CN112541431B - 高分辨率图像目标检测方法及系统 - Google Patents
高分辨率图像目标检测方法及系统 Download PDFInfo
- Publication number
- CN112541431B CN112541431B CN202011455217.3A CN202011455217A CN112541431B CN 112541431 B CN112541431 B CN 112541431B CN 202011455217 A CN202011455217 A CN 202011455217A CN 112541431 B CN112541431 B CN 112541431B
- Authority
- CN
- China
- Prior art keywords
- detected
- resolution image
- determining
- image
- blocking
- 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 117
- 230000000903 blocking effect Effects 0.000 claims abstract description 94
- 230000006870 function Effects 0.000 claims description 42
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 11
- 238000012887 quadratic function Methods 0.000 claims description 7
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 235000014347 soups Nutrition 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
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种高分辨率图像目标检测方法及系统,所述检测方法包括:根据待检高分辨率图像的尺寸,确定分块基准比例大小;根据所述待检高分辨率图像的尺寸、分块基准比例大小,以及待检目标的最大尺寸,对待检高分辨率图像进行分块,得到多个基准块图像;针对每一基准块图像,通过检测设备检测基准块图像中的目标,确定检测时间;根据各检测时间及各基准块图像,确定分块效率函数;根据分块效率函数,确定最优分块比例;根据最优分块比例,对所述待检高分辨率图像进行二次分块,得到多个子图像;通过检测设备检测,可快速、准确的确定各子图像中目标,使得检测设备的硬件资源的利用率最高。
Description
技术领域
本发明涉及图像识别技术领域,特别涉及一种高分辨率图像目标检测方法及系统。
背景技术
在目标检测领域中,目标检测算法应用于实际生活中,诸如应用于安防监控、闸机人脸识别、SAR卫星检测等方面,这些应用将目标检测算法应用到其他不同的硬件中,例如低资源硬件。
自2019年起人脸识别移植到智能手机,此后科大讯飞、商汤、百度等公司将目标检测和跟踪算法移植到Acorn RISC Machine(ARM)、DSP、ADSP芯片等嵌入式设备,应用于人脸检测、活体识别、物体识别等方向。
目前计算机视觉领域内,已有诸多将目标检测、识别算法移植到低资源硬件的成功案例。虽然以深度学习为代表的目标检测算法得到了广泛应用,如YOLOv1、v2、v3、v4目标检测算法取得很好的检测效果,然而目前的一些低资源硬件设备并不完全支持深度学习网络结构,而且深度学习网络结构功耗和计算能力的需求高,也不适合低资源环境,同时一些典型应用场景下,如卫星和机载卫星影像因为分辨率高、成像幅面大,在不支持硬件设备上实现目标检测是一个挑战,高分辨率是指超过10240x10240以上的图像,在这样的超分辨图像中目标是较小且稀疏的,而在低资源硬件上,计算资源紧缺,处理这样的高分辨率图像往往需要分块细化处理,如何利用最少的硬件资源达到最快的检测效果是亟需解决的问题。
发明内容
为了解决现有技术中的上述问题,即为了提高高分辨率图像目标检测的效率,本发明的目的在于提供一种高分辨率图像目标检测方法及系统。
为解决上述技术问题,本发明提供了如下方案:
一种高分辨率图像目标检测方法,所述检测方法包括:
根据待检高分辨率图像的尺寸,确定所述待检高分辨率图像的分块基准比例大小;
根据所述待检高分辨率图像的尺寸、分块基准比例大小,以及待检目标的最大尺寸,对所述待检高分辨率图像进行分块,得到多个基准块图像;
针对每一基准块图像,通过检测设备检测所述基准块图像中的目标,确定检测时间;
根据各检测时间及各基准块图像,确定分块效率函数;
根据所述分块效率函数,确定最优分块比例;
根据所述最优分块比例,对所述待检高分辨率图像进行二次分块,得到多个子图像;
通过检测设备检测检测各子图像中的目标。
可选地,根据以下公式,确定所述待检高分辨率图像的分块基准比例大小α:
其中,M表示待检高分辨率图像的宽,N表示待检高分辨率图像的高。
可选地,所述根据所述待检高分辨率图像的尺寸、分块基准比例大小,以及待检目标的最大尺寸,对所述待检高分辨率图像进行分块,得到多个基准块图像,具体包括:
根据所述待检高分辨率图像的尺寸、分块基准比例大小,确定基准块大小:
其中,w表示基准块的宽度,h表示基准块的高度,M表示待检高分辨率图像的宽度,N表示待检高分辨率图像的高度,α表示分块基准比例大小,K表示横向分块个数,且横向分块个数与纵向分块个数相同;
根据所述待检目标的最大尺寸,确定重叠区域的宽度和高度;
根据以下公式,确定所述待检高分辨率图像的实际切分数量m×n:
其中,Ow表示重叠区域的宽度,Oh表示重叠区域的高度,Δw表示设定填充宽度,Δh表示设定填充高度,W表示待检高分辨率图像的宽度,H表示待检高分辨率图像的高度;
根据所述实际切分数量,对所述待检高分辨率图像进行分块,得到多个基准块图像;其中,第i个基准块图像的宽度为wi=i×w、高度为hi=i×h。
可选地,所述重叠区域的宽度为所述待检目标的最大宽度的2~5倍。
可选地,所述重叠区域的高度为所述待检目标的最大高度的2~5倍。
可选地,所述根据各检测时间及各基准块图像,确定分块效率函数,具体包括
对第i个基准块图像进行归一化处理,获得归一化后的对应于i的时间效率ti:
其中,τi表示检测设备检测第i个基准块图像中的目标所用时间;
通过二次函数曲线拟合得到归一化后的分块效率函数Y:
其中,a、b、c分别表示二次函数的关键参数。
可选地,所述根据所述分块效率函数,确定最优分块比例,具体包括:
为解决上述技术问题,本发明还提供了如下方案:
一种高分辨率图像目标检测系统,所述检测系统包括:
比例确定单元,用于根据待检高分辨率图像的尺寸,确定所述待检高分辨率图像的分块基准比例大小;
初次分块单元,用于根据所述待检高分辨率图像的尺寸、分块基准比例大小,以及待检目标的最大尺寸,对所述待检高分辨率图像进行分块,得到多个基准块图像;
时间检测单元,用于针对每一基准块图像,通过检测设备检测所述基准块图像中的目标,确定检测时间;
函数确定单元,用于根据各检测时间及各基准块图像,确定分块效率函数;
最优比例确定单元,用于根据所述分块效率函数,确定最优分块比例;
二次分块单元,用于根据所述最优分块比例,对所述待检高分辨率图像进行二次分块,得到多个子图像;
目标检测单元,用于通过检测设备检测检测各子图像中的目标。
为解决上述技术问题,本发明还提供了如下方案:
一种高分辨率图像目标检测系统,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:
根据待检高分辨率图像的尺寸,确定所述待检高分辨率图像的分块基准比例大小;
根据所述待检高分辨率图像的尺寸、分块基准比例大小,以及待检目标的最大尺寸,对所述待检高分辨率图像进行分块,得到多个基准块图像;
针对每一基准块图像,通过检测设备检测所述基准块图像中的目标,确定检测时间;
根据各检测时间及各基准块图像,确定分块效率函数;
根据所述分块效率函数,确定最优分块比例;
根据所述最优分块比例,对所述待检高分辨率图像进行二次分块,得到多个子图像;
通过检测设备检测检测各子图像中的目标。
为解决上述技术问题,本发明还提供了如下方案:
一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下操作:
根据待检高分辨率图像的尺寸,确定所述待检高分辨率图像的分块基准比例大小;
根据所述待检高分辨率图像的尺寸、分块基准比例大小,以及待检目标的最大尺寸,对所述待检高分辨率图像进行分块,得到多个基准块图像;
针对每一基准块图像,通过检测设备检测所述基准块图像中的目标,确定检测时间;
根据各检测时间及各基准块图像,确定分块效率函数;
根据所述分块效率函数,确定最优分块比例;
根据所述最优分块比例,对所述待检高分辨率图像进行二次分块,得到多个子图像;
通过检测设备检测检测各子图像中的目标。
根据本发明的实施例,本发明公开了以下技术效果:
本发明根据待检高分辨率图像的尺寸、分块基准比例大小,以及待检目标的最大尺寸,对待检高分辨率图像进行分块,得到多个基准块图像,并依次通过检测设备检测所述基准块图像中的目标,确定检测时间,建立分块效率函数,得到最优分块比例,进而得到多个对应的子图像,通过检测设备检测可快速、准确的确定各子图像中目标,使得检测设备的硬件资源的利用率最高。
附图说明
图1是本发明高分辨率图像目标检测方法的流程图;
图2是本发明高分辨率图像目标检测系统的模块结构示意图。
符号说明:
比例确定单元—1,初次分块单元—2,时间检测单元—3,函数确定单元—4,最优比例确定单元—5,二次分块单元—6,目标检测单元—7。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
本发明的目的是提供一种高分辨率图像目标检测方法,可通过检测设备检测可快速、准确的确定各子图像中目标,使得检测设备的硬件资源的利用率最高。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明高分辨率图像目标检测方法包括:
步骤100:根据待检高分辨率图像的尺寸,确定所述待检高分辨率图像的分块基准比例大小;
步骤200:根据所述待检高分辨率图像的尺寸、分块基准比例大小,以及待检目标的最大尺寸,对所述待检高分辨率图像进行分块,得到多个基准块图像;
步骤300:针对每一基准块图像,通过检测设备检测所述基准块图像中的目标,确定检测时间;
步骤400:根据各检测时间及各基准块图像,确定分块效率函数;
步骤500:根据所述分块效率函数,确定最优分块比例;
步骤600:根据所述最优分块比例,对所述待检高分辨率图像进行二次分块,得到多个子图像;
步骤700:通过检测设备检测检测各子图像中的目标。
具体地,在步骤100中,根据以下公式,确定所述待检高分辨率图像的分块基准比例大小α:
其中,M表示待检高分辨率图像的宽,N表示待检高分辨率图像的高。
在步骤200中,所述根据所述待检高分辨率图像的尺寸、分块基准比例大小,以及待检目标的最大尺寸,对所述待检高分辨率图像进行分块,得到多个基准块图像,具体包括:
步骤210:根据所述待检高分辨率图像的尺寸、分块基准比例大小,确定基准块大小:
其中,w表示基准块的宽度,h表示基准块的高度,M表示待检高分辨率图像的宽度,N表示待检高分辨率图像的高度,α表示分块基准比例大小,K表示横向分块个数,且横向分块个数与纵向分块个数相同。
步骤220:根据所述待检目标的最大尺寸,确定重叠区域的宽度和高度。
在本实施例中,所述重叠区域的宽度为所述待检目标的最大宽度的2~5倍。所述重叠区域的高度为所述待检目标的最大高度的2~5倍。
步骤230:根据以下公式,确定所述待检高分辨率图像的实际切分数量m×n:
其中,Ow表示重叠区域的宽度,Oh表示重叠区域的高度,Δw表示设定填充宽度,Δh表示设定填充高度,W表示待检高分辨率图像的宽度,H表示待检高分辨率图像的高度。
步骤240:根据所述实际切分数量,对所述待检高分辨率图像进行分块,得到多个基准块图像;其中,第i个基准块图像的宽度为wi=i×w、高度为hi=i×h。
在步骤400中,所述根据各检测时间及各基准块图像,确定分块效率函数,具体包括
步骤410:对第i个基准块图像进行归一化处理,获得归一化后的对应于i的时间效率ti:
其中,τi表示检测设备检测第i个基准块图像中的目标所用时间;
步骤420:通过二次函数曲线拟合得到归一化后的分块效率函数Y:
其中,a、b、c分别表示二次函数的关键参数,这里拟合根据实际实践数据输入Y和t的值,从而拟合求得a,b,c的值。
分块效率函数Y为最终量化后的效率曲线,取曲线全局或局部最优即可获得高分辨率图像目标检测算法在低资源硬件上的最优检测参数。
在步骤500中,所述根据所述分块效率函数,确定最优分块比例,具体包括:
此外,本发明还提供了一种高分辨率图像目标检测系统,可提高高分辨率图像目标检测的效率。
如图2所示,本发明高分辨率图像目标检测系统包括比例确定单元1、初次分块单元2、时间检测单元3、函数确定单元4、最优比例确定单元5、二次分块单元6及目标检测单元7。
具体地,所述比例确定单元1用于根据待检高分辨率图像的尺寸,确定所述待检高分辨率图像的分块基准比例大小;
所述初次分块单元2用于根据所述待检高分辨率图像的尺寸、分块基准比例大小,以及待检目标的最大尺寸,对所述待检高分辨率图像进行分块,得到多个基准块图像;
所述时间检测单元3用于针对每一基准块图像,通过检测设备检测所述基准块图像中的目标,确定检测时间;
所述函数确定单元4用于根据各检测时间及各基准块图像,确定分块效率函数;
所述最优比例确定单元5用于根据所述分块效率函数,确定最优分块比例;
所述二次分块单元6用于根据所述最优分块比例,对所述待检高分辨率图像进行二次分块,得到多个子图像;
所述目标检测单元7用于通过检测设备检测检测各子图像中的目标。
此外,本发明还提供了如下方案:
一种高分辨率图像目标检测系统,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:
根据待检高分辨率图像的尺寸,确定所述待检高分辨率图像的分块基准比例大小;
根据所述待检高分辨率图像的尺寸、分块基准比例大小,以及待检目标的最大尺寸,对所述待检高分辨率图像进行分块,得到多个基准块图像;
针对每一基准块图像,通过检测设备检测所述基准块图像中的目标,确定检测时间;
根据各检测时间及各基准块图像,确定分块效率函数;
根据所述分块效率函数,确定最优分块比例;
根据所述最优分块比例,对所述待检高分辨率图像进行二次分块,得到多个子图像;
通过检测设备检测检测各子图像中的目标。
此外,本发明还提供了如下方案:
一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下操作:
根据待检高分辨率图像的尺寸,确定所述待检高分辨率图像的分块基准比例大小;
根据所述待检高分辨率图像的尺寸、分块基准比例大小,以及待检目标的最大尺寸,对所述待检高分辨率图像进行分块,得到多个基准块图像;
针对每一基准块图像,通过检测设备检测所述基准块图像中的目标,确定检测时间;
根据各检测时间及各基准块图像,确定分块效率函数;
根据所述分块效率函数,确定最优分块比例;
根据所述最优分块比例,对所述待检高分辨率图像进行二次分块,得到多个子图像;
通过检测设备检测检测各子图像中的目标。
相对于现有技术,本发明高分辨率图像目标检测系统、计算机可读存储介质与上述高分辨率图像目标检测方法的有益效果相同,在此不再赘述。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (8)
1.一种高分辨率图像目标检测方法,其特征在于,所述检测方法包括:
根据待检高分辨率图像的尺寸,确定所述待检高分辨率图像的分块基准比例大小;
确定所述待检高分辨率图像的分块基准比例大小α的公式为:
其中,M表示待检高分辨率图像的宽,N表示待检高分辨率图像的高;
根据所述待检高分辨率图像的尺寸、分块基准比例大小,以及待检目标的最大尺寸,对所述待检高分辨率图像进行分块,得到多个基准块图像;具体包括:
根据所述待检高分辨率图像的尺寸、分块基准比例大小,确定基准块大小:
其中,w表示基准块的宽度,h表示基准块的高度,M表示待检高分辨率图像的宽度,N表示待检高分辨率图像的高度,α表示分块基准比例大小,K表示横向分块个数,且横向分块个数与纵向分块个数相同;
根据所述待检目标的最大尺寸,确定重叠区域的宽度和高度;
确定所述待检高分辨率图像的实际切分数量m×n的公式为:
其中,Ow表示重叠区域的宽度,Oh表示重叠区域的高度,Δw表示设定填充宽度,Δh表示设定填充高度,W表示待检高分辨率图像的宽度,H表示待检高分辨率图像的高度;
根据所述实际切分数量,对所述待检高分辨率图像进行分块,得到多个基准块图像;其中,第i个基准块图像的宽度为wi=i×w、高度为hi=i×h;
针对每一基准块图像,通过检测设备检测所述基准块图像中的目标,确定检测时间;
根据各检测时间及各基准块图像,确定分块效率函数;
根据所述分块效率函数,确定最优分块比例;
根据所述最优分块比例,对所述待检高分辨率图像进行二次分块,得到多个子图像;
通过检测设备检测各子图像中的目标。
2.根据权利要求1所述的高分辨率图像目标检测方法,其特征在于,所述重叠区域的宽度为所述待检目标的最大宽度的2~5倍。
3.根据权利要求1所述的高分辨率图像目标检测方法,其特征在于,所述重叠区域的高度为所述待检目标的最大高度的2~5倍。
6.一种高分辨率图像目标检测系统,其特征在于,所述检测系统包括:
比例确定单元,用于根据待检高分辨率图像的尺寸,确定所述待检高分辨率图像的分块基准比例大小;
确定所述待检高分辨率图像的分块基准比例大小α的公式为:
其中,M表示待检高分辨率图像的宽,N表示待检高分辨率图像的高;
初次分块单元,用于根据所述待检高分辨率图像的尺寸、分块基准比例大小,以及待检目标的最大尺寸,对所述待检高分辨率图像进行分块,得到多个基准块图像;具体包括:
根据所述待检高分辨率图像的尺寸、分块基准比例大小,确定基准块大小:
其中,w表示基准块的宽度,h表示基准块的高度,M表示待检高分辨率图像的宽度,N表示待检高分辨率图像的高度,α表示分块基准比例大小,K表示横向分块个数,且横向分块个数与纵向分块个数相同;
根据所述待检目标的最大尺寸,确定重叠区域的宽度和高度;
确定所述待检高分辨率图像的实际切分数量m×n的公式为:
其中,Ow表示重叠区域的宽度,Oh表示重叠区域的高度,Δw表示设定填充宽度,Δh表示设定填充高度,W表示待检高分辨率图像的宽度,H表示待检高分辨率图像的高度;
根据所述实际切分数量,对所述待检高分辨率图像进行分块,得到多个基准块图像;其中,第i个基准块图像的宽度为wi=i×w、高度为hi=i×h;
时间检测单元,用于针对每一基准块图像,通过检测设备检测所述基准块图像中的目标,确定检测时间;
函数确定单元,用于根据各检测时间及各基准块图像,确定分块效率函数;
最优比例确定单元,用于根据所述分块效率函数,确定最优分块比例;
二次分块单元,用于根据所述最优分块比例,对所述待检高分辨率图像进行二次分块,得到多个子图像;
目标检测单元,用于通过检测设备检测各子图像中的目标。
7.一种高分辨率图像目标检测系统,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:
根据待检高分辨率图像的尺寸,确定所述待检高分辨率图像的分块基准比例大小;
确定所述待检高分辨率图像的分块基准比例大小α的公式为:
其中,M表示待检高分辨率图像的宽,N表示待检高分辨率图像的高;
根据所述待检高分辨率图像的尺寸、分块基准比例大小,以及待检目标的最大尺寸,对所述待检高分辨率图像进行分块,得到多个基准块图像;具体包括:
根据所述待检高分辨率图像的尺寸、分块基准比例大小,确定基准块大小:
其中,w表示基准块的宽度,h表示基准块的高度,M表示待检高分辨率图像的宽度,N表示待检高分辨率图像的高度,α表示分块基准比例大小,K表示横向分块个数,且横向分块个数与纵向分块个数相同;
根据所述待检目标的最大尺寸,确定重叠区域的宽度和高度;
确定所述待检高分辨率图像的实际切分数量m×n的公式为:
其中,Ow表示重叠区域的宽度,Oh表示重叠区域的高度,Δw表示设定填充宽度,Δh表示设定填充高度,W表示待检高分辨率图像的宽度,H表示待检高分辨率图像的高度;
根据所述实际切分数量,对所述待检高分辨率图像进行分块,得到多个基准块图像;其中,第i个基准块图像的宽度为wi=i×w、高度为hi=i×h;
针对每一基准块图像,通过检测设备检测所述基准块图像中的目标,确定检测时间;
根据各检测时间及各基准块图像,确定分块效率函数;
根据所述分块效率函数,确定最优分块比例;
根据所述最优分块比例,对所述待检高分辨率图像进行二次分块,得到多个子图像;
通过检测设备检测各子图像中的目标。
8.一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下操作:
根据待检高分辨率图像的尺寸,确定所述待检高分辨率图像的分块基准比例大小;确定所述待检高分辨率图像的分块基准比例大小α的公式为:
其中,M表示待检高分辨率图像的宽,N表示待检高分辨率图像的高;
根据所述待检高分辨率图像的尺寸、分块基准比例大小,以及待检目标的最大尺寸,对所述待检高分辨率图像进行分块,得到多个基准块图像;具体包括:
根据所述待检高分辨率图像的尺寸、分块基准比例大小,确定基准块大小:
其中,w表示基准块的宽度,h表示基准块的高度,M表示待检高分辨率图像的宽度,N表示待检高分辨率图像的高度,α表示分块基准比例大小,K表示横向分块个数,且横向分块个数与纵向分块个数相同;
根据所述待检目标的最大尺寸,确定重叠区域的宽度和高度;
确定所述待检高分辨率图像的实际切分数量m×n的公式为:
其中,Ow表示重叠区域的宽度,Oh表示重叠区域的高度,Δw表示设定填充宽度,Δh表示设定填充高度,W表示待检高分辨率图像的宽度,H表示待检高分辨率图像的高度;
根据所述实际切分数量,对所述待检高分辨率图像进行分块,得到多个基准块图像;其中,第i个基准块图像的宽度为wi=i×w、高度为hi=i×h;
针对每一基准块图像,通过检测设备检测所述基准块图像中的目标,确定检测时间;
根据各检测时间及各基准块图像,确定分块效率函数;
根据所述分块效率函数,确定最优分块比例;
根据所述最优分块比例,对所述待检高分辨率图像进行二次分块,得到多个子图像;
通过检测设备检测各子图像中的目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011455217.3A CN112541431B (zh) | 2020-12-10 | 2020-12-10 | 高分辨率图像目标检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011455217.3A CN112541431B (zh) | 2020-12-10 | 2020-12-10 | 高分辨率图像目标检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112541431A CN112541431A (zh) | 2021-03-23 |
CN112541431B true CN112541431B (zh) | 2022-09-30 |
Family
ID=75018473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011455217.3A Active CN112541431B (zh) | 2020-12-10 | 2020-12-10 | 高分辨率图像目标检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112541431B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113781502B (zh) * | 2021-09-30 | 2024-06-28 | 浪潮云信息技术股份公司 | 一种超大分辨率图像训练数据预处理方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8842883B2 (en) * | 2011-11-21 | 2014-09-23 | Seiko Epson Corporation | Global classifier with local adaption for objection detection |
CN108509898B (zh) * | 2018-03-29 | 2021-06-08 | 中国电子科技集团公司第五十四研究所 | 一种基于图像流的近实时遥感图像在线目标检测方法 |
CN109086672A (zh) * | 2018-07-05 | 2018-12-25 | 襄阳矩子智能科技有限公司 | 一种基于强化学习自适应分块的行人再识别方法 |
CN110570451B (zh) * | 2019-08-05 | 2022-02-01 | 武汉大学 | 基于stc和分块重检测的多线程视觉目标跟踪方法 |
-
2020
- 2020-12-10 CN CN202011455217.3A patent/CN112541431B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112541431A (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112800915B (zh) | 建筑物变化检测方法、装置、电子设备以及存储介质 | |
CN109919002B (zh) | 黄色禁停线识别方法、装置、计算机设备及存储介质 | |
US8971640B1 (en) | Image alignment | |
CN111397541A (zh) | 排土场的边坡角测量方法、装置、终端及介质 | |
Zhang et al. | Building detection from satellite images on a global scale | |
US20220172376A1 (en) | Target Tracking Method and Device, and Electronic Apparatus | |
CN112541431B (zh) | 高分辨率图像目标检测方法及系统 | |
CN108229281B (zh) | 神经网络的生成方法和人脸检测方法、装置及电子设备 | |
CN114359932B (zh) | 文本检测方法、文本识别方法及装置 | |
CN103093241B (zh) | 基于同质化处理的光学遥感图像非匀质云层判别方法 | |
CN117036457A (zh) | 一种屋顶面积的测量方法、装置、设备及存储介质 | |
CN108875547B (zh) | 一种面向资源受限环境的目标跟踪方法及装置 | |
CN110663046B (zh) | 用于方向梯度直方图计算的硬件加速器 | |
CN114972465A (zh) | 图像目标深度的检测方法、装置、电子设备和存储介质 | |
CN116109652A (zh) | 基于改进区域生长算法的图像分割方法、系统、设备 | |
CN113721240A (zh) | 一种目标关联方法、装置、电子设备及存储介质 | |
Tian et al. | A novel method of river detection for high resolution remote sensing image based on corner feature and SVM | |
CN105323419B (zh) | 产生方位图像的方法 | |
Li et al. | An improved HT algorithm on straight line detection based on Freeman chain code | |
CN118115755B (zh) | 一种多目标跟踪方法、系统及存储介质 | |
Li et al. | Easily deployable real-time detection method for small traffic signs | |
CN117523345B (zh) | 一种目标检测数据平衡方法及装置 | |
CN113361545B (zh) | 图像特征提取方法、装置、电子设备和存储介质 | |
CN115830424B (zh) | 基于融合图像的矿废识别方法、装置、设备及存储介质 | |
Park et al. | Dynamic search range using sparse disparity map for fast stereo matching |
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 |