CN112784828A - 基于方向梯度直方图的图像检测方法、装置、计算机设备 - Google Patents
基于方向梯度直方图的图像检测方法、装置、计算机设备 Download PDFInfo
- Publication number
- CN112784828A CN112784828A CN202110081699.9A CN202110081699A CN112784828A CN 112784828 A CN112784828 A CN 112784828A CN 202110081699 A CN202110081699 A CN 202110081699A CN 112784828 A CN112784828 A CN 112784828A
- Authority
- CN
- China
- Prior art keywords
- image
- sliding
- unit pixel
- sliding window
- window
- 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
Images
Classifications
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本申请涉及一种基于方向梯度直方图的图像检测方法、装置、计算机设备和存储介质。方法包括：获取待检测的原始图像；根据原始图像中各单元像素点计算获得第一图像；将第一图像划分成m×m滑块，滑块包括n×n单元像素点；根据滑块确定所属的滑窗；获取利用预先训练好的分类器，对各滑块进行识别得到的各滑块的得分，根据各个滑块所属的滑窗，计算各个滑窗对应的得分，确定图像目标是否位于当前位置处的滑窗内；以设定步长移动滑块；重复获取利用预先训练好的分类器，确定图像目标是否位于当前位置处的滑窗内的步骤，直至遍历完所有的滑块；根据目标图像所在的所有滑窗，得到目标图像的图像检测结果。采用本方法能够减少内存带宽消耗和运算量。
Description
技术领域
本申请涉及图像检测技术领域，特别是涉及一种基于方向梯度直方图的图像检测方法、装置、计算机设备和存储介质。
背景技术
随着图像检测技术的发展，出现了Hog(Histogram of Oriented Gridients，方向梯度直方图)作为一种传统的目标检测的特征算子，结合分类器SVM((Support VectorMachine，支持向量机，分离不同维度的样本数据，如字母、数字等不同类别的图像信息)进行目标检测。
传统技术中，hog算子主要包含了梯度计算、块的插值、和滑窗计算三大部分，hog插值的简要步骤为：通过滑动窗取当前像素区域(示例128x128)—分块—计算每个像素的方向和大小—计算直方图—在幅度方向的位置中心插值，通过遍历图像的所有像素点(滑动窗以cell(单元)步长滑动，遍历所述图像的所有像素点)，滑窗计算像素方向和大小，会导致buffer(缓冲器)频繁取数；
然而，目前的传统方法，以滑窗为单位进行计算，需要加载整个窗内的像素信息才能计算滑窗的得分，而滑窗过程由于滑窗与滑窗之间存在重叠，会产生大量的重复取数，从而使得内存带宽加大；尤其是在滑窗较大的情形下，重复取数的问题会急剧增加。
发明内容
基于此，有必要针对上述技术问题，提供一种能够减少内存带宽消耗和运算量的基于方向梯度直方图的图像检测方法、装置、计算机设备和存储介质。
一种基于方向梯度直方图的图像检测方法，所述方法包括：
获取待检测的原始图像；
根据所述原始图像中各单元像素点计算获得第一图像；
将所述第一图像划分成m×m滑块，所述滑块包括n×n单元像素点；
根据所述滑块确定所属的滑窗；
获取利用预先训练好的分类器，对各滑块进行识别得到的各滑块的得分，根据各个滑块所属的滑窗，计算各个滑窗对应的得分，确定图像目标是否位于当前位置处的滑窗内；
以设定步长移动滑块；
重复所述获取利用预先训练好的分类器，对各滑块进行识别得到的各滑块的得分，根据各个滑块所属的滑窗，计算各个滑窗对应的得分，确定图像目标是否位于当前位置处的滑窗内的步骤，直至遍历完所有的滑块；
根据目标图像所在的所有滑窗，得到目标图像的图像检测结果。
在其中一个实施例中，还包括：获取利用预先训练好的分类器，对各滑块进行识别得到的各滑块的得分，根据各个滑块所属的滑窗，计算各个滑窗对应的得分，确定图像目标是否位于当前位置处的滑窗内，包括：
若滑窗内的滑块的得分已记录，则针对滑窗内未记录的滑块，利用预先训练好的分类器，对各未记录的滑块进行识别，得到未记录的滑块的得分；
根据各个滑块所属的滑窗，计算各个滑窗对应的得分，确定图像目标是否位于当前位置处的滑窗内。
在其中一个实施例中，根据各个滑块所属的滑窗，计算各个滑窗对应的得分，确定图像目标是否位于当前位置处的滑窗内，包括：
根据当前滑块所处位置计算所属滑窗的得分，得到当前位置处的滑窗的总得分；
校验当前位置处的滑窗的总得分是否满足预设得分阈值；
如果当前位置处的滑窗的总得分不满足预设得分阈值时，则判定图像目标不在当前位置处的滑窗内；
如果当前位置处的滑窗的总得分满足预设得分阈值时，则判定图像目标在当前位置处的滑窗内。
在其中一个实施例中，根据所述原始图像中各像素点计算获得第一图像，包括：
遍历所述原始图像中的各个单元像素点，根据各所述单元像素点的坐标计算各所述单元像素点的第一幅值和角度；
对各所述单元像素点的角度进行量化，得到角度量化区间；
根据所述第一幅值和所述角度量化区间，获得第一图像。
在其中一个实施例中，所述角度量化区间包括多个子区间；在根据所述第一幅值和所述角度量化区间，获得第一图像之后，还包括：
针对各滑块，根据所述滑块的任一个所述单元像素点的坐标，确定所述单元像素点在所述角度量化区间中所处的子区间，根据所述子区间的位置对所述单元像素点及同一所述滑块中其他单元像素点进行插值，获得所述滑块对应的第一插值滑块。
在其中一个实施例中，所述方法还包括：针对各滑块，当所述滑块中同一单元像素点位置发生变化时，获取所述单元像素点的新坐标；重新确定所述单元像素点在所述角度量化区间中所处的子区间，根据重新确定的所述第二子区间的位置对所述单元像素点及同一所述滑块中其他单元像素点进行插值，获得所述滑块对应的第二插值滑块。
在其中一个实施例中，所述方法还包括：
对获取的原始图像进行图像灰度化处理，得到灰度化图像；
按照预设比例对所述灰度化图像进行缩放，得到缩放图像。
一种基于方向梯度直方图的图像检测装置，所述装置包括：
原始图像获取模块，用于获取待检测的原始图像；
第一图像获取模块，用于根据所述原始图像中各单元像素点计算获得第一图像；
滑块确定模块，用于将所述第一图像划分成m×m滑块，所述滑块包括n×n单元像素点；
所属滑窗确定模块，用于根据所述滑块确定所属的滑窗；
图像目标确定模块，用于获取利用预先训练好的分类器，对各滑块进行识别得到的各滑块的得分，根据各个滑块所属的滑窗，计算各个滑窗对应的得分，确定图像目标是否位于当前位置处的滑窗内；
滑块移动模块，用于以设定步长移动滑块；
重复确定模块，用于重复所述获取利用预先训练好的分类器，对各滑块进行识别得到的各滑块的得分，根据各个滑块所属的滑窗，计算各个滑窗对应的得分，确定图像目标是否位于当前位置处的滑窗内的步骤，直至遍历完所有的滑块；
图像检测结果获取模块，用于根据目标图像所在的所有滑窗，得到目标图像的图像检测结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待检测的原始图像；
根据所述原始图像中各单元像素点计算获得第一图像；
将所述第一图像划分成m×m滑块，所述滑块包括n×n单元像素点；
根据所述滑块确定所属的滑窗；
获取利用预先训练好的分类器，对各滑块进行识别得到的各滑块的得分，根据各个滑块所属的滑窗，计算各个滑窗对应的得分，确定图像目标是否位于当前位置处的滑窗内；
以设定步长移动滑块；
重复所述获取利用预先训练好的分类器，对各滑块进行识别得到的各滑块的得分，根据各个滑块所属的滑窗，计算各个滑窗对应的得分，确定图像目标是否位于当前位置处的滑窗内的步骤，直至遍历完所有的滑块；
根据目标图像所在的所有滑窗，得到目标图像的图像检测结果。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待检测的原始图像；
根据所述原始图像中各单元像素点计算获得第一图像；
将所述第一图像划分成m×m滑块，所述滑块包括n×n单元像素点；
根据所述滑块确定所属的滑窗；
获取利用预先训练好的分类器，对各滑块进行识别得到的各滑块的得分，根据各个滑块所属的滑窗，计算各个滑窗对应的得分，确定图像目标是否位于当前位置处的滑窗内；
以设定步长移动滑块；
重复所述获取利用预先训练好的分类器，对各滑块进行识别得到的各滑块的得分，根据各个滑块所属的滑窗，计算各个滑窗对应的得分，确定图像目标是否位于当前位置处的滑窗内的步骤，直至遍历完所有的滑块；
根据目标图像所在的所有滑窗，得到目标图像的图像检测结果。
上述基于方向梯度直方图的图像检测方法、装置、计算机设备和存储介质，获取待检测的原始图像；根据所述原始图像中各单元像素点计算获得第一图像；将所述第一图像划分成m×m滑块，所述滑块包括n×n单元像素点；根据所述滑块确定所属的滑窗；获取利用预先训练好的分类器，对各滑块进行识别得到的各滑块的得分，根据各个滑块所属的滑窗，计算各个滑窗对应的得分，确定图像目标是否位于当前位置处的滑窗内；以设定步长移动滑块；重复所述获取利用预先训练好的分类器，对各滑块进行识别得到的各滑块的得分，根据各个滑块所属的滑窗，计算各个滑窗对应的得分，确定图像目标是否位于当前位置处的滑窗内的步骤，直至遍历完所有的滑块；根据目标图像所在的所有滑窗，得到目标图像的图像检测结果。其中，在对第一图像进行滑窗计算时，滑窗的大小是预设的。在进行滑窗计算时，将滑块作为计算单元。根据滑块所可以确定其所属的滑窗，通过获取利用预先训练好的分类器，对各滑块进行识别并得到各滑块的得分，之后滑块在第一图像中的得分会被对应存储于终端。根据各个滑块所属的滑窗，计算各个滑窗对应的得分可以确定图像目标是否在当前位置处的滑窗内。从而当该滑块在一整个原始图像中滑动完之后，可以根据目标图像所在的所有滑窗，得到图像目标的图像检测结果。从而在得到图像目标的图像检测结果的方式上，本申请能够减少内存带宽消耗和运算量。
附图说明
图1为一个实施例中基于方向梯度直方图的图像检测方法的应用环境图；
图2为一个实施例中基于方向梯度直方图的图像检测方法的流程示意图；
图3为一个实施例中滑窗计算和滑块计算的对比示意图；
图4为一个实施例中对滑块进行线性插值的示意图；
图5为另一个实施例中基于方向梯度直方图的图像检测方法的流程框图；
图6为一个实施例中基于方向梯度直方图的图像检测装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的基于方向梯度直方图的图像检测方法，可以应用于如图1所示的应用环境中。其中，终端10包括图像获取模块102和图像识别模块104，图像获取模块102用于获取待检测的原始图像，并将待检测的原始图像传输给图像识别模块104，图像识别模块104在获得待检测的原始图像之后，将对该原始图像进行识别，判断图像目标在该原始图像中的具体位置。
在一个实施例中，如图2所示，提供了一种基于方向梯度直方图的图像检测方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤S202，获取待检测的原始图像。
其中，待检测的原始图像中包含图像目标，待检测的原始图像由终端获取，是具有彩色的图像。
步骤S204，根据所述原始图像中各单元像素点计算获得第一图像。
其中，原始图像由一系列的单元像素点构成，根据各单元像素点相关参数进行计算，可以获取第一图像，第一图像是在原始图像的基础上，对各单元像素点进行计算后，得到的图像。
步骤S206，将所述第一图像划分成m×m滑块，所述滑块包括n×n单元像素点。
具体地，滑窗是对第一图像进行滑窗计算时，在第一图像中具有一定区域面积单元像素点，在计算过程中，该一定区域的面积大小一般是确定的。因此，滑窗中含有一定数量的单元像素点。将第一图像划分成m×m个滑块，m为自然数，划分成m×m个滑块即将第一图像划分成长、宽度方向等个数的若干滑块，当m为5时，则是将滑窗划分成5×5个滑块(25个滑块)。
一个滑块中可以包括n×n单元像素点，n为自然数，划分成n×n个单元像素点，即长、宽度方向等个数的若干单元像素点构成一个滑块，当n为2时，即2×2个单元像素点(4个单元像素点)。
步骤S208，根据所述滑块确定所属的滑窗。
具体地，在进行滑窗计算时，第一图像中的滑块相对第一图像是移动的，其移动方向通常时从第一图像的左上角出发，按照从左至右，从上至下的规律进行移动，每移动到一个位置，可以确定当前位置处所属的滑窗。
步骤S210，获取利用预先训练好的分类器，对各滑块进行识别得到的各滑块的得分，根据各个滑块所属的滑窗，计算各个滑窗对应的得分，确定图像目标是否位于当前位置处的滑窗内。
步骤S212，以设定步长移动滑块。
步骤S214，重复所述获取利用预先训练好的分类器，对各滑块进行识别得到的各滑块的得分，根据各个滑块所属的滑窗，计算各个滑窗对应的得分，确定图像目标是否位于当前位置处的滑窗内的步骤，直至遍历完所有的滑块。
具体地，针对步骤S210-S214，训练好的分类器即预先训练好的SVM支持向量机。
如图3所示，在传统方法中，计算第一图像中的滑窗得分的计算方式为：
Arr(wxi,wyi)＝win_vec*svm_vec；
其中，(wxi,wyi)表示第i个滑窗的位置，win_vec表示一个滑窗的向量，svm_vec表示SVM分类器对应的映射向量win_vec＝[block_vec0,block_vec1,...,block_vecn]，block_veci表示滑窗中第i个滑块对应的向量，一个滑窗一共包含了n个滑块；svm_vec＝[svm_vec0,svm_vec1,...,svm_vecn]T，svm_veci表示滑窗内第i个滑块对应的向量；Arr(wxi,wyi)表示第i个滑窗的得分，该滑窗的得分就是该滑窗的向量和映射向量之间的叉乘。
相比于传统计算方式，改进的滑窗得分的计算方式为：
Arr(wxi,wyi)＝Σblock_veci*svm_veci；
其中，(wxi,wyi)表示第i个块的位置，Arr(wxi,wyi)表示第i个滑块的得分，该方法不再以滑窗为基础，而是以滑块为基础，计算每个滑块的向量以及映射向量，在滑块按照设定步长沿第一图像的水平方向或垂直方向移动的过程中同时计算相应滑块向量与SVM向量的叉乘，得到滑块的得分。当以滑块为单元遍历完整个第一图像，可以得到各个滑窗与SVM相乘的得分，即所有滑窗的得分亦计算完毕。其中，滑窗的得分能确定图像目标是否位于当前位置处的滑窗内，即滑窗的得分越高，相应地，图像目标位于当前位置处滑窗内的可能性越大。
相比于传统方法，改进的方法能减少冗余的数据加载，例如，当滑窗移动得到一个当前位置处的滑窗时，由于滑窗与滑窗之间存在重叠，而采用滑块进行滑窗移动，计算得到当前位置所属的滑窗，将不会导致重叠部分频繁的加载数据，也因此减轻了硬件带宽的压力，提升了整体性能的速度。
步骤S216，根据目标图像所在的所有滑窗，得到目标图像的图像检测结果。
具体地，当滑窗在第一图像中完成遍历之后，根据所有滑窗中的单元像素点，可以确定目标图像分布在哪些滑窗中，根据目标图像所在的这些滑窗，可以确定得到目标图像的图像检测结果。图像检测结果是对原始图像进行检测后，得到的关于图像目标显示的结果。
上述基于方向梯度直方图的图像检测方法中，在对第一图像进行滑窗计算时，滑窗的大小是预设的。在进行滑窗计算时，将滑块作为计算单元。根据滑块所可以确定其所属的滑窗，通过获取利用预先训练好的分类器，对各滑块进行识别并得到各滑块的得分，之后滑块在第一图像中的得分会被对应存储于终端。根据各个滑块所属的滑窗，计算各个滑窗对应的得分可以确定图像目标是否在当前位置处的滑窗内。从而当该滑块在一整个原始图像中滑动完之后，可以根据目标图像所在的所有滑窗，得到图像目标的图像检测结果。从而在得到图像目标的图像检测结果的方式上，本申请能够大大减少内存带宽消耗和运算量。
在一个实施例中，获取利用预先训练好的分类器，对各滑块进行识别得到的各滑块的得分，根据各个滑块所属的滑窗，计算各个滑窗对应的得分，确定图像目标是否位于当前位置处的滑窗内，包括：
若滑窗内的滑块的得分已记录，则针对滑窗内未记录的滑块，利用预先训练好的分类器，对各未记录的滑块进行识别，得到未记录的滑块的得分。
具体地，当滑块从一个位置处按设定步长移动至另一个相邻的位置处时，上一个位置处计算的滑块得分将能记录于终端，在移动到下一位置处时，如果滑窗内的滑块之前未被计算，终端将利用预先训练好的分类器对该位置处的滑窗内的滑块进行计算，并记录。
根据各个滑块所属的滑窗，计算各个滑窗对应的得分，确定图像目标是否位于当前位置处的滑窗内。
具体地，根据各个滑块所属的滑窗，计算各个滑窗对应的得分，得分越高，图像目标位于当前位置处的滑窗内的可能性越大，得分越低，图像目标位于当前位置处的滑窗内的可能性越小。
本实施例中，对滑窗内未记录的滑块利用预先训练好的分类器，对各未记录的滑块进行识别，从而得到各未记录的滑块的得分，可以防止对滑窗内的单元像素点重复计算。通过滑块计算滑窗得分的方式，避免了滑窗内单元像素点的重复加载数据，因而根据各个滑块所属的滑窗，计算各个滑窗对应的得分，可以确定图像目标是否位于当前位置处的滑窗内。
在一个实施例中，根据各个滑块所属的滑窗，计算各个滑窗对应的得分，确定图像目标是否位于当前位置处的滑窗内，包括：
根据当前滑块所处位置计算所属滑窗的得分，得到当前位置处的滑窗的总得分；校验当前位置处的滑窗的总得分是否满足预设得分阈值；如果当前位置处的滑窗的总得分不满足预设得分阈值时，则判定图像目标不在当前位置处的滑窗内；如果当前位置处的滑窗的总得分满足预设得分阈值时，则判定图像目标在当前位置处的滑窗内。
其中，预设得分阈值在终端预先设定，是用于评判当前位置处的滑窗的总得分是否满足预设得分阈值的依据。
在本实施例中，通过当前位置处的滑窗的得分与预设得分阈值进行比较的结果，可以确定图像目标是否位于当前位置处的滑窗内。
在一个实施例中，根据所述原始图像中各像素点计算获得第一图像，包括：
遍历所述原始图像中的各个单元像素点，根据各所述单元像素点的坐标计算各所述单元像素点的第一幅值和角度。
具体地，遍历原始图像中的每一个单元像素点，计算其相应的幅值(第一幅值和第二幅值，和角度，角度的范围为0到180度，具体计算过程：
(1)分别计算每个像素点水平方向和垂直方向的梯度gx和gy：
在该实施例中采用滤波模板fx＝[0,0,0；-1,0,1；0,0,0]、fy＝[0,-1,0；0,0,0；0,1,0]，计算gx和gy；当然滤波模板不仅仅局限于实施例中的滤波模板，亦可以是sobel算子，甚至更为简单的算子如：fx＝[-1,1]，fy＝[-1,1]T等滤波模板。利用这些公式，分别计算出水平方向的梯度gx和垂直方向的梯度gy。
(2)计算幅值mag：
mag＝ABS(gx)+ABS(gy),其中ABS为取绝对值；也可以采用mag＝sqrt(gx*gx+gy*gy)的方式计算，其中sqrt为开平方根；角度的计算为angle＝arctan(gy/gx)。
对各所述单元像素点的角度进行量化，得到角度量化区间。
具体地，如图4(b)所示，将角度量化为若干个区间，例如划分未8个区间时，每个区间为22.5度。该实施例角度量化的区间的数目不限定为8，亦可以为其他的值，这样可以得到角度量化后的图像。
根据所述第一幅值和所述角度量化区间，获得第一图像。
具体地，根据角度量化区间可以得到角度量化后的图像，根据角度量化后的图像、梯度和幅值，可以计算获得第一图像。
在本实施例中，通过遍历原始图像中的各个单元像素点，根据各单元像素点的坐标计算各单元像素点的第一幅值和角度。对各单元像素点的角度进行量化，得到角度量化区间。根据获得的第一幅值和角度量化区间，可以获得第一图像。
在一个实施例中，所述角度量化区间包括多个子区间；在根据所述第一幅值和所述角度量化区间，获得第一图像之后，还包括：
针对各滑块，根据所述滑块的任一个所述单元像素点的坐标，确定所述单元像素点在所述角度量化区间中所处的子区间，根据所述子区间的位置对所述单元像素点及同一所述滑块中其他单元像素点进行插值，获得所述滑块对应的第一插值滑块。
具体地，依据角度量化后图像以及梯度、幅值，将第一图像以n×n个单元像素点大小为一个单元像素点进行划分，每个单元依据所述角度量化区间进行直方图统计，为了平滑角度量化区间，该实施例中采用双线性插值对直方图进行插值，这里不局限于双线性插值，也可以是其他的插值方式，比如最近邻插值等方式。依次遍历每一个单元像素点，计算每个滑块的直方图。
插值的具体计算方式为：假设(x,y)为图像中一单元像素点，(cx,cy)为该单元像素点(x,y)对应以cell为基本单元的坐标点，bin_i表示当前点(x,y)所属的角度区间i，mag表示梯度幅值图像，mag(x,y)表示的是当前单元像素点的幅值，f表示对应cell的直方图，结合向量的叉乘运算，具体直方图插值表达式为：
从表达式结合图4(a)、4(b)和4(c)，可以看出cell0中的点(x,y)，首先判别属于的bin(区间)，然后对邻近的cell1、cell2和cell3相应的bin进行插值，得到当前cell对邻近cell的贡献。插值之后获得的滑块称之为第一插值滑块(第一插值滑块和第二插值滑块本质上都是插值滑块)。
在本实施例中，通过单元像素点对第一图像进行插值计算，在插值计算的过程中，将各单元像素点的相关参数提取出来，转换成可以方便统计的直方图，从而方便后续对滑块的得分进行计算。
在一个实施例中，基于方向梯度直方图的图像检测方法，还包括：
针对各滑块，当所述滑块中同一单元像素点位置发生变化时，获取所述单元像素点的新坐标，重新确定所述单元像素点在所述角度量化区间中所处的子区间，根据重新确定的所述子区间的位置对所述单元像素点及同一所述滑块中其他单元像素点进行插值，获得所述滑块对应的第二插值滑块。
具体地，当滑块中的同一单元像素点位置发生变化时，该单元像素点具有了新坐标，假设新坐标为(x1,y1)，根据该新坐标可以重新确定其在角度量化区间所属的子区间。在角度量化区间中，重新确定的子区间可能和上一次的子区间相同或者不同。根据该重新确定的子区间的位置可以对所述单元像素点及同一滑块中其他单元像素点进行插值，从而获得对应的第二插值滑块。第二插值滑块是相对第一插值滑块而言的，即滑块滑窗移动发生位置变化，进行插值计算得到的插值滑块。
在本实施例中，当滑块随着滑窗移动的过程中，由于滑块的位置是变化的，相应的，其插值之后得到的校正滑块的值也在发生变化，通过计算位置发生变化的同一单元像素点，可以计算得到第二插值滑块，从而更新校正滑块。
在一个实施例中，基于方向梯度直方图的图像检测方法，还包括：
对获取的原始图像进行图像灰度化处理，得到灰度化图像；
按照预设比例对所述灰度化图像进行缩放，得到缩放图像。
具体地，在获取到原始图像后，对原始图像进行图像灰度化处理，可以得到灰度化图像。根据预设比例，假定缩放比为0.5到1.5，按5个尺度缩放，则按照缩放比为(0.5,0.7,0.9,1.1,1.3,1.5)依次对图像进行缩放。
在本实施例中，对原始图像进行灰度化处理，得到灰度化图像，可以减少终端地计算量。按照预设比例对灰度化图像进行缩放，得到缩放图像，从而适应各个不同尺度的图像目标。
在一个实施例中，基于方向梯度直方图的图像检测方法，包括：步骤S502-S510，其中：
S502，图像预处理：
获取待检测的原始图像，对获取的原始图像进行图像灰度化处理，得到灰度化图像；按照预设比例对所述灰度化图像进行缩放，得到缩放图像。
S504，第一图像梯度和角度计算：
遍历所述原始图像中的各个单元像素点，根据各所述单元像素点的坐标计算各所述单元像素点的第一幅值和角度。
S506，图像角度量化：
对各所述单元像素点的角度进行量化，得到角度量化区间。
S508，图像插值计算：
根据所述第一幅值和所述角度量化区间，获得第一图像，根据第一图像，针对各滑块：
根据所述滑块的任一个所述单元像素点的坐标，确定所述单元像素点在所述角度量化区间中所处的子区间，根据所述子区间的位置对所述单元像素点及同一所述滑块中其他单元像素点进行插值，获得所述滑块对应的第一插值滑块。
S510，滑窗计算：
以设定步长移动滑块；
重复所述获取利用预先训练好的分类器，对各滑块进行识别得到的各滑块的得分，根据各个滑块所属的滑窗，计算各个滑窗对应的得分，确定图像目标是否位于当前位置处的滑窗内的步骤，直至遍历完所有的滑块；
根据当前滑块所处位置计算所属滑窗的得分，得到当前位置处的滑窗的总得分；
校验当前位置处的滑窗的总得分是否满足预设得分阈值；
如果当前位置处的滑窗的总得分不满足预设得分阈值时，则判定图像目标不在当前位置处的滑窗内；
如果当前位置处的滑窗的总得分满足预设得分阈值时，则判定图像目标在当前位置处的滑窗内。
在本实施例中，通过合理的算法设计，使得硬件更好的实施加速运算，在小型的嵌入式芯片上，640x360分辨率的图片作为输入进行车辆检测，采用10个缩放尺度，通过双线性方式对直方图插值处理，滑块的方式累计得到滑窗的得分，该目标检测的速率可以达到45fps，达到很好的实时性，且大大提高了图像检测效率；这里的检测不仅仅局限于车辆，可以是行人、人脸等目标物体。
应该理解的是，虽然上述实施例涉及的各流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述实施例涉及的各流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种基于方向梯度直方图的图像检测装置，包括：原始图像获取模块602、第一图像获取模块604、滑块确定模块606、所属滑窗确定模块608、图像目标确定模块610、滑块移动模块612、重复确定模块614和图像检测结果获取模块616，其中：
原始图像获取模块602，用于获取待检测的原始图像；
第一图像获取模块604，用于根据所述原始图像中各单元像素点计算获得第一图像；
滑块确定模块606，用于将所述第一图像划分成m×m滑块，所述滑块包括n×n单元像素点；
所属滑窗确定模块608，用于根据所述滑块确定所属的滑窗；
图像目标确定模块610，用于获取利用预先训练好的分类器，对各滑块进行识别得到的各滑块的得分，根据各个滑块所属的滑窗，计算各个滑窗对应的得分，确定图像目标是否位于当前位置处的滑窗内；
滑块移动模块612，用于以设定步长移动滑块；
重复确定模块614，用于重复所述获取利用预先训练好的分类器，对各滑块进行识别得到的各滑块的得分，根据各个滑块所属的滑窗，计算各个滑窗对应的得分，确定图像目标是否位于当前位置处的滑窗内的步骤，直至遍历完所有的滑块；
图像检测结果获取模块616，用于根据目标图像所在的所有滑窗，得到目标图像的图像检测结果。
在一个实施例中，图像目标确定模块，包括：未记录滑块得分获取模块、图像目标确定子模块，其中：
未记录滑块得分获取模块，用于若滑窗内的滑块的得分已记录，则针对滑窗内未记录的滑块，利用预先训练好的分类器，对各未记录的滑块进行识别，得到未记录的滑块的得分；
图像目标确定子模块，用于根据各个滑块所属的滑窗，计算各个滑窗对应的得分，确定图像目标是否位于当前位置处的滑窗内。
在一个实施例中，图像目标确定子模块，包括：总得分获取模块、总得分校验模块，其中：
总得分获取模块，用于根据当前滑块所处位置计算所属滑窗的得分，得到当前位置处的滑窗的总得分；
总得分校验模块，用于校验当前位置处的滑窗的总得分是否满足预设得分阈值；
如果当前位置处的滑窗的总得分不满足预设得分阈值时，则判定图像目标不在当前位置处的滑窗内；
如果当前位置处的滑窗的总得分满足预设得分阈值时，则判定图像目标在当前位置处的滑窗内。
在一个实施例中，第一图像获取模块，包括：幅值角度获取模块、区间获取模块、第一图像获取子模块，其中：
幅值角度获取模块，用于遍历所述原始图像中的各个单元像素点，根据各所述单元像素点的坐标计算各所述单元像素点的第一幅值和角度；
区间获取模块，用于对各所述单元像素点的角度进行量化，得到角度量化区间；
第一图像获取子模块，用于根据所述第一幅值和所述角度量化区间，获得第一图像。
在一个实施例中，基于方向梯度直方图的图像检测装置，还包括：第一插值滑块，用于针对各滑块，根据所述滑块的任一个所述单元像素点的坐标，确定所述单元像素点在所述角度量化区间中所处的子区间，根据所述子区间的位置对所述单元像素点及同一所述滑块中其他单元像素点进行插值，获得所述滑块对应的第一插值滑块。。
在一个实施例中，基于方向梯度直方图的图像检测装置，还包括：第二插值滑块，用于针对各滑块，当所述滑块中同一单元像素点位置发生变化时，获取所述单元像素点的新坐标，重新确定所述单元像素点在所述角度量化区间中所处的子区间，根据重新确定的所述子区间的位置对所述单元像素点及同一所述滑块中其他单元像素点进行插值，获得所述滑块对应的第二插值滑块。
在一个实施例中，基于方向梯度直方图的图像检测装置，还包括：灰度化图像获取模块、缩放图像获取模块，其中：
灰度化图像获取模块，用于对获取的原始图像进行图像灰度化处理，得到灰度化图像；
缩放图像获取模块，用于按照预设比例对所述灰度化图像进行缩放，得到缩放图像。
关于基于方向梯度直方图的图像检测装置的具体限定可以参见上文中对于基于方向梯度直方图的图像检测方法的限定，在此不再赘述。上述基于方向梯度直方图的图像检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于方向梯度直方图的图像检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于方向梯度直方图的图像检测方法，其特征在于，所述方法包括：
获取待检测的原始图像；
根据所述原始图像中各单元像素点计算获得第一图像；
将所述第一图像划分成m×m滑块，所述滑块包括n×n单元像素点；
根据所述滑块确定所属的滑窗；
获取利用预先训练好的分类器，对各滑块进行识别得到的各滑块的得分，根据各个滑块所属的滑窗，计算各个滑窗对应的得分，确定图像目标是否位于当前位置处的滑窗内；
以设定步长移动滑块；
重复所述获取利用预先训练好的分类器，对各滑块进行识别得到的各滑块的得分，根据各个滑块所属的滑窗，计算各个滑窗对应的得分，确定图像目标是否位于当前位置处的滑窗内的步骤，直至遍历完所有的滑块；
根据目标图像所在的所有滑窗，得到目标图像的图像检测结果。
2.根据权利要求1所述的方法，其特征在于，获取利用预先训练好的分类器，对各滑块进行识别得到的各滑块的得分，根据各个滑块所属的滑窗，计算各个滑窗对应的得分，确定图像目标是否位于当前位置处的滑窗内，包括：
若滑窗内的滑块的得分已记录，则针对滑窗内未记录的滑块，利用预先训练好的分类器，对各未记录的滑块进行识别，得到未记录的滑块的得分；
根据各个滑块所属的滑窗，计算各个滑窗对应的得分，确定图像目标是否位于当前位置处的滑窗内。
3.根据权利要求1所述的方法，其特征在于，根据各个滑块所属的滑窗，计算各个滑窗对应的得分，确定图像目标是否位于当前位置处的滑窗内，包括：
根据当前滑块所处位置计算所属滑窗的得分，得到当前位置处的滑窗的总得分；
校验当前位置处的滑窗的总得分是否满足预设得分阈值；
如果当前位置处的滑窗的总得分不满足预设得分阈值时，则判定图像目标不在当前位置处的滑窗内；
如果当前位置处的滑窗的总得分满足预设得分阈值时，则判定图像目标在当前位置处的滑窗内。
4.根据权利要求1所述的方法，其特征在于，根据所述原始图像中各像素点计算获得第一图像，包括：
遍历所述原始图像中的各个单元像素点，根据各所述单元像素点的坐标计算各所述单元像素点的第一幅值和角度；
对各所述单元像素点的角度进行量化，得到角度量化区间；
根据所述第一幅值和所述角度量化区间，获得第一图像。
5.根据权利要求4所述的方法，其特征在于，所述角度量化区间包括多个子区间；在根据所述第一幅值和所述角度量化区间，获得第一图像之后，还包括：
针对各滑块，根据所述滑块的任一个所述单元像素点的坐标，确定所述单元像素点在所述角度量化区间中所处的子区间，根据所述子区间的位置对所述单元像素点及同一所述滑块中其他单元像素点进行插值，获得所述滑块对应的第一插值滑块。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
针对各滑块，当所述滑块中同一单元像素点位置发生变化时，获取所述单元像素点的新坐标，重新确定所述单元像素点在所述角度量化区间中所处的子区间，根据重新确定的所述子区间的位置对所述单元像素点及同一所述滑块中其他单元像素点进行插值，获得所述滑块对应的第二插值滑块。
7.根据权利要求5所述的方法，其特征在于，所述方法还包括：
对获取的原始图像进行图像灰度化处理，得到灰度化图像；
按照预设比例对所述灰度化图像进行缩放，得到缩放图像。
8.一种基于方向梯度直方图的图像检测装置，其特征在于，所述装置包括：
原始图像获取模块，用于获取待检测的原始图像；
第一图像获取模块，用于根据所述原始图像中各单元像素点计算获得第一图像；
滑块确定模块，用于将所述第一图像划分成m×m滑块，所述滑块包括n×n单元像素点；
所属滑窗确定模块，用于根据所述滑块确定所属的滑窗；
图像目标确定模块，用于获取利用预先训练好的分类器，对各滑块进行识别得到的各滑块的得分，根据各个滑块所属的滑窗，计算各个滑窗对应的得分，确定图像目标是否位于当前位置处的滑窗内；
滑块移动模块，用于以设定步长移动滑块；
重复确定模块，用于重复所述获取利用预先训练好的分类器，对各滑块进行识别得到的各滑块的得分，根据各个滑块所属的滑窗，计算各个滑窗对应的得分，确定图像目标是否位于当前位置处的滑窗内的步骤，直至遍历完所有的滑块；
图像检测结果获取模块，用于根据目标图像所在的所有滑窗，得到目标图像的图像检测结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110081699.9A CN112784828B (zh) | 2021-01-21 | 2021-01-21 | 基于方向梯度直方图的图像检测方法、装置、计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110081699.9A CN112784828B (zh) | 2021-01-21 | 2021-01-21 | 基于方向梯度直方图的图像检测方法、装置、计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112784828A true CN112784828A (zh) | 2021-05-11 |
| CN112784828B CN112784828B (zh) | 2022-05-17 |
Family
ID=75758008
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110081699.9A Active CN112784828B (zh) | 2021-01-21 | 2021-01-21 | 基于方向梯度直方图的图像检测方法、装置、计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112784828B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113362323A (zh) * | 2021-07-21 | 2021-09-07 | 中国科学院空天信息创新研究院 | 基于滑窗分块的图像检测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110026770A1 (en) * | 2009-07-31 | 2011-02-03 | Jonathan David Brookshire | Person Following Using Histograms of Oriented Gradients |
| CN103440478A (zh) * | 2013-08-27 | 2013-12-11 | 电子科技大学 | 一种基于hog特征的人脸检测方法 |
| CN106503615A (zh) * | 2016-09-20 | 2017-03-15 | 北京工业大学 | 基于多传感器的室内人体检测跟踪和身份识别系统 |
| CN106529448A (zh) * | 2016-10-27 | 2017-03-22 | 四川长虹电器股份有限公司 | 利用聚合通道特征进行多视角人脸检测的方法 |
| CN107833221A (zh) * | 2017-11-29 | 2018-03-23 | 武汉大学 | 一种基于多通道特征融合和机器学习的漏水监测方法 |
| CN108182381A (zh) * | 2017-12-05 | 2018-06-19 | 华南理工大学 | 基于快速Adaboost训练算法的自动扶梯乘客检测算法 |
| CN109409190A (zh) * | 2018-08-21 | 2019-03-01 | 南京理工大学 | 基于梯度直方图和Canny边缘检测器的行人检测方法 |
| US20190325252A1 (en) * | 2016-11-24 | 2019-10-24 | Emdalo Technologies Limited | System and method for determining the presence of objects in an image |
| CN110866435A (zh) * | 2019-08-13 | 2020-03-06 | 广州三木智能科技有限公司 | 一种自相似性梯度朝向直方图的远红外行人训练方法 |
-
2021
- 2021-01-21 CN CN202110081699.9A patent/CN112784828B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110026770A1 (en) * | 2009-07-31 | 2011-02-03 | Jonathan David Brookshire | Person Following Using Histograms of Oriented Gradients |
| CN103440478A (zh) * | 2013-08-27 | 2013-12-11 | 电子科技大学 | 一种基于hog特征的人脸检测方法 |
| CN106503615A (zh) * | 2016-09-20 | 2017-03-15 | 北京工业大学 | 基于多传感器的室内人体检测跟踪和身份识别系统 |
| CN106529448A (zh) * | 2016-10-27 | 2017-03-22 | 四川长虹电器股份有限公司 | 利用聚合通道特征进行多视角人脸检测的方法 |
| US20190325252A1 (en) * | 2016-11-24 | 2019-10-24 | Emdalo Technologies Limited | System and method for determining the presence of objects in an image |
| CN107833221A (zh) * | 2017-11-29 | 2018-03-23 | 武汉大学 | 一种基于多通道特征融合和机器学习的漏水监测方法 |
| CN108182381A (zh) * | 2017-12-05 | 2018-06-19 | 华南理工大学 | 基于快速Adaboost训练算法的自动扶梯乘客检测算法 |
| CN109409190A (zh) * | 2018-08-21 | 2019-03-01 | 南京理工大学 | 基于梯度直方图和Canny边缘检测器的行人检测方法 |
| CN110866435A (zh) * | 2019-08-13 | 2020-03-06 | 广州三木智能科技有限公司 | 一种自相似性梯度朝向直方图的远红外行人训练方法 |
Non-Patent Citations (3)
| Title |
|---|
| 周福送: "基于强监督部件模型的遥感影像目标检测", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 谭振宇: "基于深度学习的遥感影像飞机目标检测与识别技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 高秀丽: "基于全景视觉的汽车行驶环境监测系统关键技术研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113362323A (zh) * | 2021-07-21 | 2021-09-07 | 中国科学院空天信息创新研究院 | 基于滑窗分块的图像检测方法 |
| CN113362323B (zh) * | 2021-07-21 | 2022-09-16 | 中国科学院空天信息创新研究院 | 基于滑窗分块的图像检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112784828B (zh) | 2022-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10587806B2 (en) | Method and apparatus for motion estimation | |
| CN110400332B (zh) | 一种目标检测跟踪方法、装置及计算机设备 | |
| CN110991311B (zh) | 一种基于密集连接深度网络的目标检测方法 | |
| KR101643672B1 (ko) | 광류 추적 방법 및 장치 | |
| CN109918969B (zh) | 人脸检测方法及装置、计算机装置和计算机可读存储介质 | |
| CN112132093B (zh) | 高分辨率遥感图像目标检测方法、装置和计算机设备 | |
| CN111091123A (zh) | 文本区域检测方法及设备 | |
| CN111523447B (zh) | 车辆跟踪方法、装置、电子设备及存储介质 | |
| CN111047626A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
| US20210027094A1 (en) | Image processing method, related device, and computer storage medium | |
| CN109840524A (zh) | 文字的类型识别方法、装置、设备及存储介质 | |
| KR20110074453A (ko) | 정보처리장치 및 정보처리방법 | |
| CN112200115B (zh) | 人脸识别训练方法、识别方法、装置、设备及存储介质 | |
| CN111914756A (zh) | 一种视频数据处理方法和装置 | |
| CN112784828B (zh) | 基于方向梯度直方图的图像检测方法、装置、计算机设备 | |
| CN115424209A (zh) | 一种基于空间金字塔注意力网络的人群计数方法 | |
| CN111127510B (zh) | 一种目标对象位置的预测方法及装置 | |
| CN111754429A (zh) | 运动矢量后处理方法和装置、电子设备及存储介质 | |
| CN108062523B (zh) | 一种红外远小目标检测方法 | |
| KR101192365B1 (ko) | 얼굴 검출 시스템 및 그 방법 | |
| CN113542868A (zh) | 视频关键帧选取方法、装置、电子设备、存储介质 | |
| CN111968160A (zh) | 图像匹配方法和存储介质 | |
| CN113727095A (zh) | 摄像头移动的检测方法、装置、设备、系统及存储介质 | |
| JP2006031392A (ja) | テンプレート照合装置および方法 | |
| CN112053295B (zh) | 图像降噪方法、装置、计算机设备和存储介质 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 519000 No. 333, Kexing Road, Xiangzhou District, Zhuhai City, Guangdong Province Applicant after: ZHUHAI JIELI TECHNOLOGY Co.,Ltd. Address before: Floor 1-107, building 904, ShiJiHua Road, Zhuhai City, Guangdong Province Applicant before: ZHUHAI JIELI TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |