CN113723424A - 一种目标检测方法及装置、设备、存储介质 - Google Patents
一种目标检测方法及装置、设备、存储介质 Download PDFInfo
- Publication number
- CN113723424A CN113723424A CN202010450365.XA CN202010450365A CN113723424A CN 113723424 A CN113723424 A CN 113723424A CN 202010450365 A CN202010450365 A CN 202010450365A CN 113723424 A CN113723424 A CN 113723424A
- Authority
- CN
- China
- Prior art keywords
- energy
- image
- energy function
- detected
- determining
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 70
- 230000006870 function Effects 0.000 claims description 238
- 238000000034 method Methods 0.000 claims description 53
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000003044 adaptive effect Effects 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种目标检测方法及装置、设备、存储介质，包括：获取包含待检测目标的待检测图像；根据所述待检测图像的属性信息，建立用于确定像素点能量的第一能量函数；根据所述第一能量函数，确定所述待检测图像的特征点，并创建包围所述特征点的凸包；根据所述待检测图像的灰度信息和能量，对所述凸包的轮廓进行调整，得到所述待检测目标的轮廓。这样，在通过凸包检测目标的基础上再对该凸包的轮廓进行收敛，缩短了目标检测的计算时间提高了检测的精度，而且提高了目标检测的准确度。
Description
技术领域
本申请涉及图像处理及计算机视觉领域，涉及但不限于一种目标检测方法及装置、设备、存储介质。
背景技术
在相关技术中，图像的显著性目标检测是计算机视觉和模式识别的一个分支，被广泛应用于目标检测和识别，图像分割和压缩，视频摘要等许多应用中。由于视频中的目标具有不同姿态且经常出现遮挡、其运动具有不规则性，影响目标的跟踪、动作识别和行为描述的效果。比如，对于复杂背景、目标遮挡和光线变化的情况下不能有效的实现前景与背景的分离；对于背景噪声、监控设备晃动等引起的全局背景扰动，以及树枝摇晃，水波荡漾等引起的局部背景扰动情况不能有效抑制；而且由于显著性目标大小不定，导致无法建立理想的模型，增加了计算时间并且精度不够。
发明内容
有鉴于此，本申请提供一种目标检测方法及装置、设备、存储介质，至少解决计算时间长且精度不够的问题。
本申请的技术方案是这样实现的：
本申请提供了一种目标检测方法，应用于具有通信功能的通信设备，所述方法包括：
中断所述通信设备与所属运营商的数据业务的连接；
此外，根据本申请，所述根据所述待检测图像的属性信息，建立用于确定像素点能量的第一能量函数，包括：
确定所述待检测图像的以下属性信息中的至少之一：角点信息、边缘信息和图像级别；
根据所述角点信息，建立用于确定角点能量的第二能量函数；
根据所述边缘信息，建立用于确定边缘能量的第三能量函数；
根据所述图像级别，建立用于确定所述待检测图像的对比度的第四能量函数；
将所述第二能量函数、所述第三能量函数和所述第四能量函数进行组合，得到所述第一能量函数。
此外，根据本申请，所述根据所述角点信息，建立用于确定角点能量的第二能量函数，包括：
根据所述角点信息，建立自适应矩阵；
根据所述自适应矩阵的行列式和迹，建立所述第二能量函数。
此外，根据本申请，确定所述待检测图像的图像级别，包括：
对预设的初始图像的长度和高度进行调整，得到调整后的初始图像；
采用预设滤波器，对所述调整后的初始图像进行滤波，得到所述待检测图像的图像级别。
此外，根据本申请，如果所述图像级别包括多个级别，所述根据所述图像级别，建立用于确定对比度的第四能量函数，包括：
确定所述待检测图像在预设长度的窗口内的微调级别；
确定所述待检测图像的当前图像级别与对应的微调级别之间的差值；
根据所述差值，确定所述第四能量函数。
此外，根据本申请，所述将所述第二能量函数、所述第三能量函数和所述第四能量函数进行组合，得到所述第一能量函数，包括：
采用预设的标准化范围，对所述第二能量函数、所述第三能量函数和所述第四能量函数进行标准化；
将标准化后的第二能量函数、标准化后的第三能量函数和标准化后的第四能量函数进行组合，得到所述第一能量函数。
此外，根据本申请，所述根据所述第一能量函数，确定所述待检测图像的特征点，并创建包围所述特征点的凸包，包括：
采用所述第一能量函数，确定所述待检测图像的每一像素点的能量值；
将在预设区域外具有最大能量值的像素点，作为所述特征点；
创建至少包围所述特征点的凸多边形作为所述凸包。
此外，根据本申请，所述根据所述待检测图像的灰度信息和能量，对所述凸包的轮廓进行调整，得到所述待检测目标的轮廓，包括：
采用所述第一能量函数，确定所述凸包内部包含的像素点的内部能量；
采用所述第一能量函数，确定所述凸包外部包含的像素点的外部能量；
确定所述凸包内部包含的像素点的第一平均灰度；
确定所述凸包外部包含的像素点的第二平均灰度；
根据所述内部能量、所述外部能量、所述第一平均灰度和所述第二平均灰度，对所述凸包的轮廓进行调整，得到所述待检测目标的轮廓。
此外，根据本申请，所述根据所述内部能量、所述外部能量、所述第一平均灰度和所述第二平均灰度，对所述凸包的轮廓进行调整，得到所述待检测目标的轮廓，包括：
根据所述内部能量、所述外部能量、所述第一平均灰度和所述第二平均灰度，确定第五能量函数；
将所述凸包的轮廓的所围的面积和所述凸包的轮廓的长度，作为所述第五能量函数的输入项，得到第六能量函数；
确定所述第六能量函数的最小值；
将所述最小值对应的所述凸包的轮廓，作为所述待检测目标的轮廓。
本申请提供一种目标检测装置，所述装置包括：第一获取模块、第一建立模块、第一确定模块和第一调整模块，其中：
所述第一获取模块，用于获取包含待检测目标的待检测图像；
所述第一建立模块，用于根据所述待检测图像的属性信息，建立用于确定像素点能量的第一能量函数；
所述第一确定模块，用于根据所述第一能量函数，确定所述待检测图像的特征点，并创建包围所述特征点的凸包；
所述第一调整模块，用于根据所述待检测图像的灰度信息和能量，对所述凸包的轮廓进行调整，得到所述待检测目标的轮廓。
此外，根据本申请，所述第一建立模块，包括：
第一确定子模块，用于确定所述待检测图像的以下属性信息中的至少之一：角点信息、边缘信息和图像级别；
第一建立子模块，用于根据所述角点信息，建立用于确定角点能量的第二能量函数；
第二建立子模块，用于根据所述边缘信息，建立用于确定边缘能量的第三能量函数；
第三建立子模块，用于根据所述图像级别，建立用于确定所述待检测图像的对比度的第四能量函数；
第一组合子模块，用于将所述第二能量函数、所述第三能量函数和所述第四能量函数进行组合，得到所述第一能量函数。
此外，根据本申请，所述第一建立子模块，包括：
第一建立单元，用于根据所述角点信息，建立自适应矩阵；
第二建立单元，用于根据所述自适应矩阵的行列式和迹，建立所述第二能量函数。
此外，根据本申请，第一确定子模块，包括：
第一调整单元，用于对预设的初始图像的长度和高度进行调整，得到调整后的初始图像；
第一过滤单元，用于采用预设滤波器，对所述调整后的初始图像进行滤波，得到所述待检测图像的图像级别。
此外，根据本申请，如果所述图像级别包括多个级别，所述第三建立子模块，包括：
第一确定单元，用于确定所述待检测图像在预设长度的窗口内的微调级别；
第二确定单元，用于确定所述待检测图像的当前图像级别与对应的微调级别之间的差值；
第三确定单元，用于根据所述差值，确定所述第四能量函数。
此外，根据本申请，所述第一组合子模块，包括：
第一标准化单元，用于采用预设的标准化范围，对所述第二能量函数、所述第三能量函数和所述第四能量函数进行标准化；
第一组合单元，用于将标准化后的第二能量函数、标准化后的第三能量函数和标准化后的第四能量函数进行组合，得到所述第一能量函数。
此外，根据本申请，所述第一确定模块，包括：
第二确定子模块，用于采用所述第一能量函数，确定所述待检测图像的每一像素点的能量值；
第三确定子模块，用于将在预设区域外具有最大能量值的像素点，作为所述特征点；
第一创建子模块，用于创建至少包围所述特征点的凸多边形作为所述凸包。
此外，根据本申请，所述第一调整模块，包括：
第四确定子模块，用于采用所述第一能量函数，确定所述凸包内部包含的像素点的内部能量；
第五确定子模块，用于采用所述第一能量函数，确定所述凸包外部包含的像素点的外部能量；
第六确定子模块，用于确定所述凸包内部包含的像素点的第一平均灰度；
第七确定子模块，用于确定所述凸包外部包含的像素点的第二平均灰度；
第一调整子模块，用于根据所述内部能量、所述外部能量、所述第一平均灰度和所述第二平均灰度，对所述凸包的轮廓进行调整，得到所述待检测目标的轮廓。
此外，根据本申请，所述第一调整子模块，包括：
第四确定单元，用于根据所述内部能量、所述外部能量、所述第一平均灰度和所述第二平均灰度，确定第五能量函数；
第五确定单元，用于将所述凸包的轮廓的所围的面积和所述凸包的轮廓的长度，作为所述第五能量函数的输入项，得到第六能量函数；
第六确定单元，用于确定所述第六能量函数的最小值；
第七确定单元，用于将所述最小值对应的所述凸包的轮廓，作为所述待检测目标的轮廓。
本申请提供一种目标检测设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述目标检测方法中的步骤。
本申请提供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目标检测方法中的步骤。
本申请一示例性提供了一种目标检测方法及装置、设备、存储介质，其中，对于包含待检测目标的待检测图像，首先，根据该图像的属性信息，建立能够计算像素点能量的第一能量函数；然后，采用该第一能量函数确定图像中的特征点，并创建包围该特征点的凸包；这样，能够快速定位分割目标并准确检测出目标；最后，根据图像的灰度信息，对凸包的轮廓进行调整，以使得该凸包的轮廓无限接近待检测目标的轮廓，从而得到待检测目标的轮廓；如此，在凸包检测目标的基础上再对该凸包的轮廓进行收敛，缩短了目标检测的计算时间，而且通过组合的能量函数，关注边角的关键信息，利用凸包和主动轮廓收敛的思想就避免了背景建模的过程，从而快速的检测显著性目标，大大减少了计算复杂度，进而提高了检测速度和检测精度。
附图说明
图1为本申请目标检测方法实现流程示意图；
图2为本申请目标检测方法另一实现流程示意图；
图3为本申请目标检测方法的系统流程示意图；
图4为本申请目标检测装置的组成结构示意图；
图5为本申请目标检测装置的另一组成结构示意图；
图6为本申请提供的一种设备硬件实体示意图。
具体实施方式
下面将结合本申请中的附图，对本申请中的技术方案进行清楚、完整地描述。
本申请提出一种目标检测方法，该方法应用于通信设备，另外，该方法所实现的功能可以通过设备的处理器调用程序代码来实现，当然程序代码可以保存在计算机存储介质中，可见，该设备还包括处理器和存储介质。
本申请提供一种目标检测方法，参见图1，图1为本申请目标检测方法实现流程示意图，结合图1所示的步骤进行以下说明：
步骤S101，获取包含待检测目标的待检测图像。
这里，待检测目标可以是人物、植物、建筑物或者动物等；待检测图像可以是任意类型的包含待检测目标的图像，比如，包含人物的照片，包含建筑物的风景图像等。该待检测图像还可以是包含待检测目标的视频或者动画等。
步骤S102，根据所述待检测图像的属性信息，建立用于确定像素点能量的第一能量函数。
这里，待检测图像的属性信息至少包括以下之一：角点信息、边缘信息和图像级别；根据这些属性信息，确定至少一个能量函数，并将这至少一个能量函数组合在一起，得到第一能量函数，用于计算像素点的能量。
步骤S103，根据所述第一能量函数，确定所述待检测图像的特征点，并创建包围所述特征点的凸包。
这里，采用第一能量函数确定每一像素点的能量，每一像素点在不同区域的能量不同，将在预设区域能取得最大能量的像素点，作为特征点。然后，采用凸多边形包围这些特征点，得到凸包；或者，将这些特征点连接起来，得到凸包。
步骤S104，根据所述待检测图像的灰度信息和能量，对所述凸包的轮廓进行调整，得到所述待检测目标的轮廓。
这里，待检测图像的能量分为两个部分，凸包区域内的像素点的能量和凸包区域外像素点的能量。待检测图像的灰度信息至少包括：凸包区域内的像素点的灰度和凸包区域外的像素点的灰度，以及凸包区域内的像素点的平均灰度和凸包区域外的像素点的平均灰度等。对凸包的轮廓进行调整，可以理解为是基于待检测图像的灰度信息和能量，将凸包的轮廓作为初始轮廓，逐次逼近，直到能量函数的值小于等于预设阈值，这种情况下，得到的调整后的轮廓即为待检测目标的轮廓。
在本申请中，通过根据待检测图像的属性信息，建立能够计算像素点能量的第一能量函数；以采用该第一能量函数确定图像中的特征点，并创建包围该特征点的凸包；从而能够快速定位待检测目标；最后，根据图像的灰度信息和能量，对凸包的轮廓进行逐次逼近，以使得该凸包的轮廓无限接近待检测目标的轮廓，从而得到待检测目标的轮廓；如此，在凸包检测目标的基础上再对该凸包的轮廓技术进行收敛，缩短了目标检测的计算时间提高了检测的精度。
在一些实施例中，为了构建能够准确计算像素点能量的能量函数，步骤S102可以通过以下步骤实现，如图2所示，图2为本申请目标检测方法另一实现流程示意图，结合图1所示的步骤进行以下说明：
步骤S201，确定所述待检测图像的以下属性信息中的至少之一：角点信息、边缘信息和图像级别。
这里，角点信息可以理解为是该待检测图像中包含的角点，边缘信息可以理解为是该待检测图像的边缘以及待检测目标的边缘，图像级别可以理解为是对原始图像进行多级调整的图像，在一些可能的实现方式中，首先对预设的初始图像的长度和高度进行调整，得到调整后的初始图像；然后，采用预设滤波器，对所述调整后的初始图像进行滤波，得到所述待检测图像的图像级别。预设滤波器可以采用高斯滤波器，比如，N×N的高斯滤波器，N大于等于1。在一个具体例子中，对原始图像在高度和宽度上都将参数大小减小2倍得到的图像的图像级别为一级；同理在一级图像的基础上，在高度和宽度上都将参数大小减小2倍得到的图像的图像级别为二级。
步骤S202，根据所述角点信息，建立用于确定角点能量的第二能量函数。
这里，采用一个自适应矩阵描述该角点信息，利用该自适应矩阵的行列式和迹，来建立用于计算角点能量的第二能量函数。在一个可能的实现方式中，首先，根据所述角点信息，建立自适应矩阵。该自适应矩阵可以是随着像素的变化而变化；然后，根据所述自适应矩阵的行列式和迹，建立所述第二能量函数，比如，根据自适应矩阵的对角化矩阵的行列式和迹，确定该对角化矩阵的特征值的积与和，将该对角化矩阵的特征值的积与和的差，作为计算当前尺度下(即当前尺度的待检测图像)的角点能量的函数，然后，对所有计算角点能量的函数求和，以得到第二能量函数。
步骤S203，根据所述边缘信息，建立用于确定边缘能量的第三能量函数。
这里，边缘信息可以通过伽柏(Gabor)滤波器获得，Gabor滤波器是一种定向的、通过高斯包络调制的复正弦波。然后，通过对每一个尺度下的边缘信息对应的能量函数进行求和，得到第三能量函数。
步骤S204，根据所述图像级别，建立用于确定待检测图像的对比度的第四能量函数。
这里，图像级别包括多个尺度的待检测图像的图像级别，根据多个图像级别，建立第四能量函数。首先，确定所述待检测图像在预设长度的窗口内的微调级别；比如，长度为5×5的窗口，即确定待检测图像在长度为5×5的窗口内的微调级别。然后，确定所述当前图像级别与对应的微调级别之间的差值；最后，根据所述差值，确定所述第四能量函数。比如，对差值求平方，然后，对多个不同尺度下的差值的平方，求和等，得到第四能量函数。这样，无论是对静止的目标、运动的目标，还是微小的目标，都能准确的定位和检测，而且通过基于能量函数对凸包的轮廓进行逼近，使得到的待检测目标的轮廓具有较高的精度。
步骤S205，将所述第二能量函数、所述第三能量函数和所述第四能量函数进行组合，得到所述第一能量函数。
这里，对第二能量函数、所述第三能量函数和所述第四能量函数均进行标准化处理，以便于计算能量。在一些可能的实现方式中，首先，采用预设的标准化范围，对所述第二能量函数、所述第三能量函数和所述第四能量函数进行标准化；比如，将第二能量函数、第三能量函数和第四能量函数的值标准化在[0，1]之间。然后，将标准化后的第二能量函数、标准化后的第三能量函数和标准化后的第四能量函数进行组合，得到所述第一能量函数。比如，对标准化后的第二能量函数、标准化后的第三能量函数和标准化后的第四能量函数进行相加，将相加后得到的函数作为第四能量函数。
在本申请中，通过将得到的多个能量函数组合为第一能量函数，然后基于组合后的第一能量函数确定待检测图像的特征点，基于此，创建包围这些特征点的凸包；然后，基于该能量函数，对凸包的轮廓进行逼近，将能量函数取得最小值时得到的调整后的凸包的轮廓，作为待检测目标的轮廓；这样，通过组合的能量函数，关注边角的关键信息，利用凸包和主动轮廓收敛的思想就避免了背景建模的过程从而快速的检测显著性目标，大大减少了计算复杂度，提高了检测速度。
在一些实施例中，为了提高检测速度，采用能量函数确定特征点，以建立凸包，所述步骤S103，可以通过以下步骤实现：
步骤S131，采用所述第一能量函数，确定所述待检测图像的每一像素点的能量值。
这里，采用第一能量函数，确定出每一个像素点在不同尺度下的图像中的能量值。
步骤S132，将在预设区域外具有最大能量值的像素点，作为所述特征点。
这里，预设区域可以是一个像素点的5×5邻域，如果该像素点的最大能量值在该像素点的5×5邻域之外，确定该像素点为特征点；从而得到多个特征点，即特征点集合。
步骤S133，创建至少包围所述特征点的凸多边形作为所述凸包。
这里，采用凸多边形包围这些特征点，将该凸多边形作为凸包。
对应地，步骤S104，可以通过以下步骤实现：
步骤S141，采用所述第一能量函数，确定所述凸包内部包含的像素点的内部能量。
这里，确定出凸包轮廓范围内包含的像素点，采用第一能量函数得到这些内部像素点的能量，即内部能量。
步骤S142，采用所述第一能量函数，确定所述凸包外部包含的像素点的外部能量。
这里，确定出凸包轮廓外包含的像素点，采用第一能量函数得到这些外部像素点的能量，即外部能量。
步骤S143，确定所述凸包内部包含的像素点的第一平均灰度。
这里，确定出凸包轮廓内包含的每一像素点的灰度值，并对这些多个像素点的灰度值进行求平均值，得到第一平均灰度。
步骤S144，确定所述凸包外部包含的像素点的第二平均灰度。
这里，确定出凸包轮廓外包含的每一像素点的灰度值，并对这些多个像素点的灰度值进行求平均值，得到第二平均灰度。
步骤S145，根据所述内部能量、所述外部能量、所述第一平均灰度和所述第二平均灰度，对所述凸包的轮廓进行调整，得到所述待检测目标的轮廓。
这里，将内部能量、外部能量、第一平均灰度和第二平均灰度求和得到新的表达式，并基于该新的表达式对凸包的轮廓进行调整，得到所述待检测目标的轮廓；当该新的表达式取得最小值时凸包的轮廓作为待检测目标的轮廓。在一些可能的实现方式中，首先，根据所述内部能量、所述外部能量、所述第一平均灰度和所述第二平均灰度，确定第五能量函数；比如，将外部能量、所述第一平均灰度和所述第二平均灰度相加，得到第五能量函数。然后，将所述凸包的轮廓的所围的面积和所述凸包的轮廓的长度，作为所述第五能量函数的输入项，得到第六能量函数；比如，将凸包的轮廓的所围的面积和所述凸包的轮廓的长度与第五能量函数相加，得到第六能量函数。最后，确定所述第六能量函数的最小值；将所述最小值对应的所述凸包的轮廓，作为所述待检测目标的轮廓。比如，以该第六能量函数取得最小值来驱动演化凸包的轮廓向待检测目标的边缘逼近，最终检测出该目标。
在本申请中，采用第一能量函数以获取特征点，利用这些得到的特征点相连得到凸包，大致检测显著性目标，把凸包作为主动轮廓迭代的初始参数，逐渐收敛得到待检测目标的轮廓，达到实时准确的检测显著目标。
在其他实施例中，可以通过以下方式实现显著性目标检测：
方式一：在给定的图像上选择一些候选的区域，采用设置不同的尺度，不同的长宽比的滑动窗口的策略对整幅图像进行遍历，然后对这些区域提取特征，最后对提取到的特征对目标进行分类。
方式二：一阶段(One-Stage)目标检测：不需要候选区域阶段，直接产生物体的类别概率和位置坐标值，比较典型的算法如，仅看一次(You Only Look Once，YOLO)、单发多盒探测器(Single Shot Multi-Box Detector，SSD)和角网(CornerNet)；
方式三：二阶段(Two-Stage)目标检测：将检测问题划分为两个阶段，首先产生候选区域，然后对候选区域进行分类和位置精修，如，卷积神经网络和快速卷积神经网络等。
无论采用上述方式一至三中的哪一种方式，对于复杂背景、目标遮挡和光线变化的情况下不能有效的实现前景与背景的分离，包括光照强度的渐变和突变、光线反光，以及背景目标随着时间推移在光照下产生的阴影会随之变化等因素。另外，对于背景噪声、监控设备晃动等引起的全局背景扰动，以及树枝摇晃，水波荡漾等引起的局部背景扰动情况不能有效抑制。而且显著性目标大小不定，导致无法建立理想的模型，从而增加了计算时间并且精度不够。
基于此，本申请提供一种目标检测方法，基于凸包和主动轮廓逼近的方式，能快速定位分割目标并准确检测出显著性目标。由于在凸包大致检测目标的基础上再采用主动轮廓技术收敛，缩短了显著性目标检测的计算时间提高了检测精度。
图3为本申请目标检测方法的系统流程示意图，如图3所示，该目标检测的系统可以包括以下模块，其中：
图像输入模块301，用于输入待检测图像。
能量函数构建模块302，用于构建多个能量函数，以组成第一能量函数，即，第二能量函数(比如，多尺度哈里斯(Harris)角点能量函数321)，第三能量函数(比如，多尺度Gabor能量函数322)，第四能量函数(比如，多尺度对比度能量函数323)。
这里，第一，建立多尺度Harris角点能量函数的过程如下：为了检测出显著性目标，用一个自适应矩阵S描述确定图像M的角点，由基本代数可确定对角化矩阵的行列式和迹，分别计算其特征值的积与和。利用初等代数中的迹和行列式的概念提出了一个计算单个角点能量的能量函数，用于计算角点，如公式(1)所示：
E(q)＝Det(S(q))-l·Tr2(S(q)) (1)；
在公式(1)中，S(q)表示像素q的自适应矩阵，Tr表示迹，在实验设置期间，l固定在0.04。局部图像结构不能总是用一个尺度来确定。以图像为输入考虑建立高阶导数的系统模型，具有多个方向和比例，从而得到多个尺度的图像。对于给定的图像M，考虑图像的不同级别，如公式(2)所示：
Mk+1＝Subsampled2×2[Mk×W5×5] (2)；
这里，k＝0，1，2，...，p，粒度从细到粗，p值设为5。M0是初始图像，W5×5是5×5的高斯滤波器，Subsampled2×2表示将当前图像级别的图像的在高度和宽度上都参数大小减小2倍。Harris能量是在所有层次上计算的，多尺度能量函数(比如，第二能量函数)如公式(3)所示：
这里，Ek(q)表示第k个图像级别下，角点的能量，由k级方程式计算得出，并且将得到的每一图像级别下的能量值在[0，1]之间标准化。
第二，建立多尺度Gabor能量函数的过程如下：与一成不变物体相比，Harris角点对可变形物体的检测效果不佳。而边缘可以用来捕获可变形物体。边缘信息可以通过Gabor滤波器获得，Gabor滤波器是一种定向的、通过高斯包络调制的复正弦波，如公式(4)所示：
这里，(qu，qv)表示图像像素q的空间坐标，其中，θ是方位角设为180度。β是正弦波长因子设为2，ψ是相位差设为0，α是纵横比设为0.5，λλ是高斯标准差设为1。多尺度Gabor能量函数(比如，第二能量函数)，如公式(5)所示：
这里，fk(q)第k个图像级别下，图像边缘的能量，由上面k级方程式计算得出，并且将得到的每一图像级别下的能量值在[0，1]之间标准化。
第三，建立多尺度对比度能量函数的过程如下：第一和第二中建立的多尺度Harris角点能量函数和多尺度Gabor能量函数可能无法检测到图像中的微小物体。因此，需要采用多尺度对比能量函数检测图像中的小物体。对比度算子是在多个尺度的图像上计算的，而不需要获取突出物体的大小。多尺度对比能量函数EnergyC(x,M)(比如，第四能量函数)是高斯图像中对比度的线性组合，如公式(6)所示：
这里，Mψ是金字塔图像中第ψ级别的图像，金字塔的层数k可以设定为6。Q(x)是一个5×5的窗口。将EnergyC(x,M)的值在[0，1]范围内标准化。多尺度对比度使均匀区域得分较低，从而物体内部的对比度高于边界。
组合能量函数模块303，用于将上述三种能量函数，建立组合能量函数E。
这里，根据上述三种能量函数，建立组合能量函数E(比如，第一能量函数)如公式(7)所示：
E(q)＝EnergyH(q)+EnergyG(q)+EnergyC(q) (7)；
这里，将能量函数的值标准化在[0，1]之间。
特征点选择模块304，用于基于能量函数E选择图像中的特征点。
构造凸包模块305，用于构建包围这些特征点的凸包。
这里，选择特征点及构造凸包的过程如下：显著性目标检测的目的是将图像分成两部分，其中，一部分显示显著性目标即前景部分，而另一部分表示背景。公式(7)所示的能量函数E用于构造凸包。然而，在一个物体的特征点附近的像素可能具有与相邻特征点大致相同的能量值，但该点并不是特征点。为避免这样的情况，在每个像素上都设定一个5×5的窗口，用于选择一个特征点。此外，如果该点在其5×5邻域外具有最大能量值，则该点被确定为特征点。设定KPS是一个包含所有这些特征点的集合，KPS的表达式如公式(8)所示：
这里，q代表一个像素，而B5是5×5邻域。从设定的KPS中，根据较高的能量值选择前30个关键点。靠近图像边框的点被删除，边框的宽度固定为25。因此，有n个剩余点(即n≤30。因此，利用这些N点，形成了一个凸包。凸包内的区域是要检测的显著性目标，而凸包外部的部分看起来是背景。每一像素点在凸包内或凸包外的表达式如公式(9)所示：
主动轮廓收敛模块306，用于以凸包轮廓为初始轮廓，基于能量函数的值逐渐逼近该初始轮廓，直至能量函数的值最小，得到待检测目标的轮廓，即得到检测出最终的显著性目标307。
这里，对凸包的轮廓进行逼近测出待检测目标的过程如下：
对于多个目标的情况，结合凸包和主动轮廓的方法来检测。对于多个目标，将建立一个单一的凸包包含所有的目标。然后，将该凸包作为主动轮廓法的初始参数。最后，主动轮廓法将收敛得到图像中所有目标的轮廓。
假设待分割的图像为I，I0表示待分割的目标，Ib表示图像背景，C表示图像内的一条闭合曲线。则闭合曲线C把图像I分为曲线C内部区域和外部区域两个部分，以图像的灰度信息作为能量，构造第五能量函数如公式(10)所示：
这里，Ein(C)表示闭合曲线C的内部能量，Eout(C)表示闭合曲线C的外部能量，I(x,y)表示图像内任一像素点的灰度，c0表示内部区域的平均灰度，cb表示外部区域的平均灰度，当曲线C恰巧处于目标边缘时，I(x,y)＝c0，Eout(C)＝0；I(x,y)＝cb，Ein(C)＝0；E(c)＝0；因此，可以通过求能量函数的最小值实现显著性目标的检测。
由于实际的图像的背景是不均匀的，并且背景和目标的对比度往往比较低，仅依靠能量函数的最小值无法准确的分割出目标。因此我们把曲线所围的面积和曲线的长度作为能量项引入到能量函数中，如公式(11)所示：
这里，L(C)表示曲线C的长度，u表示长度系数，取值决定于被检测目标的尺寸大小，如果被检测目标较大，则u的取值也较大，反之亦然，Area(inside(C))表示曲线C所围的内部区域的面积，v表示面积参数。这里取λ1＝λ2＝1，v＝0，以之前提取的特征点形成的凸包作为初始参数C，以能量函数取得最小值来驱动演化曲线向目标的边缘逼近，最终检测出目标。
基于上述目标检测方法，本申请提出一种目标检测装置，如图4所示，图4为本申请目标检测装置的组成结构示意图，该装置包括：处理器模块401、图像采集模块402、存储器模块403和显示模块404，这些模块通过总线互连，其中：
处理器模块401：是中央处理单元或者具有数据处理能力和指令执行能力的其它形式的处理单元，并且可以控制其它模块中的组件以执行期望的功能。
图像采集模块402：用于采集待处理的原始图像作为样本，可以是视频监控摄像头421以获取包含目标的连续帧图像，发送图像数据给其后的各模块。
存储器模块403：存储器包含目标检测模块431。存储器包括一个或多个计算机程序产品，可以包括各种形式的计算机可读存储介质，可以是高速缓冲存储器(cache)等。在所述计算机可读存储介质上部署目标检测模块，存储基于能量函数的目标检测程序指令和各种应用数据包括采集到的输入视频图像，处理器运行所述程序，以实现以下步骤：
第一步，特征点的获取：图像的边角存在大量的信息，通过三种能量函数多尺度Harris、多尺度Gabor、多尺度对比度的结合成的组合能量函数获取特征点。
第二部，凸包构造：利用这些得到的特征点相连得到凸包，凸包内的区域大致为要检测的显著性目标，凸包外则为背景。
第三步，主动轮廓收敛：采用主动轮廓技术，凸包作为主动轮廓迭代的初始参数，根据最小值原理，逐渐收敛得到最终的显著性图。
显示模块404：向外部输出各种信息，例如图像信息，经过目标检测模块处理后得到的检测结果，包括显示器441和投影仪442等。
在本申请中，采用组合能量函数(即第一能量函数)，包含多尺度Harris、多尺度Gabor、多尺度对比度能量函数以获取特征点，利用这些得到的特征点相连得到凸包，大致检测显著性目标，把凸包作为主动轮廓迭代的初始参数，逐渐收敛得到最终的显著性图。这样，通过采用组合的能量函数来选择特征点，用这些特征点构造凸包，大致分割出前景目标，最后用主动轮廓收敛的方法得到最终的显著性图；避免了对背景建立复杂的模型来检测目标，通过组合的能量函数，关注边角的关键信息，利用凸包和主动轮廓收敛的思想就避免了背景建模的过程从而快速的检测显著性目标，大大减少了计算复杂度，提高了检测速度。另外，本申请实施例提供一种显著性目标检测装置，从输入到输出，包含采集、存储、处理、显示各部分，利用基于能量函数的目标检测装置能快速处理视频图像，达到实时准确的检测显著目标，提高了显著性目标检测的精度。
本申请提供一种目标检测装置，该装置包括所包括的各模块、以及各模块所包括的各单元，可以通过计算机设备中的处理器来实现；当然也可通过具体的逻辑电路实现；在实施的过程中，处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)或现场可编程门阵列(FPGA)等。
图5为本申请目标检测装置的另一组成结构示意图，如图5所示，所述装置500包括：第一获取模块501、第一建立模块502、第一确定模块503和第一调整模块504，其中：
所述第一获取模块501，用于获取包含待检测目标的待检测图像；
所述第一建立模块502，用于根据所述待检测图像的属性信息，建立用于确定像素点能量的第一能量函数；
所述第一确定模块503，用于根据所述第一能量函数，确定所述待检测图像的特征点，并创建包围所述特征点的凸包；
所述第一调整模块504，用于根据所述待检测图像的灰度信息和能量，对所述凸包的轮廓进行调整，得到所述待检测目标的轮廓。
此外，根据本申请，所述第一建立模块502，包括：
第一确定子模块，用于确定所述待检测图像的以下属性信息中的至少之一：角点信息、边缘信息和图像级别；
第一建立子模块，用于根据所述角点信息，建立用于确定角点能量的第二能量函数；
第二建立子模块，用于根据所述边缘信息，建立用于确定边缘能量的第三能量函数；
第三建立子模块，用于根据所述图像级别，建立用于确定所述待检测图像的对比度的第四能量函数；
第一组合子模块，用于将所述第二能量函数、所述第三能量函数和所述第四能量函数进行组合，得到所述第一能量函数。
此外，根据本申请，所述第一建立子模块，包括：
第一建立单元，用于根据所述角点信息，建立自适应矩阵；
第二建立单元，用于根据所述自适应矩阵的行列式和迹，建立所述第二能量函数。
此外，根据本申请，第一确定子模块，包括：
第一调整单元，用于对预设的初始图像的长度和高度进行调整，得到调整后的初始图像；
第一过滤单元，用于采用预设滤波器，对所述调整后的初始图像进行滤波，得到所述待检测图像的图像级别。
此外，根据本申请，如果所述图像级别包括多个级别，所述第三建立子模块，包括：
第一确定单元，用于确定所述待检测图像在预设长度的窗口内的微调级别；
第二确定单元，用于确定所述待检测图像的当前图像级别与对应的微调级别之间的差值；
第三确定单元，用于根据所述差值，确定所述第四能量函数。
此外，根据本申请，所述第一组合子模块，包括：
第一标准化单元，用于采用预设的标准化范围，对所述第二能量函数、所述第三能量函数和所述第四能量函数进行标准化；
第一组合单元，用于将标准化后的第二能量函数、标准化后的第三能量函数和标准化后的第四能量函数进行组合，得到所述第一能量函数。
此外，根据本申请，所述第一确定模块503，包括：
第二确定子模块，用于采用所述第一能量函数，确定所述待检测图像的每一像素点的能量值；
第三确定子模块，用于将在预设区域外具有最大能量值的像素点，作为所述特征点；
第一创建子模块，用于创建至少包围所述特征点的凸多边形作为所述凸包。
此外，根据本申请，所述第一调整模块504，包括：
第四确定子模块，用于采用所述第一能量函数，确定所述凸包内部包含的像素点的内部能量；
第五确定子模块，用于采用所述第一能量函数，确定所述凸包外部包含的像素点的外部能量；
第六确定子模块，用于确定所述凸包内部包含的像素点的第一平均灰度；
第七确定子模块，用于确定所述凸包外部包含的像素点的第二平均灰度；
第一调整子模块，用于根据所述内部能量、所述外部能量、所述第一平均灰度和所述第二平均灰度，对所述凸包的轮廓进行调整，得到所述待检测目标的轮廓。
此外，根据本申请，所述第一调整子模块，包括：
第四确定单元，用于根据所述内部能量、所述外部能量、所述第一平均灰度和所述第二平均灰度，确定第五能量函数；
第五确定单元，用于将所述凸包的轮廓的所围的面积和所述凸包的轮廓的长度，作为所述第五能量函数的输入项，得到第六能量函数；
第六确定单元，用于确定所述第六能量函数的最小值；
第七确定单元，用于将所述最小值对应的所述凸包的轮廓，作为所述待检测目标的轮廓。
以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
需要说明的是，本申请中，如果以软件功能模块的形式实现上述的目标检测方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请不限制于任何特定的硬件和软件结合。
图6为本申请提供的一种设备硬件实体示意图，如图6所示，本申请提供了一种设备600，包括：
处理器61以及存储有所述处理器61可执行指令的存储介质62，所述存储介质62通过通信总线63依赖所述处理器61执行操作，当所述指令被所述处理器61执行时，执行上述实施例一所述的目标检测方法。
需要说明的是，实际应用时，设备中的各个组件通过通信总线63耦合在一起。可理解，通信总线63用于实现这些组件之间的连接通信。通信总线63除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图6中将各种总线都标为通信总线63。
这里，需要说明的是，所述设备通常为具有前置双摄或者后置双摄功能的移动设备，所述移动设备可以以各种形式来实施。例如，本申请中所描述的移动设备可以包括手机、平板电脑、掌上电脑、个人数字助理(Personal Digital Assistant，PDA)等。
对应地，本申请提供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实施例中提供的目标检测方法中的步骤。
这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请的实施过程构成任何限定。上述本申请序号仅仅为了描述，不代表实施例的优劣。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本申请方案的目的。
另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得设备执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (12)
1.一种目标检测方法，其特征在于，所述方法包括：
获取包含待检测目标的待检测图像；
根据所述待检测图像的属性信息，建立用于确定像素点能量的第一能量函数；
根据所述第一能量函数，确定所述待检测图像的特征点，并创建包围所述特征点的凸包；
根据所述待检测图像的灰度信息和能量，对所述凸包的轮廓进行调整，得到所述待检测目标的轮廓。
2.根据权利要求1所述的方法，其特征在于，所述根据所述待检测图像的属性信息，建立用于确定像素点能量的第一能量函数，包括：
确定所述待检测图像的以下属性信息中的至少之一：角点信息、边缘信息和图像级别；
根据所述角点信息，建立用于确定角点能量的第二能量函数；
根据所述边缘信息，建立用于确定边缘能量的第三能量函数；
根据所述图像级别，建立用于确定所述待检测图像的对比度的第四能量函数；
将所述第二能量函数、所述第三能量函数和所述第四能量函数进行组合，得到所述第一能量函数。
3.根据权利要求2所述的方法，其特征在于，所述根据所述角点信息，建立用于确定角点能量的第二能量函数，包括：
根据所述角点信息，建立自适应矩阵；
根据所述自适应矩阵的行列式和迹，建立所述第二能量函数。
4.根据权利要求2所述的方法，其特征在于，确定所述待检测图像的图像级别，包括：
对预设的初始图像的长度和高度进行调整，得到调整后的初始图像；
采用预设滤波器，对所述调整后的初始图像进行滤波，得到所述待检测图像的图像级别。
5.根据权利要求4所述的方法，其特征在于，如果所述图像级别包括多个级别，所述根据所述图像级别，建立用于确定对比度的第四能量函数，包括：
确定所述待检测图像在预设长度的窗口内的微调级别；
确定所述待检测图像的当前图像级别与对应的微调级别之间的差值；
根据所述差值，确定所述第四能量函数。
6.根据权利要求2所述的方法，其特征在于，所述将所述第二能量函数、所述第三能量函数和所述第四能量函数进行组合，得到所述第一能量函数，包括：
采用预设的标准化范围，对所述第二能量函数、所述第三能量函数和所述第四能量函数进行标准化；
将标准化后的第二能量函数、标准化后的第三能量函数和标准化后的第四能量函数进行组合，得到所述第一能量函数。
7.根据权利要求1所述的方法，其特征在于，所述根据所述第一能量函数，确定所述待检测图像的特征点，并创建包围所述特征点的凸包，包括：
采用所述第一能量函数，确定所述待检测图像的每一像素点的能量值；
将在预设区域外具有最大能量值的像素点，作为所述特征点；
创建至少包围所述特征点的凸多边形作为所述凸包。
8.根据权利要求7所述的方法，其特征在于，所述根据所述待检测图像的灰度信息和能量，对所述凸包的轮廓进行调整，得到所述待检测目标的轮廓，包括：
采用所述第一能量函数，确定所述凸包内部包含的像素点的内部能量；
采用所述第一能量函数，确定所述凸包外部包含的像素点的外部能量；
确定所述凸包内部包含的像素点的第一平均灰度；
确定所述凸包外部包含的像素点的第二平均灰度；
根据所述内部能量、所述外部能量、所述第一平均灰度和所述第二平均灰度，对所述凸包的轮廓进行调整，得到所述待检测目标的轮廓。
9.根据权利要求8所述的方法，其特征在于，所述根据所述内部能量、所述外部能量、所述第一平均灰度和所述第二平均灰度，对所述凸包的轮廓进行调整，得到所述待检测目标的轮廓，包括：
根据所述内部能量、所述外部能量、所述第一平均灰度和所述第二平均灰度，确定第五能量函数；
将所述凸包的轮廓的所围的面积和所述凸包的轮廓的长度，作为所述第五能量函数的输入项，得到第六能量函数；
确定所述第六能量函数的最小值；
将所述最小值对应的所述凸包的轮廓，作为所述待检测目标的轮廓。
10.一种目标检测装置，其特征在于，所述装置包括：第一获取模块、第一建立模块、第一确定模块和第一调整模块，其中：
所述第一获取模块，用于获取包含待检测目标的待检测图像；
所述第一建立模块，用于根据所述待检测图像的属性信息，建立用于确定像素点能量的第一能量函数；
所述第一确定模块，用于根据所述第一能量函数，确定所述待检测图像的特征点，并创建包围所述特征点的凸包；
所述第一调整模块，用于根据所述待检测图像的灰度信息和能量，对所述凸包的轮廓进行调整，得到所述待检测目标的轮廓。
11.一种目标检测设备，其特征在于，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求1至9任一项所述的方法。
12.一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，该计算机程序被处理器执行时实现权利要求1至9任一项所述目标检测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010450365.XA CN113723424B (zh) | 2020-05-25 | 2020-05-25 | 一种目标检测方法及装置、设备、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010450365.XA CN113723424B (zh) | 2020-05-25 | 2020-05-25 | 一种目标检测方法及装置、设备、存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113723424A true CN113723424A (zh) | 2021-11-30 |
| CN113723424B CN113723424B (zh) | 2024-08-13 |
Family
ID=78671779
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010450365.XA Active CN113723424B (zh) | 2020-05-25 | 2020-05-25 | 一种目标检测方法及装置、设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113723424B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115331094A (zh) * | 2022-10-11 | 2022-11-11 | 山东辰升科技有限公司 | 一种基于无人机遥感的海洋安全监测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006004041A (ja) * | 2004-06-16 | 2006-01-05 | Matsushita Electric Ind Co Ltd | 物体画像抽出装置および物体画像抽出方法 |
| US20140321754A1 (en) * | 2013-04-26 | 2014-10-30 | Omron Corporation | Image processing device, image processing method, image processing control program, and recording medium |
| US20150262026A1 (en) * | 2014-03-12 | 2015-09-17 | Fujifilm Corporation | Image processing apparatus, and operation method and program therefor |
| CN107452013A (zh) * | 2017-05-27 | 2017-12-08 | 深圳市美好幸福生活安全系统有限公司 | 基于Harris角点检测和Sugeno模糊积分的显著性检测方法 |
| CN107633522A (zh) * | 2017-08-30 | 2018-01-26 | 山东财经大学 | 基于局部相似性活动轮廓模型的脑部图像分割方法和系统 |
| CN109886987A (zh) * | 2019-01-23 | 2019-06-14 | 深圳大学 | 图像分割方法、计算设备、系统及存储介质 |
-
2020
- 2020-05-25 CN CN202010450365.XA patent/CN113723424B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006004041A (ja) * | 2004-06-16 | 2006-01-05 | Matsushita Electric Ind Co Ltd | 物体画像抽出装置および物体画像抽出方法 |
| US20140321754A1 (en) * | 2013-04-26 | 2014-10-30 | Omron Corporation | Image processing device, image processing method, image processing control program, and recording medium |
| US20150262026A1 (en) * | 2014-03-12 | 2015-09-17 | Fujifilm Corporation | Image processing apparatus, and operation method and program therefor |
| CN107452013A (zh) * | 2017-05-27 | 2017-12-08 | 深圳市美好幸福生活安全系统有限公司 | 基于Harris角点检测和Sugeno模糊积分的显著性检测方法 |
| CN107633522A (zh) * | 2017-08-30 | 2018-01-26 | 山东财经大学 | 基于局部相似性活动轮廓模型的脑部图像分割方法和系统 |
| CN109886987A (zh) * | 2019-01-23 | 2019-06-14 | 深圳大学 | 图像分割方法、计算设备、系统及存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115331094A (zh) * | 2022-10-11 | 2022-11-11 | 山东辰升科技有限公司 | 一种基于无人机遥感的海洋安全监测方法及系统 |
| CN115331094B (zh) * | 2022-10-11 | 2023-01-24 | 山东辰升科技有限公司 | 一种基于无人机遥感的海洋安全监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113723424B (zh) | 2024-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109635685B (zh) | 目标对象3d检测方法、装置、介质及设备 | |
| US11501415B2 (en) | Method and system for high-resolution image inpainting | |
| US10339643B2 (en) | Algorithm and device for image processing | |
| US10719937B2 (en) | Automated detection and trimming of an ambiguous contour of a document in an image | |
| CN110807362B (zh) | 一种图像检测方法、装置和计算机可读存储介质 | |
| CN109101897A (zh) | 水下机器人的目标检测方法、系统及相关设备 | |
| CN113066017B (zh) | 一种图像增强方法、模型训练方法及设备 | |
| US20150278589A1 (en) | Image Processor with Static Hand Pose Recognition Utilizing Contour Triangulation and Flattening | |
| CN111507908B (zh) | 图像矫正处理方法、装置、存储介质及计算机设备 | |
| CN109903372A (zh) | 深度图超分辨率补全方法及高质量三维重建方法与系统 | |
| CN110427946B (zh) | 一种文档图像二值化方法、装置和计算设备 | |
| Coleman et al. | Edge detecting for range data using laplacian operators | |
| CN108230292A (zh) | 物体检测方法和神经网络的训练方法、装置及电子设备 | |
| CN108764244B (zh) | 基于卷积神经网络和条件随机场的潜在目标区域检测方法 | |
| El‐Shafie et al. | Survey on hardware implementations of visual object trackers | |
| CN117557565B (zh) | 一种锂电池极片的检测方法及其装置 | |
| CN113723424B (zh) | 一种目标检测方法及装置、设备、存储介质 | |
| CN113343987A (zh) | 文本检测处理方法、装置、电子设备及存储介质 | |
| CN113435367A (zh) | 社交距离评估方法、装置及存储介质 | |
| CN116917954A (zh) | 图像检测方法、装置和电子设备 | |
| CN112347843B (zh) | 一种训练皱纹检测模型的方法及相关装置 | |
| CN113033256B (zh) | 一种指尖检测模型的训练方法和设备 | |
| Bredno et al. | Automatic parameter setting for balloon models | |
| JP7549841B2 (ja) | 画像処理装置、画像認識装置、画像処理プログラム、及び画像認識プログラム | |
| Qin et al. | A Novel Approach to Object Detection in Remote-Sensing Images Based on YOLOv3 |
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 |