例如,可以通过R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN、YOLOV1、YOLOV2、YOLOV3、SSD、DSSD、RFCN或MTCNN等基于深度学习的目标检测算法,借助于例如OpenCV,对第二图像进行检测以获得一个或多个第一目标。例如,假设第二图像中包括行驶于公路上的车辆、位于公路上的交通信号灯、公路两旁街道上的行人、街道上的报刊亭等各种目标,通过对第二图像进行检测,可以获知第二图像中存在车辆、交通信号灯、行人和报刊亭等各种目标。需要注意的是,以上列举的具体检测方式仅仅是举例而并非是对于本公开的限制。可以根据具体应用和/或需求来选择适合的图像检测方式。比如,可以通过其它检测算法、比如HoG+SVM、DPM等,对第二图像进行检测,以获得一个或多个第一目标。
在步骤S105中,对第一图像中包含一个或多个第一目标中的至少一个第一目标的区域进行检测,以获得至少一个第二目标。
类似于之前描述的检测第二图像的情形,根据一些实施例,可以通过多种方式而对第一图像中包含一个或多个第一目标中的至少一个第一目标的区域进行检测,以获得至少一个第二目标。例如,可以通过R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN、YOLOV1、YOLOV2、YOLOV3、SSD、DSSD、RFCN或MTCNN等基于深度学习的目标检测算法,借助于例如OpenCV,对第一图像中包含一个或多个第一目标中的至少一个第一目标的区域进行检测,以获得至少一个第二目标。需要注意的是,以上列举的具体检测方式仅仅是举例而并非是对于本公开的限制。可以根据具体应用和/或需求来选择适合的图像检测方式。比如,可以通过其它检测算法、比如HoG+SVM、DPM等,对第一图像中包含一个或多个第一目标中的至少一个第一目标的区域进行检测,以获得第二目标。
在一个示例性实施例中,在步骤S103和步骤S105中所进行的检测,可以采用相同的方式。比如,均采用基于深度学习的目标检测算法YOLOV3。
在步骤S105中,并没有对于整幅第一图像进行检测,而是有选择地对于第一图像中包含一个或多个第一目标中的至少一个第一目标的区域进行检测。例如,假设第二图像中包括行驶于公路上的车辆、位于公路上的交通信号灯、公路两旁街道上的行人、街道上的报刊亭等各种目标,通过对第二图像进行检测,获知了第二图像中存在车辆、交通信号灯、行人和报刊亭等各种目标。那么,在对于第一图像进行检测时,可以有选择性地仅在第一图像中包含车辆和交通信号灯的区域内进行检测,而对于第一图像中的其它区域不进行图像检测。
由于具有第二分辨率的第二图像是从具有第一分辨率的第一图像得到的,即,两幅图像尽管分辨率不同但所包括的图像内容是基本相同的或至少部分相同的,因此,可以很容易地在第一图像中确定包含一个或多个第一目标中的至少一个第一目标的区域。根据一些实施例,可以通过第一图像与第二图像之间的位置坐标映射关系,来确定第一图像中包含一个或多个第一目标中的至少一个第一目标的区域。例如,可以记录通过检测第二图像而得到的一个或多个第一目标在第二图像中的位置。然后,通过第一图像与第二图像之间的位置坐标映射关系,得到一个或多个第一目标在第一图像中的相应位置,即,一个或多个第一目标在第一图像中所在的区域。之后,确定第一图像中包含一个或多个第一目标中的至少一个第一目标的区域,该区域包括了至少一个第一目标在第一图像中所在的区域。
在如图1所示的根据本公开的示例性实施例的图像检测方法中,首先从分辨率较高的第一图像得到分辨率较低的第二图像,然后对于分辨率较低的第二图像进行检测以得到第一目标,之后再对于分辨率较高的第一图像中包含第一目标的区域而不是整幅第一图像进行检测。通过这种方式,首先对于分辨率较低的图像进行检测得到相对较大的目标,然后根据检测结果对于分辨率较高的图像中的重点区域进行局部检测得到相对较小的目标。由此,能够快速而准确地找到所有感兴趣的目标。
根据一些示例性的实施例,一个或多个第一目标可以具有预定的至少一个类别。对于某些应用而言,可能只需关注某个或某些类别的目标。通过预先确定要检测的目标的类别,有助于减少运算量并提高图像检测的速度。例如,对于交通监控领域来说,在某些情景下,可能关注的是机动车。那么,要检测的目标的类别可以预先确定为机动车。因此,在对第二图像进行检测时,有可能获得类别为机动车的第一目标,而不会获得其它类别的目标,比如行人等。要检测的目标可以具有预定的一个或多个类别。因此,在对于第二图像进行检测时,有可能获得具有预定的一个类别的一个第一目标、具有预定的一个类别的多个第一目标、或者分别具有预定的多个类别的多个第一目标。
根据一些实施例,通过对第一图像中包含一个或多个第一目标中的至少一个第一目标的区域进行检测而获得的至少一个第二目标,可以是与至少一个第一目标相关联的。通过使第一目标和第二目标之间具有关联性,能够更有效率地检测感兴趣的目标。
可以根据具体应用和/或需求来选择第一目标与第二目标之间的关联性。例如,根据一个示例性的实施例,至少一个第二目标可以包括与一个或多个第一目标具有相同或相关类别的目标。例如,假设通过对第二图像进行检测,获知第二图像中存在机动车和行人这两种类别的目标。那么,可以预先确定要在第一图像中检测的目标的类别,使其至少包括机动车和行人这两种类别,由此得到的至少一个第二目标可以包括具有机动车和行人这两种类别的目标。如前所述,对于某些应用而言,可能只需关注某个或某些类别的目标。因此,根据另一个示例性的实施例,一个或多个第一目标可以具有预定的至少一个类别,而至少一个第二目标可以包括其类别与该预定的类别相同或相关的目标。例如,在某些情景下,可能关注的是机动车。那么,要在第二图像中检测的目标的类别可以预先确定为机动车,相应地,要在第一图像中检测的目标的类别也可以预先确定为机动车,由此得到的至少一个第二目标可以包括具有机动车这种类别的目标。第二目标的类别不一定与第一目标的类别相同,而有可能是相关的。例如,假设要在第二图像中检测的目标的类别预先确定为机动车和行人这两种类别,那么,可以预先确定要在第一图像中检测的目标的类别,使其包括机动车以及与机动车相关的交通信号灯这两种类别,但不包括行人这种类别。由此得到的至少一个第二目标可以包括类别为机动车和/或交通信号灯的目标。
第一目标与第二目标之间的关联性也可以通过其它方式实现。例如,根据一个示例性的实施例,至少一个第二目标包括位于距一个或多个第一目标预定距离内的目标。例如,在通过对第二图像进行检测而获得一个或多个第一目标之后,可以在对第一图像中包含一个或多个第一目标中的至少一个第一目标的区域进行检测时,预先设定要检测的目标与第一目标的位置关系,使得可以仅检测距第一目标预定距离内的目标,而不检测距第一目标超过该预定距离的目标,由此得到的至少一个第二目标包括位于距第一目标预定距离内的目标。
图2是示出根据本公开的另一示例性实施例的图像检测方法的流程图。该图像检测方法例如可以包括步骤S201,S203,S205,S207。
在如图2所示的图像检测方法中,步骤S201,S203,S205分别与如图1所示的步骤S101,S103,S105相同,因此,在此不再赘述。
如图2所示的图像检测方法例如还可以包括步骤S207。在步骤S207中,将一个或多个第一目标合并到包括至少一个第二目标的第一图像中,并删除重复检测的目标。
由于具有第二分辨率的第二图像是从具有第一分辨率的第一图像得到的,即,两幅图像尽管分辨率不同但所包括的图像内容是基本相同的或至少部分相同的,因此,可以很容易地将一个或多个第一目标合并到包括至少一个第二目标的第一图像中。根据一些实施例,可以通过第一图像与第二图像之间的位置坐标映射关系,将一个或多个第一目标合并到包括至少一个第二目标的第一图像中。例如,可以记录通过检测第二图像而得到的一个或多个第一目标在第二图像中的位置。然后,通过第一图像与第二图像之间的位置坐标映射关系,将一个或多个第一目标还原到第一图像中的相应位置。通过将一个或多个第一目标合并到包括至少一个第二目标的第一图像而得到的图像中,可能存在重复检测的目标,因为在步骤S205中对于第一图像中包含一个或多个第一目标中的至少一个第一目标的区域所进行的检测实际上是对于该区域的第二次检测。因此,在步骤S207中,可以删除重复检测的目标。
根据一些实施例,删除其间的距离在预定距离范围内且类别相同的两个目标中的一个目标。例如,假设在将一个或多个第一目标合并到包括至少一个第二目标的第一图像而得到的图像中的某一位置附近,存在作为第一目标的行人以及作为第二目标的行人并且作为第一目标的行人与作为第二目标的行人之间的距离小于预定距离,则可以删除作为第一目标的行人或作为第二目标的行人。该预定距离可以根据具体应用和/或实际情况来确定。
在某些应用中可能期望的是,能够检测到各种目标但只需要重点检测其中的某个或某些目标。在这种情况下,通过将对于第二图像进行检测而获得的一个或多个第一目标合并到包括所获得的至少一个第二目标的第一图像中,并删除重复检测的目标,能够在全面检测目标的同时实现对于重点目标的高效检测。例如,某些情景下,需要重点关注机动车和机动车附近的目标、比如交通信号灯,但同时也希望关注街道上的行人。由于第二图像的分辨率低于第一图像的分辨率,因此,在对于第二图像进行检测时,有可能只检测到机动车和行人,而没有检测到机动车附近的目标、比如交通信号灯。由于需要重点关注机动车和机动车附近的目标,因此,在对于具有较高分辨率的第一图像进行检测时,可以只检测第一图像中包含机动车的区域而不检测第一图像中包含行人的区域。通过这种对于较高分辨率的第一图像中的重点区域所进行的检测,有可能得到机动车和机动车附近的交通信号灯。通过将对于第二图像进行检测而获得的机动车和行人合并到包括机动车和交通信号灯的第一图像中,并删除重复检测的机动车,可以得到包括机动车、交通信号灯和行人的图像。
以上已结合图1-2对于根据本公开示例性实施例的图像检测方法进行了描述。下面将结合图3至图7进一步详细描述上述方法中各步骤的示例性实施方式以及其他实施例,需要注意的是,前文中参照图1-2描述的各种定义、实施例、实施方式和例子等也均可适用于之后描述的示例性实施例或与其进行组合。
对于存在于图像中的目标而言,与其相关的信息可能是多种多样的。而在一些情况下,所关注的可能只是某些信息。比如,假设图像中包括行驶于公路上的车辆、位于公路上的交通信号灯、公路两旁街道上的行人、街道上的报刊亭这些目标。尽管这些目标可能具有各种细节,比如外部轮廓、颜色等,但所需的可能只是这些目标的位置和类别。比如,可以通过对图像进行检测,获知图像中包括了类别为车辆、交通信号灯、行人、报刊亭的多个目标,并且这些目标分别位于图像中的不同位置。因此,根据本公开的一些实施例,对第二图像进行检测、以获得一个或多个第一目标的过程可以包括:对第二图像进行检测,以获得一个或多个第一目标中的每一个第一目标的位置和类别。相应地,根据本公开的另一些实施例,对第一图像中包含一个或多个第一目标中的至少一个第一目标的区域进行检测、以获得至少一个第二目标的过程可以包括:对该区域进行检测,以获得至少一个第二目标中的每一个第二目标的位置和类别。可以通过不同方式来表示目标的位置。例如,可以通过该目标的中心在图像中的位置坐标来表示,也可以如以下的图3-7所示,通过该目标的目标框的位置来表示,本公开对此不作限制。
图3是示出根据本公开示例性实施例的对第二图像进行检测、以获得一个或多个第一目标的示意图。
如图3所示,对第二图像进行检测、以获得一个或多个第一目标的过程可以包括:对第二图像300进行检测,以获得一个或多个第一目标中的每一个第一目标的位置以及一个或多个第一目标中的每一个第一目标的类别。如图3所示,每一个第一目标的位置例如可以由该目标的目标框的位置来表示。第二图像300可以是从如后面的图4中所示的具有较高的第一分辨率的第一图像400得到的具有较低分辨率的图像。如前所述,可以通过多种方式对第二图像300进行检测,以获得一个或多个第一目标中的每一个第一目标的位置以及每一个第一目标的类别。例如,可以通过R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN、YOLOV1、YOLOV2、YOLOV3、SSD、DSSD、RFCN或MTCNN等基于深度学习的目标检测算法,借助于例如OpenCV,对第二图像进行检测以获得相应目标的位置以及相应目标的类别。例如,通过对第二图像300进行检测,获得了以下目标的目标框的位置以及类别:
目标301a的目标框301a’的位置以及目标301a的类别,即,行人;
目标301b的目标框301b’的位置以及目标301b的类别,即,行人;
目标301c的目标框301c’的位置以及目标301c的类别,即,行人;
目标301d的目标框301d’的位置以及目标301d的类别,即,行人;
目标303a的目标框303a’的位置以及目标303a的类别,即,机动车;
目标303b的目标框303b’的位置以及目标303b的类别,即,机动车。
每个目标的目标框例如可以是包含相应目标的至少一部分的虚拟外框。该虚拟外框例如可以具有矩形形状,也可以具有其它形状。根据示例性的实施例,每个目标框的位置可以用该目标框的位置坐标来表示。
可以看到,由于第二图像300的分辨率较低,对于第二图像300的检测,没有获得与其它目标相比相对较小的目标301e的位置以及目标301e的类别(即,行人),也没有获得相对较小的目标305a的位置以及目标305a的类别(即,交通信号灯)。此外,通过对第二图像300进行检测而获得的目标301c,实际上在图像中是不同的两个目标,即,不同的两个行人,但却被识别为一个目标301c。
如前所述,根据一些示例性的实施例,一个或多个第一目标可以具有预定的至少一个类别,因为对于某些应用而言,可能只需关注某个或某些类别的目标。通过预先确定要检测的目标的类别,有助于减少运算量并提高图像检测的速度。例如,如图3所示,一个或多个第一目标可以具有预定的类别,比如行人、机动车和交通信号灯,但不具有某些其它类别,比如建筑物。因此,对于第二图像300的检测,没有获得第二图像300中的目标307的目标框的位置和其类别、即建筑物。
图4是示出根据本公开示例性实施例的对第一图像中包含一个或多个第一目标中的至少一个第一目标的区域进行检测、以获得至少一个第二目标的示意图。
如图4所示,对第一图像中包含一个或多个第一目标中的至少一个第一目标的区域进行检测、以获得至少一个第二目标的过程可以包括:对第一图像400中包含一个或多个第一目标中的至少一个第一目标的区域450进行检测,以获得至少一个第二目标中的每一个第二目标的位置以及至少一个第二目标中的每一个第二目标的类别。如图4所示,每一个第二目标的位置例如可以由该目标的目标框的位置来表示。
根据一些示例性实施例,第一图像中包含一个或多个第一目标中的至少一个第一目标的区域包括第一图像中与每一个第一目标的目标框相对应的区域。例如,如图4所示,第一图像400中包含一个或多个第一目标中的至少一个第一目标的区域450包括第一图像400中与每一个第一目标的目标框相对应的区域。
可以通过多种方式来得到第二图像400中的区域450。根据一个示例性实施例,通过对第二图像300进行检测,可以得到每一个第一目标的目标框在图像300中的位置坐标。然后,通过分别确定在水平和竖直方向上最外侧的目标框的位置坐标,可以得到包括每一个第一目标的目标框的区域350。区域350例如可以是包括每一个第一目标的目标框的矩形连通区域,如图3中所示,其通过目标框301a’的位置坐标、目标框301c’的位置坐标、目标框303b’的位置坐标和目标框301d’的位置坐标而得到。由于具有第二分辨率的第二图像300是从具有第一分辨率的第一图像400得到的,即,两幅图像尽管分辨率不同但所包括的图像内容是基本相同的或至少部分相同,因此,可以很容易地在第一图像400中确定与第二图像300中的区域350相对应的区域450。例如,可以通过第一图像400与第二图像300之间的位置坐标映射关系,来确定区域450。根据一个示例性实施例,也可以先通过第一图像400与第二图像300之间的位置坐标映射关系,从每一个第一目标的目标框在第二图像300中的位置坐标得到每一个第一目标的目标框在第一图像400中的相应位置坐标,然后再通过分别确定在第一图像400中水平和竖直方向上最外侧的目标框的位置坐标,得到区域450。需要注意的是,由于不同的目标检测算法可能对于低分辨率图像和高分辨率图像具有检测差异性,所以第一图像400中的区域450的位置坐标不一定与通过对第一图像400进行检测而得到的最外侧的目标框的位置坐标完全重合。
需要注意的是,尽管在图3和图4中所示出的区域350和450为包括与相应目标的目标框相对应的区域的矩形连通区域,但这仅仅是示例性的,而并非是对本公开的限制。区域350和450也可以是包括与相应目标相对应的区域的非连通区域,或者是其它形状的连通区域。例如,区域350和450可以是包围相应目标的凸包区域而非矩形区域,该凸包区域例如可以通过相应目标的位置坐标来确定。
如前所述,可以通过多种方式对第一图像400进行检测,以获得一个或多个第二目标中的每一个第二目标的位置以及每一个第二目标的类别。例如,可以通过R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN、YOLOV1、YOLOV2、YOLOV3、SSD、DSSD、RFCN或MTCNN等基于深度学习的目标检测算法,借助于例如OpenCV,对第一图像进行检测以获得相应目标的位置以及相应目标的类别。例如,通过对第一图像400进行检测,获得了以下目标的目标框的位置以及类别:
目标401a的目标框401a’的位置以及目标401a的类别,即,行人;
目标401b的目标框401b’的位置以及目标401b的类别,即,行人;
目标401c的目标框401c’的位置以及目标401c的类别,即,行人;
目标401d的目标框401d’的位置以及目标401d的类别,即,行人;
目标401e的目标框401e’的位置以及目标401e的类别,即,行人;
目标401f的目标框401f’的位置以及目标401f的类别,即,行人;
目标403a的目标框403a’的位置以及目标403a的类别,即,机动车;
目标403b的目标框403b’的位置以及目标403b的类别,即,机动车;
目标405a的目标框405a’的位置以及目标405a的类别,即,交通信号灯。
与图3类似,每个目标的目标框例如可以是包含相应目标的至少一部分的虚拟外框。该虚拟外框例如可以具有矩形形状,也可以具有其它形状。根据示例性的实施例,每个目标框的位置可以用该目标框的位置坐标来表示。
可以看到,由于第一图像400的分辨率较高,对于第一图像400的检测,能够获得与其它目标相比相对较小的目标401f的位置以及目标401f的类别(即,行人),以及相对较小的目标405a的位置以及目标405a的类别(即,交通信号灯)。此外,通过对第二图像300进行检测而获得的一个目标301c,在对于第一图像400进行的检测中,被正确地识别为不同的两个目标401c和401d,即,不同的两个行人。
如图3和图4所示,在根据本公开的示例性实施例的图像检测方法中,对于分辨率较低的第二图像300进行检测以得到第一目标,之后再对于分辨率较高的第一图像400中包含第一目标的区域而不是整幅第一图像进行检测。通过这种方式,首先对于分辨率较低的图像进行检测,然后根据检测结果对于分辨率较高的图像中的重点区域进行局部检测。由此,避免了对于整幅分辨率较高的图像中的非关注区域、比如背景区域所进行的无效检测,能够快速而准确地找到感兴趣的目标。
图5是示出根据本公开另一示例性实施例的对第二图像进行检测、以获得一个或多个第一目标的示意图。
如图5所示,对第二图像进行检测、以获得一个或多个第一目标的过程可以包括:对第二图像500进行检测,以获得一个或多个第一目标中的每一个第一目标的位置以及一个或多个第一目标中的每一个第一目标的类别。如图5所示,每一个目标的位置例如可以由该目标的目标框的位置来表示。第二图像500可以是从如后面的图6中所示的具有较高的第一分辨率的第一图像600得到的具有较低分辨率的图像。如前所述,可以通过多种方式对第二图像500进行检测。通过对第二图像500进行检测,获得了以下目标的目标框的位置以及类别:
目标501a的目标框501a’的位置以及目标501a的类别,即,行人;
目标501b的目标框501b’的位置以及目标501b的类别,即,行人;
目标501c的目标框501c’的位置以及目标501c的类别,即,行人;
目标503a的目标框503a’的位置以及目标503a的类别,即,机动车;
目标503b的目标框503b’的位置以及目标503b的类别,即,机动车;
目标507a的目标框507a’的位置以及目标507a的类别,即,拉杆箱。
如前所述,每个目标的目标框例如可以是包含相应目标的至少一部分的虚拟外框。该虚拟外框例如可以具有矩形形状,也可以具有其它形状。根据示例性的实施例,每个目标框的位置可以用该目标框的位置坐标来表示。
可以看到,由于第二图像500的分辨率较低,对于第二图像500的检测,没有获得与其它目标相比相对较小的目标509a的位置以及目标509a的类别,即,背包。
图6是示出根据本公开另一示例性实施例对第一图像中包含一个或多个第一目标中的至少一个第一目标的区域进行检测、以获得至少一个第二目标的示意图。
如图6所示,对第一图像中包含一个或多个第一目标中的至少一个第一目标的区域进行检测、以获得至少一个第二目标的过程可以包括:对第一图像600中包含一个或多个第一目标中的至少一个第一目标的区域650进行检测,以获得至少一个第二目标中的每一个第二目标的位置以及至少一个第二目标中的每一个第二目标的类别。如图6所示,每一个目标的位置例如可以由该目标的目标框的位置来表示。
根据一些示例性实施例,第一图像中包含一个或多个第一目标中的至少一个第一目标的区域可以包括第一图像中与一个或多个第一目标中满足预定条件的目标的目标框相对应的区域。例如,在某些应用中,更为关注的可能是行人以及与行人相关的目标,比如背包、手提包、拉杆箱、帽子、危险物品等。在这种情况下,可以仅在第一图像中对于与类别为行人的第一目标以及其类别与行人相关的第一目标相对应的区域进行检测。例如,如图5和图6所示,尽管通过对于第二图像500进行检测而得到类别分别为机动车、行人和拉杆箱的多个第一目标,但第一图像600中包含一个或多个第一目标中的至少一个第一目标的区域650可以包括第一图像600中与类别为行人的第一目标的目标框以及类别为拉杆箱的第一目标的目标框相对应的区域。也就是说,第一图像600中的区域650可以包括第一图像600中与类别为行人和拉杆箱的目标的目标框相对应的区域。因此,通过对第一图像600进行检测,获得了以下目标的目标框的位置以及类别:
目标601a的目标框601a’的位置以及目标601a的类别,即,行人;
目标601b的目标框601b’的位置以及目标601b的类别,即,行人;
目标601c的目标框601c’的位置以及目标601c的类别,即,行人;
目标607a的目标框607a’的位置以及目标607a的类别,即,拉杆箱;
目标609a的目标框609a’的位置以及目标609a的类别,即,背包。
如前所述,每个目标的目标框例如可以是包含相应目标的至少一部分的虚拟外框。该虚拟外框例如可以具有矩形形状,也可以具有其它形状。根据示例性的实施例,每个目标框的位置可以用该目标框的位置坐标来表示。
如之前所述,可以通过多种方式来得到第二图像500中的区域550和第一图像600中的区域650。此外,尽管在图5和图6中所示出的区域550和650为包括与相应目标的目标框相对应的区域的矩形连通区域,但这仅仅是示例性的,而并非是对本公开的限制。区域550和650也可以是包括与相应目标相对应的区域的非连通区域,或者是其它形状的连通区域。例如,区域550和650可以是包围相应目标的凸包区域而非矩形区域,该凸包区域例如可以通过相应目标的位置坐标来确定。
可以看到,由于第一图像600的分辨率较高,对于第一图像600的检测,能够获得与其它目标相比相对较小的目标609a的位置以及目标609a的类别,即,背包。
一个或多个第一目标中的相应目标所满足的预定条件不限于预定的目标类别,而是还可以包括例如第二图像中预定的位置范围。例如,对于某些安装在固定位置且拍摄角度固定的摄像头而言,所重点关注的可能是出现在道路上的目标。那么,可以将预定条件设置为第二图像中的道路所在的位置范围以及距道路一定距离内的位置范围。在这种情况下,第一图像中包含一个或多个第一目标中的至少一个第一目标的区域包括第一图像中与位于第二图像中预定的位置范围内的第一目标的目标框相对应的区域。当然,也可以使预定条件包括第二图像中预定的位置范围和预定的目标类别这两者,即,第一图像中包含一个或多个第一目标中的至少一个第一目标的区域包括第一图像中与位于第二图像中预定的位置范围内且具有预定的目标类别的第一目标的目标框相对应的区域。需要注意的是,以上描述的预定条件仅仅是示例性的,而非是对本公开的限制。可以根据具体应用和/或需要,来选择其它的预定条件。
图7是示出根据本公开示例性实施例的将一个或多个第一目标合并到包括至少一个第二目标的第一图像中、并删除重复检测的目标的示意图。
在通过对第二图像进行检测以获得一个或多个第一目标的类别和位置、以及通过对第一图像进行检测以获得至少一个第二目标的类别和位置之后,可以对这两次图像检测的结果进行合并,并删除重复检测的目标。例如,可以将通过对如图5所示的第二图像500进行检测以获得的多个第一目标的类别和位置信息以及通过对第一图像600进行检测以获得的多个第二目标的类别和位置信息进行合并,并删除重复检测的目标,从而得到如图7所示的图像700。可以看到,图像700包括以下目标的目标框的位置以及类别:
目标701a的目标框701a’的位置以及目标701a的类别,即,行人;
目标701b的目标框701b’的位置以及目标701b的类别,即,行人;
目标701c的目标框701c’的位置以及目标701c的类别,即,行人;
目标703a的目标框703a’的位置以及目标703a的类别,即,机动车;
目标703b的目标框703b’的位置以及目标703b的类别,即,机动车;
目标707a的目标框707a’的位置以及目标707a的类别,即,拉杆箱;
目标709a的目标框709a’的位置以及目标709a的类别,即,背包。
根据一些实施例,删除重复检测的目标可以包括删除其间的距离位于预定距离范围内且类别相同的两个目标中的一个目标。例如,在将通过对如图5所示的第二图像500进行检测的结果与通过对如图6所示的第一图像600进行检测的结果进行合并之后,会出现重复检测的行人目标501a的目标框501a’、重复检测的行人目标501b的目标框501b’、重复检测的行人目标501c的目标框501c’以及重复检测的拉杆箱目标507a的目标框507a’。可以通过判断出这些目标的目标框与相应的第二目标的目标框之间的距离小于预定距离、且这些目标的类别与相应的第二目标的类别相同,而删除这些目标的目标框或相应的第二目标的目标框。根据另一些实施例,可以通过利用IoU(Intersection over Union)相关技术,来删除重复检测的目标。IoU计算两个区域之交的面积与这两个区域之并的比,其表征了两个区域的重合程度。通过利用IoU相关技术,可以判断出位于图像中某一位置范围内的多个重复目标的重合程度并删除相应的目标。
本公开的一个方面可包括一种图像检测设备,包括:传感器(例如摄像头、照相机等),被配置为获取前述的图像;以及处理器芯片电路,所述处理器芯片电路被配置为执行根据前述任何方法的步骤的电路单元。根据一些实施例,所述处理器芯片电路还可以包括对图像进行检测以获得对应目标的电路单元。
图像检测设备也可通过软件方式实现,其可包括处理器;以及存储程序的存储器,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行前述任何方法。根据一些实施例,所述程序还可以包括在由所述处理器执行时对图像进行检测以获得对应目标的指令。
本公开的另一个方面可包括存储程序的计算机可读存储介质,所述程序包括指令,所述指令在由电子设备的处理器执行时,致使所述电子设备执行前述任何方法。
参照图8,现将描述计算设备2000,其是可以应用于本公开的各方面的硬件设备的示例。计算设备2000可以是被配置为执行处理和/或计算的任何机器,可以是但不限于工作站、服务器、台式计算机、膝上型计算机、平板计算机、个人数字助理、智能电话、车载计算机或其任何组合。上述的图像检测设备可以全部或至少部分地由计算设备2000或类似设备或系统实现。
计算设备2000可以包括(可能经由一个或多个接口)与总线2002连接或与总线2002通信的元件。例如,计算设备2000可以包括总线2002、一个或多个处理器2004(其可以用于实施前述的图像检测设备所包含的处理器)、一个或多个输入设备2006以及一个或多个输出设备2008。一个或多个处理器2004可以是任何类型的处理器,并且可以包括但不限于一个或多个通用处理器和/或一个或多个专用处理器(例如特殊处理芯片)。输入设备2006可以是能向计算设备2000输入信息的任何类型的设备,并且可以包括但不限于传感器(例如前文所述的获取图像的传感器,例如摄像头、摄像机或照相机)、鼠标、键盘、触摸屏和/或遥控器。输出设备2008可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。计算设备2000还可以包括非暂时性存储设备2010或者与非暂时性存储设备2010连接,所述非暂时性存储设备(例如可以用于实施前文所述的计算机可读存储介质)可以是非暂时性的并且可以实现数据存储的任何存储设备,并且可以包括但不限于磁盘驱动器、光学存储设备、固态存储器、软盘、柔性盘、硬盘、磁带或任何其他磁介质,光盘或任何其他光学介质、ROM(只读存储器)、RAM(随机存取存储器)、高速缓冲存储器和/或任何其他存储器芯片或盒、和/或计算机可从其读取数据、指令和/或代码的任何其他介质。非暂时性存储设备2010可以从接口拆卸。非暂时性存储设备2010可以具有用于实现上述方法和步骤的数据/程序(包括指令)/代码。计算设备2000还可以包括通信设备2012。通信设备2012可以是使得能够与外部设备和/或与网络通信的任何类型的设备或系统,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信设备和/或芯片组,例如蓝牙设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算设备2000还可以包括工作存储器2014(其可以用于实施前述的图像检测设备所包含的存储器),其可以是可以存储对处理器2004的工作有用的程序(包括指令)和/或数据的任何类型的工作存储器,并且可以包括但不限于随机存取存储器和/或只读存储器设备。
软件要素(程序)可以位于工作存储器2014中,包括但不限于操作系统2016、一个或多个应用程序2018、驱动程序和/或其他数据和代码。用于执行上述方法和步骤的指令可以被包括在一个或多个应用程序2018中。软件要素(程序)的指令的可执行代码或源代码可以存储在非暂时性计算机可读存储介质(例如上述存储设备2010)中,并且在执行时可以被存入工作存储器2014中(可能被编译和/或安装)。软件要素(程序)的指令的可执行代码或源代码也可以从远程位置下载。
在将图8所示的计算设备2000应用于本公开的实施方式时,存储器2014可以存储用于执行本公开的流程图的程序代码和/或待识别的图像,其中应用2018中可以包括由第三方提供的图像检测应用。输入设备2006可以是传感器,例如摄像头、摄像机或照相机,其用于获取图像信息。其中所存储的图像或者所获取的图像可以被图像检测应用处理为一个或多个目标及其位置和类别的输出结果。输出设备2008例如是显示器,其中处理器2004用于根据存储器2014中的程序代码来执行根据本公开的各方面的方法步骤。
还应该理解,可以根据具体要求而进行各种变型。例如,也可以使用定制硬件,和/或可以用硬件、软件、固件、中间件、微代码,硬件描述语言或其任何组合来实现特定元件(例如上述的处理器芯片电路)。例如,所公开的方法和设备中的一些或全部(例如上述的处理器芯片电路中的各个电路单元)可以通过使用根据本公开的逻辑和算法,用汇编语言或硬件编程语言(诸如VERILOG,VHDL,C++)对硬件(例如,包括现场可编程门阵列(FPGA)和/或可编程逻辑阵列(PLA)的可编程逻辑电路)进行编程来实现。
还应该理解,计算设备2000的组件可以分布在网络上。例如,可以使用一个处理器执行一些处理,而同时可以由远离该一个处理器的另一个处理器执行其他处理。计算系统2000的其他组件也可以类似地分布。这样,计算设备2000可以被解释为在多个位置执行处理的分布式计算系统。
以下描述本公开的一些示例性方面。
方面1.一种图像检测方法,包括:
从具有第一分辨率的第一图像得到具有低于第一分辨率的第二分辨率的第二图像;
对所述第二图像进行检测,以获得一个或多个第一目标;
对所述第一图像中包含所述一个或多个第一目标中的至少一个第一目标的区域进行检测,以获得至少一个第二目标。
方面2.根据方面1所述的图像检测方法,其中,所述一个或多个第一目标具有预定的至少一个类别。
方面3.根据方面1或2所述的图像检测方法,其中,所述至少一个第二目标包括与所述一个或多个第一目标具有相同或相关类别的目标。
方面4.根据方面1所述的图像检测方法,其中,所述至少一个第二目标包括位于距所述一个或多个第一目标预定距离内的目标。
方面5.根据方面1所述的图像检测方法,其中,对所述第二图像进行检测、以获得一个或多个第一目标包括:
对所述第二图像进行检测,以获得所述一个或多个第一目标中的每一个第一目标的位置和类别。
方面6.根据方面5所述的图像检测方法,其中,所述一个或多个第一目标中的每一个第一目标的位置由该目标的目标框的位置来表示。
方面7.根据方面6所述的图像检测方法,其中,所述第一图像中包含所述一个或多个第一目标中的至少一个第一目标的区域包括所述第一图像中与每一个第一目标的目标框相对应的区域。
方面8.根据方面6所述的图像检测方法,其中,所述第一图像中包含所述一个或多个第一目标中的至少一个第一目标的区域包括所述第一图像中与所述一个或多个第一目标中满足预定条件的目标的目标框相对应的区域。
方面9.根据方面8所述的图像检测方法,其中,所述预定条件包括所述第二图像中预定的位置范围和预定的目标类别中的至少一个。
方面10.根据方面1所述的图像检测方法,其中,对所述第一图像中包含所述一个或多个第一目标中的至少一个第一目标的区域进行检测、以获得至少一个第二目标包括:
对所述区域进行检测,以获得所述至少一个第二目标中的每一个第二目标的位置和类别。
方面11.根据方面10所述的图像检测方法,其中,所述至少一个第二目标中的每一个第二目标的位置由该目标的目标框的位置来表示。
方面12.根据方面1所述的图像检测方法,还包括:
在获得至少一个第二目标之后,将所述一个或多个第一目标合并到包括所述至少一个第二目标的第一图像中,并删除重复检测的目标。
方面13.根据方面12所述的图像检测方法,其中,删除重复检测的目标包括:删除其间的距离位于预定距离范围内且类别相同的两个目标中的一个目标。
方面14.根据方面1所述的图像检测方法,其中,从具有第一分辨率的第一图像得到具有低于第一分辨率的第二分辨率的第二图像包括:
选取所述第一图像的一部分;
通过调整所述第一图像的所选取部分的分辨率而得到具有所述第二分辨率的所述第二图像。
方面15.一种处理器芯片电路,包括:
被配置为执行根据方面1-14中任一项所述的方法的步骤的电路单元。
方面16.一种图像检测设备,包括:
传感器,被配置为获取图像;以及
如方面15所述的处理器芯片电路。
方面17.一种图像检测设备,包括:
处理器;以及
存储程序的存储器,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行根据方面1-14中任一项所述的方法。
方面18.一种存储程序的计算机可读存储介质,所述程序包括指令,所述指令在由电子设备的处理器执行时,致使所述电子设备执行根据方面1-14中任一项所述的方法。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (10)
1.一种图像检测方法,包括:
从具有第一分辨率的第一图像得到具有低于第一分辨率的第二分辨率的第二图像;
对所述第二图像进行检测,以获得一个或多个第一目标;
对所述第一图像中包含所述一个或多个第一目标中的至少一个第一目标的区域进行检测,以获得至少一个第二目标。
2.根据权利要求1所述的图像检测方法,其中,对所述第二图像进行检测、以获得一个或多个第一目标包括:
对所述第二图像进行检测,以获得所述一个或多个第一目标中的每一个第一目标的位置和类别。
3.根据权利要求2所述的图像检测方法,其中,所述一个或多个第一目标中的每一个第一目标的位置由该目标的目标框的位置来表示。
4.根据权利要求3所述的图像检测方法,其中,所述第一图像中包含所述一个或多个第一目标中的至少一个第一目标的区域包括所述第一图像中与每一个第一目标的目标框相对应的区域。
5.根据权利要求3所述的图像检测方法,其中,所述第一图像中包含所述一个或多个第一目标中的至少一个第一目标的区域包括所述第一图像中与所述一个或多个第一目标中满足预定条件的目标的目标框相对应的区域。
6.根据权利要求5所述的图像检测方法,其中,所述预定条件包括所述第二图像中预定的位置范围和预定的目标类别中的至少一个。
7.根据权利要求1所述的图像检测方法,其中,对所述第一图像中包含所述一个或多个第一目标中的至少一个第一目标的区域进行检测、以获得至少一个第二目标包括:
对所述区域进行检测,以获得所述至少一个第二目标中的每一个第二目标的位置和类别。
8.根据权利要求7所述的图像检测方法,其中,所述至少一个第二目标中的每一个第二目标的位置由该目标的目标框的位置来表示。
9.一种图像检测设备,包括:
处理器;以及
存储程序的存储器,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行根据权利要求1-8中任一项所述的方法。
10.一种存储程序的计算机可读存储介质,所述程序包括指令,所述指令在由电子设备的处理器执行时,致使所述电子设备执行根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910643789.5A CN112241656A (zh) | 2019-07-17 | 2019-07-17 | 图像检测方法和设备、处理器芯片电路以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910643789.5A CN112241656A (zh) | 2019-07-17 | 2019-07-17 | 图像检测方法和设备、处理器芯片电路以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112241656A true CN112241656A (zh) | 2021-01-19 |
Family
ID=74167247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910643789.5A Pending CN112241656A (zh) | 2019-07-17 | 2019-07-17 | 图像检测方法和设备、处理器芯片电路以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112241656A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818965A (zh) * | 2021-04-16 | 2021-05-18 | 武汉光谷信息技术股份有限公司 | 多尺度影像目标检测方法、系统、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156978A (zh) * | 2010-12-24 | 2011-08-17 | 辽宁科锐科技有限公司 | 基于机器视觉的工业器件快速定位方法 |
CN103400156A (zh) * | 2013-07-04 | 2013-11-20 | 西安电子科技大学 | 基于cfar和稀疏表示的高分辨sar图像舰船检测方法 |
CN104156960A (zh) * | 2014-08-11 | 2014-11-19 | 东南大学 | 一种全自动ct图像肾脏分割方法 |
CN106056084A (zh) * | 2016-06-01 | 2016-10-26 | 北方工业大学 | 一种多分辨层次化筛选的遥感图像港口船舶检测方法 |
CN106791710A (zh) * | 2017-02-10 | 2017-05-31 | 北京地平线信息技术有限公司 | 目标检测方法、装置和电子设备 |
CN109948415A (zh) * | 2018-12-30 | 2019-06-28 | 中国科学院软件研究所 | 基于背景过滤和尺度预测的光学遥感图像目标检测方法 |
-
2019
- 2019-07-17 CN CN201910643789.5A patent/CN112241656A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156978A (zh) * | 2010-12-24 | 2011-08-17 | 辽宁科锐科技有限公司 | 基于机器视觉的工业器件快速定位方法 |
CN103400156A (zh) * | 2013-07-04 | 2013-11-20 | 西安电子科技大学 | 基于cfar和稀疏表示的高分辨sar图像舰船检测方法 |
CN104156960A (zh) * | 2014-08-11 | 2014-11-19 | 东南大学 | 一种全自动ct图像肾脏分割方法 |
CN106056084A (zh) * | 2016-06-01 | 2016-10-26 | 北方工业大学 | 一种多分辨层次化筛选的遥感图像港口船舶检测方法 |
CN106791710A (zh) * | 2017-02-10 | 2017-05-31 | 北京地平线信息技术有限公司 | 目标检测方法、装置和电子设备 |
CN109948415A (zh) * | 2018-12-30 | 2019-06-28 | 中国科学院软件研究所 | 基于背景过滤和尺度预测的光学遥感图像目标检测方法 |
Non-Patent Citations (1)
Title |
---|
MINGFEI GAO等: "Dynamic Zoom-in Network for Fast Object Detection in Large Images", 《IEEE》, 31 December 2018 (2018-12-31) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818965A (zh) * | 2021-04-16 | 2021-05-18 | 武汉光谷信息技术股份有限公司 | 多尺度影像目标检测方法、系统、电子设备及存储介质 |
CN112818965B (zh) * | 2021-04-16 | 2021-07-30 | 武汉光谷信息技术股份有限公司 | 多尺度影像目标检测方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112287960B (zh) | 用于训练或再训练机器学习模型的地面真值数据的自动生成 | |
US11816585B2 (en) | Machine learning models operating at different frequencies for autonomous vehicles | |
US20220343138A1 (en) | Analysis of objects of interest in sensor data using deep neural networks | |
US9405974B2 (en) | System and method for using apparent size and orientation of an object to improve video-based tracking in regularized environments | |
US20200372265A1 (en) | Advanced driver assist system, method of calibrating the same, and method of detecting object in the same | |
US10867390B2 (en) | Computer vision processing | |
KR101530255B1 (ko) | 객체 자동 추적 장치가 구비된 cctv 시스템 | |
US20200145623A1 (en) | Method and System for Initiating a Video Stream | |
US11436839B2 (en) | Systems and methods of detecting moving obstacles | |
KR102387357B1 (ko) | 바운딩 박스를 시공간상으로 매칭하여 영상 내 객체를 검출하는 방법 및 장치 | |
WO2022012642A1 (en) | System and method for 3d object detection and tracking with monocular surveillance cameras | |
Weimer et al. | Gpu architecture for stationary multisensor pedestrian detection at smart intersections | |
WO2020115571A1 (en) | A system and method for video compression using key frames and sums of absolute differences | |
CN112241656A (zh) | 图像检测方法和设备、处理器芯片电路以及存储介质 | |
EP3044734B1 (en) | Isotropic feature matching | |
CN114821544B (zh) | 感知信息生成方法、装置、车辆、电子设备及存储介质 | |
Pȩszor et al. | Optical flow for collision avoidance in autonomous cars | |
WO2019045586A1 (ru) | Способ мониторинга движущихся объектов | |
US11227166B2 (en) | Method and device for evaluating images, operating assistance method, and operating device | |
CN113408325A (zh) | 车辆周围环境的识别方法、装置及相关设备 | |
US20220180107A1 (en) | Method and sysytem for real time object detection | |
WO2022226989A1 (en) | System and method for obstacle-free driving | |
US20220261577A1 (en) | Method and apparatus for reidentification | |
US20220156962A1 (en) | System and method for generating basic information for positioning and self-positioning determination device | |
Luo et al. | Enhanced YOLOv5s+ DeepSORT method for highway vehicle speed detection and multi-sensor verification |
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 |