CN112712499B - 一种物体检测方法、装置以及计算机可读存储介质 - Google Patents
一种物体检测方法、装置以及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112712499B CN112712499B CN202011578700.0A CN202011578700A CN112712499B CN 112712499 B CN112712499 B CN 112712499B CN 202011578700 A CN202011578700 A CN 202011578700A CN 112712499 B CN112712499 B CN 112712499B
- Authority
- CN
- China
- Prior art keywords
- image
- value
- detected
- pixel
- numerical 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种物体检测方法、装置以及计算机可读存储介质,通过原始影像、至少一个第二影像获取所述第一影像中表征与所述第二影像重合度最高的像素位置以及对应的最大像素值、表征所述待测物体边界区域像素均值的第一数值以及表征所述待测物体外部区域像素均值的第二数值。由此,在处理待测物体和背景部分对比度低的影像时,通过上述多维度影像特征信息来作为判断依据,相比较于现有技术通过建立实物模板来进行相似度比较而言,本方案通过获取图像本身多维度特征参数来确定待测物体是否存在和判断物体类别,可减少低对比度、光照变化和噪声对图像检测带来的影响,进而可提升物体检测的准确率。
Description
技术领域
本发明涉及影像处理领域,尤其涉及一种物体检测方法、装置以及计算机可读存储介质。
背景技术
笔记本电脑质量检测精度要求极高,在笔记本电脑外观检测项目中,尤其是检测笔记本上例如指纹识别模组等对比度低的图像,由于图像易受光照、材料影响,导致待测物体成像存在差异,给准确识别带来挑战。
现有的解决方案是,在相同环境下拍摄实物图像,建立实物模板,滑动窗口计算模板与窗口图像的相似度,将相似度与阈值进行比较,确定待测物体是否存在和判断物体类别。
由于待测物体与背景对比度低,光照变化及图像噪声对相似度计算影响大,准确率低。
发明内容
本发明实施例提供了一种物体检测方法、装置以及计算机可读存储介质,具有减少低对比度、光照变化和噪声对图像检测带来的影响,进而可提升影像中物体检测的准确率。
本发明一方面提供一种物体检测方法,所述方法包括:获取原始影像,并根据所述原始影像生成第一影像;其中所述原始影像和第一影像中均包含待测物体,所述原始影像中的背景部分与所述待测物体轮廓部分的颜色相近,所述第一图像中的背景部分与所述待测物体轮廓部分的颜色具有差别;获取至少一个第二影像,其中所述第二影像中包含对应于所述待测物体的目标物体;将每个所述第二影像作为卷积核对所述第一影像进行卷积运算,获取所述第一影像中表征与所述第二影像重合度最高的像素位置以及对应的最大像素值;根据所述像素位置,获取表征所述待测物体边界区域像素均值的第一数值以及表征所述待测物体外部区域像素均值的第二数值;根据所述第一影像,获取所述第一影像中表征高亮像素数量的第三数值;根据所述最大像素值、第一数值、第二数值和第三数值,判断所述原始影像是否存在所述待测物体;根据所述最大像素值和第二影像,确定所述待测物体的类型。
在一可实施方式中,在根据所述原始影像转换为第一影像之前,所述方法还包括:对所述原始影像进行高斯滤波处理。
在一可实施方式中,所述第一影像包括梯度图像和边缘图像;相应的,所述根据所述原始影像生成第一影像,包括:对所述原始影像进行Sobel算子处理,得到所述梯度图像;对所述梯度图像进行Canny算子处理,得到所述边缘图像。
在一可实施方式中,所述根据所述像素位置,获取表征所述待测物体边界区域像素均值的第一数值以及表征所述待测物体外部区域像素均值的第二数值,包括:根据所述像素位置和所述待测物体的已知尺寸信息,计算得到所述待测物体的边界区域和外部区域;计算所述梯度图像边界区域内的像素均值,得到所述第一数值;计算所述梯度图像外界区域内的像素均值,得到所述第二数值。
在一可实施方式中,所述根据所述第一影像,获取所述第一影像中表征高亮像素数量的第三数值,包括:计算所述边缘图像中表征高亮像素数量的第三数值。
在一可实施方式中,所述根据所述最大像素值、第一数值、第二数值和第三数值,判断所述第一影像是否存在所述待测物体,包括:计算所述第一数值与第二数值的比值,得到梯度均值比;计算所述最大像素值与第三数值的比值,得到像素数量比;若所述第三数值大于第一阈值、所述像素数量比大于第二阈值以及所述梯度均值比大于第三阈值,则判定所述第一影像中存在所述待测物体。
在一可实施方式中,所述根据所述最大像素值和第二影像,确定所述待测物体的类型,包括:获取针对每个所述第二影像的像素数量比,并从所有的像素数量比中选取最大像素数量比;根据所述最大像素数量比确定对应的第二影像,并根据所确定第二影像中目标物体的类型,确定所述待测物体的类型。
本发明另一方面提供一种物体检测装置,所述装置包括:第一影像获取模块,用于获取原始影像,并根据所述原始影像生成第一影像;其中所述原始影像和第一影像中均包含待测物体,所述原始影像中的背景部分与所述待测物体轮廓部分的颜色相近,所述第一图像中的背景部分与所述待测物体轮廓部分的颜色具有差别;第二影像获取模块,用于获取至少一个第二影像,其中所述第二影像中包含对应于所述待测物体的目标物体;卷积运算模块,用于将每个所述第二影像作为卷积核对所述第一影像进行卷积运算,获取所述第一影像中表征与所述第二影像重合度最高的像素位置以及对应的最大像素值;区域获取模块,用于根据所述像素位置,获取表征所述待测物体边界区域像素均值的第一数值以及表征所述待测物体外部区域像素均值的第二数值;高亮像素模块,用于根据所述第一影像,获取所述第一影像中表征高亮像素数量的第三数值;物体判断模块,用于根据所述最大像素值、第一数值、第二数值和第三数值,判断所述原始影像是否存在所述待测物体;类型判断模块,用于根据所述最大像素值和第二影像,确定所述待测物体的类型。
在一可实施方式中,所述物体判断模块具体用于:计算所述第一数值与第二数值的比值,得到梯度均值比;计算所述最大像素值与第三数值的比值,得到像素数量比;若所述第三数值大于第一阈值、所述像素数量比大于第二阈值以及所述梯度均值比大于第三阈值,则判定所述第一影像中存在所述待测物体。
本发明另一方面提供一种计算机可读存储介质,所述存储介质包括一组计算机可执行指令,当所述指令被执行时用于执行上述任一项所述的物体检测方法。
在本发明实施例中,在处理待测物体和背景部分对比度低的影像时,通过获取第一影像中第二影像重合度最高的像素位置以及对应的最大像素值、待测物体边界区域像素均值、待测物体外部区域像素均值以及第一影像中高亮像素数量等多维度影像特征信息来作为判断依据,相比较于现有技术通过建立实物模板来进行相似度比较而言,本方案通过获取图像本身多维度特征参数来确定待测物体是否存在和判断物体类别,可减少低对比度、光照变化和噪声对图像检测带来的影响,进而可提升物体检测的准确率。另外,相对于现有技术中通过图像相似度计算来确定待测物体的重合位置的方法而言,本方案通过卷积运算确定重合位置可减少计算量,进而提升运算效率。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,其中:
在附图中,相同或对应的标号表示相同或对应的部分。
图1为本发明实施例一种物体检测方法的实现流程示意图;
图2为本发明实施例物体检测方法中原始影像示意图;
图3为本发明实施例物体检测方法中第一影像示意图;
图4为本发明实施例物体检测方法中第二影像示意图;
图5为本发明实施例物体检测方法中卷积运算结果示意图;
图6为本发明实施例物体检测方法中影像区域示意图;
图7为本发明实施例物体检测方法中滤波结果示意图;
图8为本发明实施例物体检测方法中整体流程示意图;
图9为本发明实施例物体检测装置的结构组成示意图。
具体实施方式
为使本发明的目的、特征、优点能够更加的明显和易懂,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,而非全部实施例。基于本发明中的实施例,本领域技术人员在没有做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。
如图1所示,本发明一方面提供一种物体检测方法,方法包括:
步骤101,获取原始影像,并根据原始影像生成第一影像;其中原始影像和第一影像中均包含待测物体,原始影像中的背景部分与待测物体轮廓部分的颜色相近,第一图像中的背景部分与待测物体轮廓部分的颜色具有差别;
步骤102,获取至少一个第二影像,其中第二影像中包含对应于待测物体的目标物体;
步骤103,将每个第二影像作为卷积核对第一影像进行卷积运算,获取第一影像中表征与第二影像重合度最高的像素位置以及对应的最大像素值;
步骤104,根据像素位置,获取表征待测物体边界区域像素均值的第一数值以及表征待测物体外部区域像素均值的第二数值;
步骤105,根据第一影像,获取第一影像中表征高亮像素数量的第三数值;
步骤106,根据最大像素值、第一数值、第二数值和第三数值,判断原始影像是否存在待测物体;
步骤107,根据最大像素值和第二影像,确定待测物体的类型。
本实施例中,原始影像、第一影像和第二影像可以为图像、视频和动画等等。在步骤101中,结合图2所示,原始影像、第一影像均包括背景部分和待测物体部分。原始影像中的背景部分与待测物体轮廓部分的颜色相近,即背景部分与待测物体轮廓部分的色差很小,或者说色差在几个像素之内,图2中可见,待测物体轮廓部分和背景部分颜色相近。原始影像可以为笔记本上的指纹识别模组、黑暗环境下的身形轮廓等等。第一图像中的背景部分与待测物体轮廓部分的颜色具有差别,即表示背景部分与待测物体轮廓部分的色差较大,如图3所示,图中梯度影像和边缘影像均为第一影像,可见待测物体轮廓部分偏白色,背景部分颜色偏黑,两者具有较大的色差。
在步骤102中,目标物体可以是与待测物体轮廓形状并且颜色相似的物体或者与待测物体对应的标准物体,当然也可以是其他形状的物体,如图4所示,图4中包含两个第二影像,分别对应一种物体类型,假设左边的第二影像对应着指纹识别模组,右边的第二影像对应着笔记本外壳。
在步骤103中,第一影像和第二影像的卷积运算过程具体为第二影像在第一影像的每个像素位置依次进行乘和运算,分别得到每个像素点位置的结果值,若卷积结果值越大,则表示该像素位置的图像重合度越高,结合图4和图5所示,图5中的卷积结果图1和卷积结果图2为第一影像分别与图4中两个作为卷积核的第二影像经卷积运算得到,可见,图中颜色越亮,表示卷积核在该处位置的重合度越高。接着选取所有结果值中的最大像素值即图中最亮的部分,并获取该最大像素值值对应的像素位置。
在步骤104中,在获取到像素位置之后,可结合待测物体的已知信息(如尺寸大小信息、尺寸角度信息等)计算得到待测物体的边界区域和外部区域,其中,结合图6所示,边界区域即为待测物体的轮廓部分,外部区域则表示第一影像中的背景部分。
接着分别计算边界区域和外部区域的像素均值,分别记为第一数值和第二数值。
在步骤105中,第一影像中的高亮像素部分的获取方式可以是将第一影像中的每个像素位置的像素值分别与预设阈值进行比较区分,还可以是统计第一影像中的每个像素位置的像素值,按像素值从大到小选取指定数量的像素作为高亮像素部分。在得到高亮像素部分之后,计算高亮像素的个数,记为第三数值。
在步骤106中,在获取到最大像素值、第一数值、第二数值和第三数值之后,可基于上述数值,综合判断第一影像是否存在待测物体。
在步骤107中,可基于最大像素值和第二影像进行指定运算,确定待测物体的类型。
由此,在处理待测物体和背景部分对比度低的影像时,通过获取第一影像中第二影像重合度最高的像素位置以及对应的最大像素值、待测物体边界区域像素均值、待测物体外部区域像素均值以及第一影像中高亮像素数量等多维度影像特征信息来作为判断依据,相比较于现有技术通过建立实物模板来进行相似度比较而言,本方案通过获取图像本身多维度特征参数来确定待测物体是否存在和判断物体类别,可减少低对比度、光照变化和噪声对图像检测带来的影响,进而可提升物体检测的准确率。另外,相对于现有技术中通过图像相似度计算来确定待测物体的重合位置的方法而言,本方案通过卷积运算确定重合位置可减少计算量,进而提升运算效率。
在一可实施方式中,在根据原始影像转换为第一影像之前,方法还包括:
对原始影像进行高斯滤波处理。
本实施例中,通过对原始影像进行高斯滤波处理,滤波后的效果如图7所示,可减轻影像中的噪点,以减少噪声对后续处理时的干扰。除了高斯滤波之外,还可以选取自适应中值滤波、双边滤波、导向滤波。
在一可实施方式中,第一影像包括梯度图像和边缘图像;
相应的,根据原始影像生成第一影像,包括:
对原始影像进行Sobel算子处理,得到梯度图像;
对梯度图像进行Canny算子处理,得到边缘图像。
本实施例中,如图3所示,梯度图像通过现有的Sobel算子对原始图像处理得到,边缘图像通过现有的Canny算子对原始图像处理得到,用于显示待测物体的边缘轮廓部分,图3中,可见待测物体的轮廓部分以白色像素展示。
在一可实施方式中,根据像素位置,获取表征待测物体边界区域像素均值的第一数值以及表征待测物体外部区域像素均值的第二数值,包括:
根据像素位置和待测物体的已知尺寸信息,计算得到待测物体的边界区域和外部区域;
计算梯度图像边界区域内的像素均值,得到第一数值;
计算梯度图像外界区域内的像素均值,得到第二数值。
本实施例中,第一数值和第二数值的获取方式为:
在确定像素位置的基础上结合待测物体的已知尺寸信息,便可得到整个待测物体的边界区域,根据边界区域可确定外部区域,如图6所示,若待测物体为指纹识别模组,那么边界区域为指纹识别模组的外侧边缘部分,影像中除指纹识别模组的为外部区域。
接着分别计算边界区域和外界区域的像素均值,分别得到第一数值和第二数值。
在一可实施方式中,根据第一影像,获取第一影像中表征高亮像素数量的第三数值,包括:
计算边缘图像中表征高亮像素数量的第三数值。
本实施例中,高亮像素为影像中像素值较高的像素,结合图3所示,图3中白色区域即为高亮像素,统计白色区域的像素数量,得到第三数值。
在一可实施方式中,根据最大像素值、第一数值、第二数值和第三数值,判断第一影像是否存在待测物体,包括:
计算第一数值与第二数值的比值,得到梯度均值比;
计算最大像素值与第三数值的比值,得到像素数量比;
若第三数值大于第一阈值、像素数量比大于第二阈值以及梯度均值比大于第三阈值,则判定第一影像中存在待测物体。
本实施例中,令第一数值为average_edge、第二数值为average_out、第三数值为high_px_num、最大像素值为max_value、第一阈值为thod_max_value、第二阈值为thod_high_px_per、第三阈值为thod_gradient_ratio,其中第一阈值、第二阈值和第三阈值可根据实际需求或者统计计算获得。
计算梯度均值比gradient_ratio=average_edge/average_out。
计算像素数量比high_px_per=max_value/high_px_num,其中像素数量比越大,表示干扰越小。
当同时满足:
max_value>thod_max_value,
high_px_per>thod_high_px_per,
gradient_ratio>thod_gradient_ratio。
则判定第一影像中存在待测物体;反之,若不满足上述三个式子中任意一个,则判定第一影像中不存在待测物体。
在一可实施方式中,根据最大像素值和第二影像,确定待测物体的类型,包括:
获取针对每个第二影像的像素数量比,并从所有的像素数量比中选取最大像素数量比;
根据最大像素数量比确定对应的第二影像,并根据所确定第二影像中目标物体的类型,确定待测物体的类型。
本实施例中,由于第一影像需依次跟多个作为卷积核的第二影像进行卷积运算,因此会计算得到多个最大像素值max_value,相应的,会计算得到多个计算像素数量比high_px_per,从所有的像素数量比中选取最大像素数量比,并确定对应的第二影像,接着获取第二影像中目标物体的类型,将目标物体的类型作为待测物体的类型。结合图3、图4和图5所示,将边缘影像分别与卷积核1和卷积核2进行卷积运算,分别得到卷积运算结果图1和卷积运算结果图2,可见,卷积运算结果图1中只有一个最大重合点,说明待测物体在中心位置正好与卷积核1是完全匹配,卷积运算结果图2中有4个最大重合点,说明卷积核2只与待测物体的部分相匹配,因此卷积运算结果图1对应的像素数量比high_px_per必然大于卷积运算结果图2对应的像素数量比high_px_per,由于卷积核1对应的是笔记本电脑中的指纹识别模组,那么待测物体的类型也为指纹识别模组。
如图8所示,以检测待测物体为指纹识别模块、两个第二图像为例为例,整体方案为:
1、首先获取原始影像;
2、对原始图像进行滤波处理,以减轻影像噪点,得到滤波影像;
3、对滤波影像进行Sobel算子处理,得到梯度影像;
4、对梯度影像进行Canny算子处理,得到边缘影像;
5、将边缘影像分别与图4中的两个卷积核进行卷积运算,分别得到卷积运算结果图1和卷积运算结果图2;
6、分别计算卷积运算结果图1和卷积运算结果图中的max_value、high_px_per和gradient_ratio等参数,分别得到计算结果图。
7、根据所计算得到的数值判断原始影像中是否存在检测待测物体以及判断检测待测物体的物体类型。
如图9所示,本发明实施例另一方面提供一种物体检测装置,装置包括:
第一影像获取模块201,用于获取原始影像,并根据原始影像生成第一影像;其中原始影像和第一影像中均包含待测物体,原始影像中的背景部分与待测物体轮廓部分的颜色相近,第一图像中的背景部分与待测物体轮廓部分的颜色具有差别;
第二影像获取模块202,用于获取至少一个第二影像,其中第二影像中包含对应于待测物体的目标物体;
卷积运算模块203,用于将每个第二影像作为卷积核对第一影像进行卷积运算,获取第一影像中表征与第二影像重合度最高的像素位置以及对应的最大像素值;
区域获取模块204,用于根据像素位置,获取表征待测物体边界区域像素均值的第一数值以及表征待测物体外部区域像素均值的第二数值;
高亮像素模块205,用于根据第一影像,获取第一影像中表征高亮像素数量的第三数值;
物体判断模块206,用于根据最大像素值、第一数值、第二数值和第三数值,判断原始影像是否存在待测物体;
类型判断模块207,用于根据最大像素值和第二影像,确定待测物体的类型。
在一可实施方式中,物体判断模块206具体用于:
计算第一数值与第二数值的比值,得到梯度均值比;
计算最大像素值与第三数值的比值,得到像素数量比;
若第三数值大于第一阈值、像素数量比大于第二阈值以及梯度均值比大于第三阈值,则判定第一影像中存在待测物体。
由此,在处理待测物体和背景部分对比度低的影像时,通过获取第一影像中第二影像重合度最高的像素位置以及对应的最大像素值、待测物体边界区域像素均值、待测物体外部区域像素均值以及第一影像中高亮像素数量等多维度影像特征信息来作为判断依据,相比较于现有技术通过建立实物模板来进行相似度比较而言,本方案通过获取图像本身多维度特征参数来确定待测物体是否存在和判断物体类别,可减少低对比度、光照变化和噪声对图像检测带来的影响,进而可提升物体检测的准确率。另外,相对于现有技术中通过图像相似度计算来确定待测物体的重合位置的方法而言,本方案通过卷积运算确定重合位置可减少计算量,进而提升运算效率。
本发明另一方面提供一种计算机可读存储介质,存储介质包括一组计算机可执行指令,当指令被执行时用于执行上述任一项的物体检测方法。
在本发明实施例中计算机可读存储介质包括一组计算机可执行指令,当指令被执行时用于获取原始影像,并根据原始影像生成第一影像;其中原始影像和第一影像中均包含待测物体,原始影像中的背景部分与待测物体轮廓部分的颜色相近,第一图像中的背景部分与待测物体轮廓部分的颜色具有差别;获取至少一个第二影像,其中第二影像中包含对应于待测物体的目标物体;将每个第二影像作为卷积核对第一影像进行卷积运算,获取第一影像中表征与第二影像重合度最高的像素位置以及对应的最大像素值;根据像素位置,获取表征待测物体边界区域像素均值的第一数值以及表征待测物体外部区域像素均值的第二数值;根据第一影像,获取第一影像中表征高亮像素数量的第三数值;根据最大像素值、第一数值、第二数值和第三数值,判断原始影像是否存在待测物体;根据最大像素值和第二影像,确定待测物体的类型。
由此,在处理待测物体和背景部分对比度低的影像时,通过获取第一影像中第二影像重合度最高的像素位置以及对应的最大像素值、待测物体边界区域像素均值、待测物体外部区域像素均值以及第一影像中高亮像素数量等多维度影像特征信息来作为判断依据,相比较于现有技术通过建立实物模板来进行相似度比较而言,本方案通过获取图像本身多维度特征参数来确定待测物体是否存在和判断物体类别,可减少低对比度、光照变化和噪声对图像检测带来的影响,进而可提升物体检测的准确率。另外,相对于现有技术中通过图像相似度计算来确定待测物体的重合位置的方法而言,本方案通过卷积运算确定重合位置可减少计算量,进而提升运算效率。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种物体检测方法,其特征在于,所述方法包括:
获取原始影像,并根据所述原始影像生成第一影像;所述第一影像包括梯度图像和边缘图像;其中所述原始影像和第一影像中均包含待测物体,所述原始影像中的背景部分与所述待测物体轮廓部分的颜色相近,所述第一影像中的背景部分与所述待测物体轮廓部分的颜色具有差别;
获取多个第二影像,其中所述第二影像中包含对应于所述待测物体的目标物体;
将每个所述第二影像作为卷积核对所述第一影像中的边缘图像进行卷积运算,获取所述第一影像中表征与所述第二影像重合度最高的像素位置以及对应的最大像素值;
根据所述像素位置和所述待测物体的已知尺寸信息,计算得到所述待测物体的边界区域和外部区域;计算所述梯度图像边界区域内的像素均值,得到第一数值;计算所述梯度图像外部区域内的像素均值,得到第二数值;
根据所述第一影像,计算所述边缘图像中表征高亮像素数量的第三数值;
根据所述最大像素值、第一数值、第二数值和第三数值,判断所述原始影像是否存在所述待测物体,包括:计算所述第一数值与第二数值的比值,得到梯度均值比;计算所述最大像素值与第三数值的比值,得到像素数量比;若所述第三数值大于第一阈值、所述像素数量比大于第二阈值以及所述梯度均值比大于第三阈值,则判定所述第一影像中存在所述待测物体;
根据所述最大像素值和第二影像,确定所述待测物体的类型。
2.根据权利要求1所述的方法,其特征在于,在根据所述原始影像转换为第一影像之前,所述方法还包括:
对所述原始影像进行高斯滤波处理。
3.根据权利要求1所述的方法,其特征在于,所述根据所述原始影像生成第一影像,包括:
对所述原始影像进行Sobel算子处理,得到所述梯度图像;
对所述梯度图像进行Canny算子处理,得到所述边缘图像。
4.根据权利要求1所述的方法,其特征在于,所述根据所述最大像素值和第二影像,确定所述待测物体的类型,包括:
获取针对每个所述第二影像的像素数量比,并从所有的像素数量比中选取最大像素数量比;
根据所述最大像素数量比确定对应的第二影像,并根据所确定第二影像中目标物体的类型,确定所述待测物体的类型。
5.一种物体检测装置,其特征在于,所述装置包括:
第一影像获取模块,用于获取原始影像,并根据所述原始影像生成第一影像;所述第一影像包括梯度图像和边缘图像;其中所述原始影像和第一影像中均包含待测物体,所述原始影像中的背景部分与所述待测物体轮廓部分的颜色相近,所述第一影像中的背景部分与所述待测物体轮廓部分的颜色具有差别;
第二影像获取模块,用于获取多个第二影像,其中所述第二影像中包含对应于所述待测物体的目标物体;
卷积运算模块,用于将每个所述第二影像作为卷积核对所述第一影像中的边缘图像进行卷积运算,获取所述第一影像中表征与所述第二影像重合度最高的像素位置以及对应的最大像素值;
区域获取模块,用于根据所述像素位置和所述待测物体的已知尺寸信息,计算得到所述待测物体的边界区域和外部区域;计算所述梯度图像边界区域内的像素均值,得到第一数值;计算所述梯度图像外部区域内的像素均值,得到第二数值;
高亮像素模块,用于根据所述第一影像,计算所述边缘图像中表征高亮像素数量的第三数值;
物体判断模块,用于根据所述最大像素值、第一数值、第二数值和第三数值,判断所述原始影像是否存在所述待测物体;包括:计算所述第一数值与第二数值的比值,得到梯度均值比;计算所述最大像素值与第三数值的比值,得到像素数量比;若所述第三数值大于第一阈值、所述像素数量比大于第二阈值以及所述梯度均值比大于第三阈值,则判定所述第一影像中存在所述待测物体;
类型判断模块,用于根据所述最大像素值和第二影像,确定所述待测物体的类型。
6.一种计算机可读存储介质,其特征在于,所述存储介质包括一组计算机可执行指令,当所述指令被执行时用于执行权利要求1-4任一项所述的物体检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011578700.0A CN112712499B (zh) | 2020-12-28 | 2020-12-28 | 一种物体检测方法、装置以及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011578700.0A CN112712499B (zh) | 2020-12-28 | 2020-12-28 | 一种物体检测方法、装置以及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112712499A CN112712499A (zh) | 2021-04-27 |
CN112712499B true CN112712499B (zh) | 2022-02-01 |
Family
ID=75545785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011578700.0A Active CN112712499B (zh) | 2020-12-28 | 2020-12-28 | 一种物体检测方法、装置以及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112712499B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046271A (zh) * | 2015-06-25 | 2015-11-11 | 哈尔滨工业大学 | 基于模板匹配的melf元件定位与检测方法 |
CN105354815A (zh) * | 2015-09-12 | 2016-02-24 | 沈阳理工大学 | 一种基于平板类微小型零件的精确识别定位方法 |
CN107767369A (zh) * | 2017-09-27 | 2018-03-06 | 杭州迈锐钶科技有限公司 | 一种滴定管的缺陷检测方法及装置 |
CN110276241A (zh) * | 2019-03-28 | 2019-09-24 | 广东工业大学 | 一种基于模板匹配的防震锤识别方法 |
CN111986144A (zh) * | 2020-07-08 | 2020-11-24 | 深圳市景阳科技股份有限公司 | 一种图像模糊判断方法、装置、终端设备及介质 |
CN112102141A (zh) * | 2020-09-24 | 2020-12-18 | 腾讯科技(深圳)有限公司 | 水印的检测方法、装置、存储介质以及电子设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9430457B2 (en) * | 2014-12-24 | 2016-08-30 | Xerox Corporation | Ambiguity reduction for image alignment applications |
US20170185865A1 (en) * | 2015-12-29 | 2017-06-29 | Le Holdings (Beijing) Co., Ltd. | Method and electronic apparatus of image matching |
-
2020
- 2020-12-28 CN CN202011578700.0A patent/CN112712499B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046271A (zh) * | 2015-06-25 | 2015-11-11 | 哈尔滨工业大学 | 基于模板匹配的melf元件定位与检测方法 |
CN105354815A (zh) * | 2015-09-12 | 2016-02-24 | 沈阳理工大学 | 一种基于平板类微小型零件的精确识别定位方法 |
CN107767369A (zh) * | 2017-09-27 | 2018-03-06 | 杭州迈锐钶科技有限公司 | 一种滴定管的缺陷检测方法及装置 |
CN110276241A (zh) * | 2019-03-28 | 2019-09-24 | 广东工业大学 | 一种基于模板匹配的防震锤识别方法 |
CN111986144A (zh) * | 2020-07-08 | 2020-11-24 | 深圳市景阳科技股份有限公司 | 一种图像模糊判断方法、装置、终端设备及介质 |
CN112102141A (zh) * | 2020-09-24 | 2020-12-18 | 腾讯科技(深圳)有限公司 | 水印的检测方法、装置、存储介质以及电子设备 |
Non-Patent Citations (3)
Title |
---|
Template matching using multiple templates weighted normalised cross correlation;Ze-Hao Wong et al.;《2014 IEEE Symposium on Computer Applications & Industrial Electronics (ISCAIE) 》;20150115;第131-135页 * |
Template Matching using Statistical Model and Parametric Template for Multi-Template;Chin-Sheng Chen et al.;《Journal of Signal and Information Processing》;20130831;第52-57页 * |
基于sift算法的人眼定位方法研究;金苗;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150815;第2015年卷(第8期);第I138-1108页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112712499A (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feichtenhofer et al. | A perceptual image sharpness metric based on local edge gradient analysis | |
CN108629343B (zh) | 一种基于边缘检测和改进Harris角点检测的车牌定位方法和系统 | |
CN108898132B (zh) | 一种基于形状上下文描述的太赫兹图像危险品识别方法 | |
US9767383B2 (en) | Method and apparatus for detecting incorrect associations between keypoints of a first image and keypoints of a second image | |
JP6598850B2 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
TWI624807B (zh) | 醫學影像之迭代式分析法 | |
CN105718931B (zh) | 用于确定采集图像中的杂斑的系统和方法 | |
US20140050411A1 (en) | Apparatus and method for generating image feature data | |
CN117095004B (zh) | 基于计算机视觉的挖掘机行走架主体焊接变形检测方法 | |
CN101976436A (zh) | 一种基于差分图修正的像素级多聚焦图像融合方法 | |
CN117372432B (zh) | 基于图像分割的电子烟表面缺陷检测方法及系统 | |
van Zwanenberg et al. | Edge detection techniques for quantifying spatial imaging system performance and image quality | |
CN115239661A (zh) | 基于图像处理的机械零件毛刺检测方法及系统 | |
CN114170165A (zh) | 一种芯片表面缺陷检测方法和装置 | |
CN112801141B (zh) | 基于模板匹配和孪生神经网络优化的异源图像匹配方法 | |
CN112712499B (zh) | 一种物体检测方法、装置以及计算机可读存储介质 | |
CN115423804B (zh) | 影像标定方法及装置、影像处理方法 | |
CN108805883B (zh) | 一种图像分割方法、图像分割装置及电子设备 | |
CN107223266B (zh) | 用于边缘检测的分数阶微分算子的核近似 | |
Ortiz-Jaramillo et al. | Computing contrast ratio in images using local content information | |
CN114972084A (zh) | 一种图像对焦准确度评价方法及系统 | |
CN111091513B (zh) | 图像处理方法、装置、计算机可读存储介质及电子设备 | |
US20200211194A1 (en) | Attached object detection apparatus | |
US10958899B2 (en) | Evaluation of dynamic ranges of imaging devices | |
JP2009151445A (ja) | 部分領域検出装置、対象物識別装置、及びプログラム |
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 |