CN112465691A - 图像处理方法、装置、电子设备和计算机可读介质 - Google Patents
图像处理方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN112465691A CN112465691A CN202011341194.3A CN202011341194A CN112465691A CN 112465691 A CN112465691 A CN 112465691A CN 202011341194 A CN202011341194 A CN 202011341194A CN 112465691 A CN112465691 A CN 112465691A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- detection
- post
- processing
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 31
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 136
- 238000012805 post-processing Methods 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 29
- 239000000872 buffer Substances 0.000 claims description 79
- 238000007781 pre-processing Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 12
- 238000000605 extraction Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 210000000746 body region Anatomy 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/60—Memory management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了图像处理方法、装置、电子设备和计算机可读介质。该方法的实施例包括:对待测图像进行目标检测,得到检测目标的类别和检测框;调用目标芯片对检测框内的图像进行预处理,并将预处理后的图像存储至该类别对应的存储空间;将该存储空间中的图像分别发送至用于对该类别的检测目标进行后处理的各个后处理模型。该实施方式降低了图像处理过程中硬件的计算压力。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及图像处理方法、装置、电子设备和计算机可读介质。
背景技术
在目标跟踪场景中,通常需要对多个目标进行检测,并针对每一个目标的检测结果,使用多个模型对该检测结果进一步处理。例如,在安防场景中,需要检测人脸、人体、机动车、非机动车、机动车牌、非机动车牌等多个目标。针对每一个目标,需要使用质量模型计算其质量得分、使用特征处理模型对其进行进一步分析等。
现有技术中,每一个模型集成有图像的预处理算法和后处理算法,在使用每一个模型对检测结果进一步处理时,首先对图像进行预处理,而后进行卷积、池化等后处理计算。然而,针对人工智能计算设备(如Atlas设备),图像的预处理算法是由数字视觉预处理芯片执行,由于芯片单位时间执行的图像操作次数有限,因而在高密度目标跟踪场景下,易出现图像的预处理次数超出硬件限制的情况,导致硬件的计算压力较大。
发明内容
本申请实施例提出了图像处理方法、装置、电子设备和计算机可读介质,以解决现有技术中因图像的预处理次数超出硬件限制导致硬件的计算压力较大的技术问题。
第一方面,本申请实施例提供了一种图像处理方法,该方法包括:对待测图像进行目标检测,得到检测目标的类别和检测框;调用目标芯片对所述检测框内的图像进行预处理,并将预处理后的图像存储至所述类别对应的存储空间;将所述存储空间中的图像分别发送至用于对所述类别的检测目标进行后处理的各个后处理模型。
第二方面,本申请实施例提供了一种图像处理装置,该装置包括:目标检测单元,被配置成对所采集的图像进行目标检测,得到检测目标的类别和检测框;预处理单元,被配置成调用目标芯片对所述检测框内的图像进行预处理,并将预处理后的图像存储至所述类别对应的存储空间;后处理单元,被配置成将所述存储空间中的图像分别发送至用于对所述类别的检测目标进行后处理的各个后处理模型。
第三方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面中所描述的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面中所描述的方法。
本申请实施例提供的图像处理方法、装置、电子设备和计算机可读介质,通过对待测图像进行目标检测以得到检测目标的类别和检测,而后调用目标芯片对检测框内的图像进行预处理,并将预处理后的图像存储至该类别对应的存储空间,最后将存储空间中的图像分别发送至用于对该类别的检测目标进行后处理的各个后处理模型,以使各个后处理模型对预处理后的图像进行进一步后处理,从而,能够借助于存储空间,使作用于同类检测目标的多个后处理模型共享同一预处理后的图像,无需针对不同模型分别执行不同的预处理操作,降低了图像的预处理次数,从而降低了硬件的计算压力。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是根据本申请的图像处理方法的一个实施例的流程图;
图2是根据本申请的图像处理方法的存储空间的示意图;
图3是根据本申请的图像处理方法的图像处理过程的示意图;
图4是根据本申请的图像处理装置的一个实施例的结构示意图;
图5是用于实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
请参考图1,其示出了根据本申请的图像处理方法的一个实施例的流程100。该图像处理方法可应用于各种电子设备,如服务器、人工智能计算设备(如Atlas设备)等。该图像处理方法,包括以下步骤:
步骤101,对待测图像进行目标检测,得到检测目标的类别和检测框。
在本实施例中,图像处理方法的执行主体可以首先获取待测图像,而后对待测图像进行目标检测,从而得到检测目标的类别和检测框。其中,目标检测(Object Detection)是一种识别图像中的检测目标并对各检测目标进行定位(确定检测框)的技术。通过对待测图像进行目标检测,可以得到检测目标在图像中的位置(可表现为检测框)以及各个检测框中的检测目标的类别。
此处,待测图像可以是任一待进行目标检测或者目标跟踪的图像。例如,在安防场景中,待测图像可以是图像采集装置(如摄像头等)实时采集到的图像。
此处,检测目标可以根据检测需求而预先设定。检测目标既可以是单目标(如人脸)、也可以是多目标(如人体、车、人脸)。例如,在安防场景中,检测目标可以包括但不限于人脸、人体、机动车、非机动车、机动车牌、非机动车牌等。
在本实施例中,上述执行主体可以借助于各种目标检测模型对待测图像进行目标检测。作为示例,目标检测模型可以包括但不限于FCOS(Fully Convolutional One-StageObject Detection,单阶段的全卷积目标检测网络)、Faster R-CNN模型、SSD(Single ShotMultiBox Detector)模型和YOLO(You Only Look Once)模型等。此处对所使用的目标检测模型不作具体限定。
步骤102,调用目标芯片对检测框内的图像进行预处理,并将预处理后的图像存储至上述类别对应的存储空间。
在本实施例中,上述执行主体可以首先调用目标芯片对检测框内的图像进行预处理。其中,目标芯片可以是用于进行图像预处理的芯片,例如人工智能计算设备(如Atlas设备)的数字视觉预处理(Digital Vision Preprocessing,DVPP)芯片等。预处理可以包括但不限于以下至少一项:裁剪(如抠图)、尺寸调整(如缩放、拉抻)等。针对不同类别的检测目标,预处理操作可以相同或不同。
作为示例,若检测目标包括人脸、人体、机动车、非机动车、机动车牌和非机动车牌,则对待测图像进行目标检测后可以分别得到人脸检测框、人体检测框、机动车检测框、非机动车检测框、机动车牌检测框和非机动车牌检测框中的一种或多种。对于各类检测框,可以首先执行抠图操作,从待测图像中抠出检测框中的图像;而后可以对抠出的图像进行尺寸调整,得到目标尺寸的图像。其中,针对不同类型的检测目标,图像调整的目标尺寸可以不同。例如,对于人脸,可将抠出的人脸区域图像调整至128×128大小;对于机动车,可将抠出的机动车区域图像调整至176×176大小。
在本实施例中,在对检测框内的图像进行预处理后,上述执行主体可以将预处理后的图像存储至检测目标的类别对应的存储空间。其中,不同类别的检测目标可对应不同的存储空间。此处的存储空间具体可以指内存空间,从而便于快速进行图像数据的读写。
在本实施例的一些可选的实现方式中,上述存储空间可以包括连续的多个缓冲区(buffer)。作为示例,图2是根据本申请的图像处理方法的存储空间的示意图。如图2所示,存储空间包括连续的N个缓冲区,地址依次为idx:0、idx:1、idx:2、……、idx:N-1。上述执行主体可以从上述多个缓冲区中选取目标缓冲区,从而将预处理后所得到的图像存储至该目标缓冲区。其中,目标缓冲区可以是上述多个缓冲区中的任一尚未存储数据的缓冲区,上述执行主体可以从上述多个缓冲区中随机选取一个尚未存储数据的缓冲区作为目标缓冲区。
需要说明的是,当存在多个检测目标时,每一类别的检测目标对应的存储空间均可以包含连续的多个缓冲区。针对每一类别的检测目标,上述执行主体可以从该类别对应的存储空间中选取目标缓冲区,以将针对该类别的检测目标的预处理结果(即预处理后的图像)存储于所选取的目标缓冲区。
在本实施例的一些可选的实现方式中,在将预处理后的图像存储至目标缓冲区之后,上述执行主体还可以记录上述目标缓冲区的标识。不同的缓冲区可以具有不同的标识。作为示例,缓冲区的标识可以指示在上述连续的多个缓冲区中的次序。例如,共有N(N为正整数,如736)个连续的缓冲区,则各缓冲区的标识可以依次为0、1、2、3、……、N-1。由此,目标缓冲区的标识可用于指示目标缓冲区在上述多个缓冲区中的次序。
步骤103,将存储空间中的图像分别发送至用于对上述类别的检测目标进行后处理的各个后处理模型。
在本实施例中,针对每一类别的检测目标,可以存在多个后处理模型对该类别的检测目标进行后处理。其中,后处理可包括但不限于以下至少一项:质量检测、特征处理。相应的,后处理模型可包括但不限于以下至少一项:质量模型、特征处理模型等。其中,特征处理模型可以是具有图像特征提取功能的模型,如采用各种网络结构的特征提取模型;特征处理模型也可以是同时具有特征提取和特征处理功能的模型,如包含特征提取层的识别模型等。
作为示例,在安防场景中,对于人体这一检测目标,可使用人体质量模型计算人体区域图像的质量得分,同时使用特征提取模型对人体区域图像进行特征提取,以便于分析检测人体的行为等。对于车牌这一检测目标,可使用车牌质量模型计算车牌区域图像的质量得分,同时使用特征提取模型对车牌区域图像进行特征提取,以便于从中提取车牌号的文本信息等。
需要说明的是,由于输入至后处理模型中的图像已经过预处理,因而后处理模型中可不包含图像预处理(如剪裁、尺寸调整等)的相关算法逻辑。
在本实施例中,上述执行主体可以将每一检测目标的类别对应的存储空间中的预处理后的图像分别发送至用于对该类别的检测目标进行后处理的各个后处理模型,从而使用后处理模型对该类别对应的存储空间中的图像进行后处理。由此,可以使作用于同类检测目标的多个后处理模型共享同一预处理后的图像,无需针对不同模型分别执行不同的预处理操作,降低了图像的预处理次数,从而降低了硬件的计算压力。
需要说明的是,对同一类别的检测目标进行后处理的后处理模型,其首层网络结构适用的图像尺寸可以是相同的。例如,对人脸区域图像进行后处理的后处理模型包括人脸质量模型和人脸特征处理模型,上述两个模型的首层网络结构均可以是卷积层,且上述两个模型的首层卷积层均可针对尺寸为[176,176,1]的图像执行卷积操作。其中,[176,176,1]表示图像高为176个像素点,宽为176个像素点,通道数为1。由此,可保证对同一类别的检测目标进行后处理的后处理模型能够适用于同一预处理后的图像。
在本实施例的一些可选的实现方式中,对于某一类别的检测目标,该类别对应的存储空间中的各缓冲区的大小可以相同,且各缓冲区的大小可以等于输入至该类别对应的各个后处理模型的首层网络结构的图像的尺寸,如上述[176,176,1]。由此,可在保证缓冲区大小足够的情况下最大限度地节约缓冲区空间。
在本实施例的一些可选的实现方式中,在将预处理后的图像存储至检测目标的类别对应的存储空间中的目标缓冲区后,上述执行主体可记录目标缓冲区的标识。由此,在需要将存储空间中的预处理后的图像发送至后处理模型时,上述执行主体可基于该标识查找上述目标缓冲区,从而从该目标缓冲区中获取上述预处理后的图像,并将所获取的图像分发至用于对该类别的检测目标进行后处理的各个后处理模型。
作为示例,目标缓冲区的标识可以用于指示目标缓冲区在连续的多个缓冲区中的次序,此时可基于连续的多个缓冲区的首地址和目标缓冲区的标识,确定出目标缓冲区的真实地址。由此,仅基于连续缓冲区的首地址和目标缓冲区的标识即可得知预处理后的图像的真实存放地址,无需记录真实存放地址,使图像获取更加便捷。
在本实施例的一些可选的实现方式中,在将存储空间中的图像输入至所需的各个后处理模型之后,上述执行主体还可以释放目标缓冲区,并从记录中删除上述目标缓冲区的标识,以表示此缓冲区可存入新的图像数据。由此,可降低存储空间的空间占用率,提升缓冲区的流转率,使存储空间能够存放更多的预处理后的图像。
进一步参见图3,其为图像处理方法的一个实施例的图像处理过程的示意图,可适用于安防场景下的目标跟踪任务。在此场景下,检测目标包括人脸、人体、车辆和车牌,共4种检测目标。
首先,对实时采集得到的图像进行目标检测,得到目标检测结果。具体包含人脸检测结果、人体检测结果、车辆检测结果和车牌检测结果。各检测结果包含检测框。
之后,可调用人工智能计算设备(如Atlas设备)的数字视觉预处理芯片,分别基于各类检测目标的检测结果进行图像预处理(如剪裁、尺寸调整等),得到预处理后的人脸区域图像、人体区域图像、车辆区域图像和车牌区域图像,共4类预处理后的图像。
之后,分别将上述4类图像分别存储至4个不同的存储空间(如内存中的缓冲区),分别为第一存储空间、第二存储空间、第三存储空间和第四存储空间。
之后,在需要对预处理后的人脸区域图像进行后处理时,可将第一存储空间中的人脸区域图像输入至人脸质量模型和人脸特征处理模型。在需要对预处理后的人体区域图像进行后处理时,可将第二存储空间中的人体区域图像输入至人体质量模型和人体特征处理模型。在需要对预处理后的车辆区域图像进行后处理时,可将第三存储空间中的车辆区域图像输入至车辆质量模型和车辆特征处理模型。在需要对预处理后的车牌区域图像进行后处理时,可将第四存储空间中的车牌区域图像输入至车牌质量模型和车牌特征处理模型。
需要说明的是,本实施例中的图像处理方法不限于安防场景,且检测目标不限于上述示例。
本申请的上述实施例提供的方法,通过对待测图像进行目标检测以得到检测目标的类别和检测,而后调用目标芯片对检测框内的图像进行预处理,并将预处理后的图像存储至该类别对应的存储空间,最后将存储空间中的图像分别发送至用于对该类别的检测目标进行后处理的各个后处理模型,以使各个后处理模型对预处理后的图像进行进一步后处理,从而,能够借助于存储空间,使作用于同类检测目标的多个后处理模型共享同一预处理后的图像,无需针对不同模型分别执行不同的预处理操作,降低了图像的预处理次数,从而降低了硬件的计算压力。
进一步参考图4,作为对上述各图所示方法的实现,本申请提供了一种图像处理装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的图像处理装置400包括:目标检测单元401,被配置成对所采集的图像进行目标检测,得到检测目标的类别和检测框;预处理单元402,被配置成调用目标芯片对上述检测框内的图像进行预处理,并将预处理后的图像存储至上述类别对应的存储空间;后处理单元403,被配置成将上述存储空间中的图像分别发送至用于对上述类别的检测目标进行后处理的各个后处理模型。
在本实施例的一些可选的实现方式中,上述存储空间包括连续的多个缓冲区;以及,上述预处理单元402,进一步被配置成:从上述多个缓冲区中选取目标缓冲区,将预处理后的图像存储至上述目标缓冲区。
在本实施例的一些可选的实现方式中,上述装置还包括:记录单元,被配置成记录上述目标缓冲区的标识;以及,上述后处理单元403,进一步被配置成:基于上述标识,确定上述目标缓冲区;从上述目标缓冲区中获取上述预处理后的图像,并将上述预处理后的图像分发至用于对上述类别的检测目标进行后处理的各个后处理模型。
在本实施例的一些可选的实现方式中,上述目标缓冲区的标识用于指示上述目标缓冲区在上述多个缓冲区中的次序;以及,上述后处理单元403,进一步被配置成:基于连续的多个缓冲区的首地址和上述目标缓冲区的标识,查找上述目标缓冲区。
在本实施例的一些可选的实现方式中,上述装置还包括:释放单元,被配置成释放上述目标缓冲区,并从记录中删除上述目标缓冲区的标识。
在本实施例的一些可选的实现方式中,上述多个缓冲区中的各缓冲区的大小相同,且上述各缓冲区的大小等于输入至上述各个后处理模型的首层网络结构的图像的尺寸。
在本实施例的一些可选的实现方式中,上述预处理包括以下至少一项:裁剪、尺寸调整;上述后处理包括以下至少一项:质量检测、特征处理。
本申请的上述实施例提供的装置,通过对待测图像进行目标检测以得到检测目标的类别和检测,而后调用目标芯片对检测框内的图像进行预处理,并将预处理后的图像存储至该类别对应的存储空间,最后将存储空间中的图像分别发送至用于对该类别的检测目标进行后处理的各个后处理模型,以使各个后处理模型对预处理后的图像进行进一步后处理,从而,能够借助于存储空间,使作用于同类检测目标的多个后处理模型共享同一预处理后的图像,无需针对不同模型分别执行不同的预处理操作,降低了图像的预处理次数,从而降低了硬件的计算压力。
下面参考图5,其示出了适于用来实现本申请实施例的电子设备的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:对待测图像进行目标检测,得到检测目标的类别和检测框;调用目标芯片对检测框内的图像进行预处理,并将预处理后的图像存储至该类别对应的存储空间;将存储空间中的图像分别发送至用于对该类别的检测目标进行后处理的各个后处理模型。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种图像处理方法,其特征在于,所述方法包括:
对待测图像进行目标检测,得到检测目标的类别和检测框;
调用目标芯片对所述检测框内的图像进行预处理,并将预处理后的图像存储至所述类别对应的存储空间;
将所述存储空间中的图像分别发送至用于对所述类别的检测目标进行后处理的各个后处理模型。
2.根据权利要求1所述的方法,其特征在于,所述存储空间包括连续的多个缓冲区;以及,
所述将预处理后的图像存储至所述类别对应的存储空间,包括:
从所述多个缓冲区中选取目标缓冲区,将预处理后的图像存储至所述目标缓冲区。
3.根据权利要求2所述的方法,其特征在于,在将预处理后的图像存储至所述目标缓冲区之后,所述方法还包括:
记录所述目标缓冲区的标识;
以及,所述将所述存储空间中的图像分别发送至用于对所述类别的检测目标进行后处理的各个后处理模型,包括:
基于所述标识,查找所述目标缓冲区;
从所述目标缓冲区中获取所述预处理后的图像,并将所述预处理后的图像分发至用于对所述类别的检测目标进行后处理的各个后处理模型。
4.根据权利要求3所述的方法,其特征在于,所述目标缓冲区的标识用于指示所述目标缓冲区在所述多个缓冲区中的次序;以及,
所述基于所述标识,查找所述目标缓冲区,包括:
基于连续的多个缓冲区的首地址和所述目标缓冲区的标识,查找所述目标缓冲区。
5.根据权利要求2-4之一所述的方法,其特征在于,在将所述存储空间中的图像输入至所述各个后处理模型之后,所述方法还包括:
释放所述目标缓冲区,并从记录中删除所述目标缓冲区的标识。
6.根据权利要求2-5之一所述的方法,其特征在于,所述多个缓冲区中的各缓冲区的大小相同,且所述各缓冲区的大小等于输入至所述各个后处理模型的首层网络结构的图像的尺寸。
7.根据权利要求1-6之一所述的方法,其特征在于,所述预处理包括以下至少一项:裁剪、尺寸调整;所述后处理包括以下至少一项:质量检测、特征处理。
8.一种图像处理装置,其特征在于,所述装置包括:
目标检测单元,被配置成对所采集的图像进行目标检测,得到检测目标的类别和检测框;
预处理单元,被配置成调用目标芯片对所述检测框内的图像进行预处理,并将预处理后的图像存储至所述类别对应的存储空间;
后处理单元,被配置成将所述存储空间中的图像分别发送至用于对所述类别的检测目标进行后处理的各个后处理模型。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011341194.3A CN112465691A (zh) | 2020-11-25 | 2020-11-25 | 图像处理方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011341194.3A CN112465691A (zh) | 2020-11-25 | 2020-11-25 | 图像处理方法、装置、电子设备和计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112465691A true CN112465691A (zh) | 2021-03-09 |
Family
ID=74808158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011341194.3A Pending CN112465691A (zh) | 2020-11-25 | 2020-11-25 | 图像处理方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112465691A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202563526U (zh) * | 2012-03-22 | 2012-11-28 | 北京尚易德科技有限公司 | 一种基于视频的交通车辆检测识别系统 |
CN109657681A (zh) * | 2018-12-28 | 2019-04-19 | 北京旷视科技有限公司 | 图片的标注方法、装置、电子设备及计算机可读存储介质 |
CN109711322A (zh) * | 2018-12-24 | 2019-05-03 | 天津天地伟业信息系统集成有限公司 | 一种基于rfcn的人车分离方法 |
CN110930419A (zh) * | 2020-02-13 | 2020-03-27 | 北京海天瑞声科技股份有限公司 | 图像分割方法、装置、电子设备及计算机存储介质 |
CN111198861A (zh) * | 2020-01-07 | 2020-05-26 | 北京字节跳动网络技术有限公司 | 逻辑日志的处理方法、装置及电子设备 |
CN111444922A (zh) * | 2020-03-27 | 2020-07-24 | Oppo广东移动通信有限公司 | 图片处理方法、装置、存储介质及电子设备 |
US20200265255A1 (en) * | 2017-11-12 | 2020-08-20 | Beijing Sensetime Technology Development Co., Ltd. | Target detection method and apparatus, training method, electronic device and medium |
CN111626123A (zh) * | 2020-04-24 | 2020-09-04 | 平安国际智慧城市科技股份有限公司 | 视频数据处理方法、装置、计算机设备及存储介质 |
CN111814776A (zh) * | 2020-09-10 | 2020-10-23 | 平安国际智慧城市科技股份有限公司 | 一种图像处理方法、设备、服务器及存储介质 |
-
2020
- 2020-11-25 CN CN202011341194.3A patent/CN112465691A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202563526U (zh) * | 2012-03-22 | 2012-11-28 | 北京尚易德科技有限公司 | 一种基于视频的交通车辆检测识别系统 |
US20200265255A1 (en) * | 2017-11-12 | 2020-08-20 | Beijing Sensetime Technology Development Co., Ltd. | Target detection method and apparatus, training method, electronic device and medium |
CN109711322A (zh) * | 2018-12-24 | 2019-05-03 | 天津天地伟业信息系统集成有限公司 | 一种基于rfcn的人车分离方法 |
CN109657681A (zh) * | 2018-12-28 | 2019-04-19 | 北京旷视科技有限公司 | 图片的标注方法、装置、电子设备及计算机可读存储介质 |
CN111198861A (zh) * | 2020-01-07 | 2020-05-26 | 北京字节跳动网络技术有限公司 | 逻辑日志的处理方法、装置及电子设备 |
CN110930419A (zh) * | 2020-02-13 | 2020-03-27 | 北京海天瑞声科技股份有限公司 | 图像分割方法、装置、电子设备及计算机存储介质 |
CN111444922A (zh) * | 2020-03-27 | 2020-07-24 | Oppo广东移动通信有限公司 | 图片处理方法、装置、存储介质及电子设备 |
CN111626123A (zh) * | 2020-04-24 | 2020-09-04 | 平安国际智慧城市科技股份有限公司 | 视频数据处理方法、装置、计算机设备及存储介质 |
CN111814776A (zh) * | 2020-09-10 | 2020-10-23 | 平安国际智慧城市科技股份有限公司 | 一种图像处理方法、设备、服务器及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109410218B (zh) | 用于生成车辆损伤信息的方法和装置 | |
CN110120024B (zh) | 图像处理的方法、装置、设备和存储介质 | |
CN110147465A (zh) | 图像处理方法、装置、设备和介质 | |
CN108596056A (zh) | 一种出租车运营行为动作识别方法及系统 | |
CN108765315B (zh) | 图像补全方法、装置、计算机设备及存储介质 | |
US20210097692A1 (en) | Data filtering of image stacks and video streams | |
US20200250401A1 (en) | Computer system and computer-readable storage medium | |
CN116433559A (zh) | 产品外观缺陷检测方法、电子设备及存储介质 | |
CN111401309B (zh) | 基于小波变换的cnn训练和遥感图像目标识别方法 | |
CN114238904A (zh) | 身份识别方法、双通道超分模型的训练方法及装置 | |
CN114140346A (zh) | 一种图像处理方法及装置 | |
CN106384071A (zh) | 一种二维码扫描识别处理方法及装置 | |
CN114663871A (zh) | 图像识别方法、训练方法、装置、系统及存储介质 | |
CN110852250B (zh) | 一种基于最大面积法的车辆排重方法、装置及存储介质 | |
CN112700653A (zh) | 一种车辆违法变道的判定方法、装置、设备及存储介质 | |
CN112733733A (zh) | 伪造视频检测方法、电子设备及存储介质 | |
CN116452886A (zh) | 图像识别方法、装置、设备及存储介质 | |
CN112465691A (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN115731179A (zh) | 轨道部件检测方法、终端及存储介质 | |
CN113239738B (zh) | 一种图像的模糊检测方法及模糊检测装置 | |
CN113705666B (zh) | 分割网络训练方法、使用方法、装置、设备及存储介质 | |
CN115690845A (zh) | 一种运动轨迹预测方法及装置 | |
CN112487943B (zh) | 关键帧去重的方法、装置和电子设备 | |
CN112102205B (zh) | 图像去模糊方法、装置、电子设备及存储介质 | |
CN112188283B (zh) | 裁剪视频的方法、装置、设备以及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210309 |
|
RJ01 | Rejection of invention patent application after publication |