CN113989276A - 一种基于深度图像的检测方法、检测装置及摄像设备 - Google Patents
一种基于深度图像的检测方法、检测装置及摄像设备 Download PDFInfo
- Publication number
- CN113989276A CN113989276A CN202111587579.2A CN202111587579A CN113989276A CN 113989276 A CN113989276 A CN 113989276A CN 202111587579 A CN202111587579 A CN 202111587579A CN 113989276 A CN113989276 A CN 113989276A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- value
- detection
- target
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种基于深度图像的检测方法、检测装置及摄像设备,用于提高对象检测的检测速度,减少对GPU等硬件算力的消耗。本申请实施例方法包括:对获取的第一图像进行预处理得到第二图像;将第二图像中超出第一预设阈值范围的像素点的像素值进行初始化;对第二图像中各个连续的像素片段的像素点进行像素值判定,并根据像素值判定有效的结果得到第三图像,像素值判定为对像素片段的像素值进行有效或无效的判定;将第三图像中的像素点进行聚类得到簇集合,簇集合用于确定目标检测对象位置;根据簇集合在第三图像中生成检测框;将生成有检测框的第三图像进行重定向处理,并输出通过重定向处理后得到的图像。
Description
技术领域
本申请实施例涉及图像处理技术领域,尤其涉及一种基于深度图像的检测方法、检测装置及摄像设备。
背景技术
当下,基于双目、飞行时间(TOF,Time of flight)或结构光的深度数据解决方案在消费电子、安防、交通等领域日益普及。在与之相关如自动贩卖机、商店、广告牌、公交地铁等场景的客流统计、以及体感游戏、智能家电应用等场景中,需要对人体进行人体检测。
就现有技术而言,基于三通道彩色(RGB,Red-Green-Blue)图像的人体检测技术,业内采用的为基于方向梯度直方图(HOG,Histogram of oriented gradient)+支持向量机(SVM,Support Vector Machines)的检测方法或基于深度学习的检测方法;而基于深度图像的人体检测技术,同样是运用基于RGB图像的人体检测技术进行人体检测,由于人体是站立或行走的人形,因此人体可看作是直立目标,直立目标在深度图像中从上到下深度值整体呈单调变化趋势。
但由于深度图像相比于RGB图像来说缺乏了颜色和纹理信息,对于人体的部位如头发等细节处易出现空洞。因此,在迁移基于RGB图像的人体检测技术对深度图像进行人体检测时,需要采集大量的数据并制作数据集,然后花相当的时间训练、调优,最后再进行算法移植。在整个检测过程中,对图形处理器(GPU,graphics processing unit)等硬件算力的消耗高。
发明内容
本申请实施例提供了一种基于深度图像的检测方法、检测装置及摄像设备,用于提高人体检测的检测速度,减少对GPU等硬件算力的消耗。
本申请在第一方面提供了一种基于深度图像的检测方法,包括:
对获取的第一图像进行预处理得到第二图像,所述第一图像为包含目标检测对象的深度图像,所述第二图像为格式为预设比特深度的图像;
将所述第二图像中超出第一预设阈值范围的像素点的像素值进行初始化,所述第一预设阈值范围为像素点的位置区域范围;
对所述第二图像中各个连续的像素片段的像素点进行像素值判定,并根据所述像素值判定有效的结果得到第三图像,所述像素值判定为对所述像素片段的像素值进行有效或无效的判定;
将所述第三图像中的像素点进行聚类得到簇集合,所述簇集合用于确定所述目标检测对象位置;
根据所述簇集合在所述第三图像中生成检测框;
将生成有所述检测框的第三图像进行重定向处理,并输出通过所述重定向处理后得到的图像。
可选的,所述将所述第二图像中超出第一预设阈值范围的像素点的像素值进行初始化,包括:
将所述第二图像中超出第一预设阈值范围的像素点的像素值置0。
可选的,所述对所述第二图像中各个连续的像素片段的像素点进行像素值判定,并根据所述像素值判定有效的结果得到第三图像,包括:
确定所述第二图像中各个连续的像素片段,并将像素片段中超出第二预设阈值范围的部分的像素值判定为无效,所述第二预设阈值范围为像素片段的连续长度范围,所述无效为所述像素片段的像素值为0;
对所述第二图像各个像素片段中的像素点进行分析,所述分析为对像素点的像素值取值及像素值大小关系的分析;
当存在竖直相邻的两个像素点的像素值不为0,且上端像素点的像素值大于下端像素点的像素值的分析情况时,则将满足所述分析情况的像素点所在的像素片段的像素值判定为有效,所述有效为所述像素片段的像素值为所述第二图像对应像素片段的值;
当像素片段不满足所述分析情况,或满足所述分析情况的像素片段的长度小于所述第二预设阈值范围时,则将相应像素片段的像素值判定为无效;
更新所述第二图像中对应像素点的像素值得到第三图像。
可选的,所述对所述第二图像各个像素片段中的像素点进行分析,包括:
从左至右逐列、从上至下逐行对所述第二图像各个像素片段中竖直相邻的两个像素点进行分析。
可选的,所述将所述第三图像中的像素点进行聚类得到簇集合,包括:
将判定为有效且相邻的像素点归为一个簇,并将所有簇进行归集得到簇集合。
可选的,所述将所述第三图像中的像素点进行聚类得到簇集合,包括:
将判定为有效且相邻的像素点归为一个簇;
将已在簇内的一个像素点作为目标像素点,确定与所述目标像素点在的簇相邻区域的任一有效像素点;
判断所述目标像素点与所述有效像素点之间像素值差值的绝对值是否小于第三预设阈值,所述第三预设阈值为相似度阈值;
当所述目标像素点与所述有效像素点之间像素值差值的绝对值小于第三预设阈值时,将所述有效像素点归于所述目标像素点所在的簇中;
当所述目标像素点与所述有效像素点之间像素值差值的绝对值不小于第三预设阈值时,新建一个包含所述有效像素点的簇;
将所有簇归集得到簇集合。
可选的,所述预处理包括图像下采样和/或图像格式转换。
可选的,所述图像格式转换包含至少一种转换方式,所述转换方式的任一计算方式如下:
计算方式一为:
计算方式二为:
可选的,所述根据所述簇集合在所述第三图像中生成检测框,包括:
确定所述第三图像中所述簇集合内含像素点的最大坐标信息和最小坐标信息;
根据所述最大坐标信息和所述最小坐标信息生成相应的矩形框为检测框。
可选的,所述根据所述聚类得到的簇集合在所述第三图像中生成检测框之后,所述检测方法还包括:
选取目标簇集合的面积作为目标面积阈值范围;
去除处于所述目标面积阈值范围外的目标检测对象。
可选的,所述根据所述聚类得到的簇集合在所述第三图像中生成检测框之后,所述检测方法还包括:
设定所述检测框的高度与宽度的比值范围作为目标高宽比范围;
去除处于所述目标高宽比范围外的目标检测对象。
本申请从第二方面提供了一种基于深度图像的检测装置,包括:
第一处理单元,用于对获取的第一图像进行预处理得到第二图像,所述第一图像为包含目标检测对象的深度图像,所述第二图像为格式为预设比特深度的图像;
第二处理单元,用于将所述第二图像中超出第一预设阈值范围的像素点的像素值进行初始化,所述第一预设阈值范围为像素点的位置区域范围;
像素值判定单元,用于对所述第二图像中各个连续的像素片段的像素点进行像素值判定,并根据所述像素值判定有效的结果得到第三图像,所述像素值判定为对所述像素片段的像素值进行有效或无效的判定;
聚类单元,用于将所述第三图像中的像素点进行聚类得到簇集合,所述簇集合用于确定所述目标检测对象位置;
第一生成单元,用于根据所述簇集合在所述第三图像中生成检测框;
第三处理单元,用于将生成有所述检测框的第三图像进行重定向处理,并输出通过所述重定向处理后得到的图像。
可选的,所述第二处理单元,具体用于将所述第二图像中超出第一预设阈值范围的像素点的像素值置0。
可选的,所述像素值判定单元,包括:
第一确定模块,用于确定所述第二图像中各个连续的像素片段,并将像素片段中超出第二预设阈值范围的部分的像素值判定为无效,所述第二预设阈值范围为像素片段的连续长度范围,所述无效为所述像素片段的像素值为0;
第一分析模块,用于对所述第二图像各个像素片段中的像素点进行分析,所述分析为对像素点的像素值取值及像素值大小关系的分析;
有效判定模块,用于当存在竖直相邻的两个像素点的像素值不为0,且上端像素点的像素值大于下端像素点的像素值的分析情况时,则将满足所述分析情况的像素点所在的像素片段的像素值判定为有效,所述有效为所述像素片段的像素值为所述第二图像对应像素片段的值;
无效判定模块,用于当像素片段不满足所述分析情况,或满足所述分析情况的像素片段的长度小于所述第二预设阈值范围时,则将相应像素片段的像素值判定为无效;
像素值更新模块,用于更新所述第二图像中对应像素点的像素值得到第三图像。
可选的,所述第一分析模块具体用于从左至右逐列、从上至下逐行对所述第二图像各个像素片段中竖直相邻的两个像素点进行分析。
可选的,所述聚类单元,包括:
第一簇归集模块,用于将判定为有效且相邻的像素点归为一个簇,并将所有簇进行归集得到簇集合。
可选的,所述聚类单元,包括:
第四处理模块,用于将判定为有效且相邻的像素点归为一个簇;
第二确定模块,用于将已在簇内的一个像素点作为目标像素点,确定与所述目标像素点在的簇相邻区域的任一有效像素点;
第一判断模块,用于判断所述目标像素点与所述有效像素点之间像素值差值的绝对值是否小于第三预设阈值,所述第三预设阈值为相似度阈值;
第一执行模块,用于当所述第一判断模块确定所述目标像素点与所述有效像素点之间像素值差值的绝对值小于第三预设阈值时,将所述有效像素点归于所述目标像素点所在的簇中;
第二执行模块,用于当所述第一判断模块确定所述目标像素点与所述有效像素点之间像素值差值的绝对值不小于第三预设阈值时,新建一个包含所述有效像素点的簇;
第二簇归集模块,用于将所有簇归集得到簇集合。
可选的,所述第一处理单元中的预处理包括图像下采样和/或图像格式转换。
可选的,所述第一处理单元中的图像格式转换包含至少一种转换方式,所述转换方式的任一计算方式如下:
计算方式一为:
计算方式二为:
可选的,所述第一生成单元,包括:
第三确定模块,用于确定所述第三图像中所述簇集合内含像素点的最大坐标信息和最小坐标信息;
检测框生成模块,用于根据所述最大坐标信息和所述最小坐标信息生成相应的矩形框为检测框。
可选的,所述检测装置,还包括:
第一选取单元,用于选取目标簇集合的面积作为目标面积阈值范围;
第一去除单元,用于去除处于所述目标面积阈值范围外的目标检测对象。
可选的,所述检测装置,还包括:
高宽比设置单元,用于设定所述检测框的高度与宽度的比值范围作为目标高宽比范围;
第二去除单元,用于去除处于所述目标高宽比范围外的目标检测对象。
本申请从第三方面提供了一种基于深度图像的摄像设备,包括:
处理器、存储器、输入输出单元以及总线;
所述处理器与所述存储器、所述输入输出单元以及所述总线相连;
所述存储器保存有程序,所述处理器调用所述程序以执行如第一方面以及第一方面中任一项所述的检测方法。
从以上技术方案可以看出,本申请实施例具有以下优点:
首先对获取的第一图像进行预处理得到第二图像,然后将第二图像中,超出预设像素点位置区域范围的像素值全部初始化,再对第二图像中各个连续的像素片段进行像素值判定,第二图像中的像素点的像素值根据判定结果更新后即可得到第三图像,接着根据第三图像的像素点进行聚类后得到的簇集合,在第三图像中生成相应的检测框,最后对生成检测框后的第三图像重定向处理后输出检测结果。本申请通过对图像中像素点的像素值判定的技术手段筛选出图像内包含的直立对象,通过聚类结果生成对应检测框的技术手段从直立对象中确定目标检测对象,和通过重定向处理的技术手段将预处理的图像恢复至原始的分辨率数值,提高了对象检测的检测速度,减少了对GPU等硬件算力的消耗。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请提供的基于深度图像的检测方法的一个实施例流程示意图;
图2为本申请提供的基于深度图像的检测算法原理示意图;
图3为本申请提供的基于深度图像的检测方法的另一个实施例流程示意图;
图4为本申请提供的基于深度图像的检测装置的一个实施例结构示意图;
图5为本申请提供的基于深度图像的检测装置的另一个实施例流程示意图;
图6为本申请提供的基于深度图像的摄像设备的一个实施例结构示意图;
图7为本申请所描述的检测框边界线示意图。
具体实施方式
当下,基于双目、TOF或结构光的深度数据解决方案在消费电子、安防、交通等领域日益普及。在与之相关如自动贩卖机、商店、广告牌、公交地铁等场景的客流统计、以及体感游戏、智能家电应用等场景中,需要对人体进行人体检测。
对于基于RGB图像的人体检测技术,业内通常采用的为基于HOG+SVM的检测方法或基于深度学习的检测方法;而基于深度图像的人体检测技术,同样是运用基于RGB图像的人体检测技术进行人体检测,由于人体是站立或行走的人形,因此人体可看作是直立目标,直立目标在深度图像中从上到下深度值整体呈单调变化趋势。
但由于深度图像相比于RGB图像来说缺乏了颜色和纹理信息,对于人体的部位如头发等细节处易出现空洞。因此,在迁移基于RGB图像的人体检测技术对深度图像进行人体检测时,需要采集大量的数据并制作数据集,然后花相当的时间训练、调优,最后再进行算法移植。在整个检测过程中,对GPU等硬件算力的消耗高。
基于此,本申请提供了一种基于深度图像的检测方法、检测装置及摄像设备,在进行对象检测的过程中,可以通过对图像中像素点的像素值判定的技术手段筛选出图像内包含的直立对象,通过聚类结果生成对应检测框的技术手段从直立对象中确定目标检测对象,和通过重定向处理的技术手段将预处理的图像恢复至原始的分辨率数值,提高了对象检测的检测速度,以达到减少对GPU等硬件算力的消耗的目的。
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通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,都属于本申请保护的范围。
在本实施例中,基于深度图像的检测方法可在系统实现,也可以在服务器实现,具体不做明确限定。为方便描述,本申请实施例使用系统为执行主体举例描述。
请参阅图1,本申请实施例提供了基于深度图像的检测方法的一个实施例,包括:
101、对获取的第一图像进行预处理得到第二图像;
在本申请实施例中,系统通过摄像头获取第一图像,该摄像头应布置在超过2m高度的水平拍摄场景中,或者布置在具有一定向下倾角的倾斜拍摄场景中,例如斜坡拍摄等,不适用于竖直向下拍摄的场景,例如公交、地铁的客流统计。
第一图像为包含目标检测对象的深度图像,系统在获取到第一图像后,为了方便后续对图像的像素值判定处理,需要对图像的形式有一定的要求,因此,系统需要根据这些要求对第一图像进行相应的预处理,从而得到第二图像。
具体的,可以是通过第一图像的分辨率或位深度来确定第一图像是否需要经过预处理,若是需要预处理的话需要进行什么预处理,其中,位深度指的是存储每个像素点所用的位数,主要用于存储。若是系统获取到的第一图像的分辨率较大,则对第一图像进行下采样后得到第二图像,下采样可以适当地降低图像分辨率,在基本不影响检测结果的前提下,显著减少计算量,提高检测速度;若是系统获取到的第一图像的位深度较大,则对第一图像进行位深度转换得到第二图像。
例如,第一图像为VGA分辨率(640x480),则可下采样至160x120;当第一图像位深度大于8时,则将该第一图像转换为8bit的图像。
进一步的,当第一图像需要进行下采样和图像格式转换时,对于第一图像预处理的顺序不限定,可以是先下采样再进行图像格式转换,也可以是先进行图像格式转换再进行下采样转换。
102、将第二图像中超出第一预设阈值范围的像素点的像素值进行初始化;
对于摄像头所获取的深度图像来说,图像中的直立对象有这样一条规律:对象从上到下深度值整体呈单调变化趋势。具体地,如图2所示,对于直立或近似直立的物体,其顶部到相机的距离为,其底部到相机的距离为,显然,并且从到相应的距离整体呈递增趋势。而对于非直立物体,比如倾斜物体、水平物体,则一般不具备这种递增趋势,水平物体甚至是与直立物体具有相反的递减趋势。
在本申请实施例中,在系统对第一图像进行预处理得到第二图像后,需要对第二图像进行阈值选择,阈值选择的作用是可以初步筛选出一些近距离和远距离的像素点,以降低误检测的概率。因此,系统可以根据图像中像素点的位置区域,设置第一预设范围,图像中像素点的位置在第一预设范围外的则进行初始化,以达到去除杂质像素点的目的。
具体的,系统设置第一预设阈值范围为:,将在第二图像中,超过该阈值的范围的像素点像素值进行初始化,其中,通常会设置为10pt,通常会设置为240pt,具体的取值根据应用需求和实际场景而定,也可以是使用该系统的人员直接对该取值进行定义。
103、对第二图像中各个连续的像素片段的像素点进行像素值判定,并根据像素值判定有效的结果得到第三图像;
在本申请实施例中,由于人体在被拍摄时通常是直立状态,系统通常会判断检测所拍摄的图像中像素点的像素值是否满足“直立规律”,从而根据判断结果确定一定区域内代表直立对象的像素点。因此,系统需要对第二图像中的各个连续的像素片段的像素点进行像素值判定,若有效,则保留或恢复原有像素值;若其他的像素点则确定为无效,则置于0,然后根据这些判定为像素值有效的像素点得到第三图像。
104、将第三图像中的像素点进行聚类得到簇集合;
在本申请实施例中,系统需要将一定区域内确定为直立对象的像素点进行进一步筛选,从而找出直立对象中的直立人体,因此,系统将第三图像中的像素点进行聚类得到簇集合,其中,簇集合的作用是用来确定目标检测对象的位置区域,即确定直立人体的位置区域。
可选的,由于聚类会涉及到图像的搜索,对于搜索的方式,可以采用深度优先搜索(DFS,Depth-First-Search),也可以采用广度优先搜索(BFS,Breadth-First-Search)。例如,求最少步数的解,或最少交换次数的解等,由于BFS搜索过程中遇到的解一定是离根最近的,所以遇到一个解,一定就是最优解,此时搜索可以终止;而DFS则是全局搜索完毕后,从所有解中找出离根最近的解。
105、根据簇集合在第三图像中生成检测框;
在本申请实施例中,系统需要遍历簇集合,对于每个簇集合,求其AABB包围盒,以之作为该簇集合的检测框,该检测框如图7所示,具有上下边界和左右边界。
106、将生成有检测框的第三图像进行重定向处理,并输出通过重定向处理后得到的图像。
在本申请实施例中,如果系统对第一图像进行了下采样处理,那么所生成的检测框是基于下采样处理后所得到的,该检测框的分辨率与下采样处理后的图像的分辨率相同,因此,系统需要将其重定向转回基于原始深度图像分辨率:例如,下采样的比例为,则将所有检测框位置、尺寸按照比例进行缩放即可。
最后,输出包含重定向后的检测框的图像作为最终人体检测结果。
在本申请实施例中,本申请通过对图像中像素点的像素值判定的技术手段筛选出图像内包含的直立对象,再进一步通过聚类结果生成对应检测框的技术手段去除直立对象中的杂质,得到目标检测对象,以及通过重定向处理的技术手段将生成有检测框的第三图像的分辨率恢复至原始的分辨率数值,提高了系统人体检测的检测速度,减少了对GPU等硬件算力的消耗。
请参阅图3,本申请实施例提供了基于深度图像的检测方法的另一个实施例,包括:
201、对获取的第一图像进行预处理得到第二图像;
202、将第二图像中超出第一预设阈值范围的像素点的像素值置0;
本实施例中步骤201至202与前述实施例中步骤101至步骤102类似,此处不再赘述。
203、确定第二图像中各个连续的像素片段,并将像素片段中超出第二预设阈值范围的部分的像素值判定为无效;
204、对第二图像各个像素片段中的像素点进行分析;
205、当存在竖直相邻的两个像素点的像素值不为0,且上端像素点的像素值大于下端像素点的像素值的分析情况时,则将满足分析情况的像素点所在的像素片段的像素值判定为有效,当像素片段不满足分析情况,或满足分析情况的像素片段的长度小于第二预设阈值范围时,则将相应像素片段的像素值判定为无效;
206、更新第二图像中对应像素点的像素值得到第三图像;
在本申请实施例中,系统需要对第二图像中各个连续的像素片段的像素点进行像素值判定,并根据像素值判定有效的结果得到第三图像,以达到筛选出第二图像内所包含的直立对象的目的。
对第二图像各个像素片段中的像素点进行分析具体指的是,需要从左至右逐列、从上至下逐行对第二图像各个像素片段中竖直相邻的两个像素点进行分析。
具体的,系统首先设定第二阈值范围和第二图像中各个连续的像素片段,处于该阈值范围外的部分的像素值判定为无效,初始化置0;然后从左至右逐列、从上至下逐行分别判断第二图像各个像素片段中竖直相邻的两个像素点是否满足“直立规律”的判定条件,若是满足,则系统进一步判断该满足判定条件的像素片段的像素点个数是否小于第二预设阈值范围,若是,则该像素片段的像素值依旧是0,若不是,则将该像素片段的像素值确定为第二图像对应像素片段的像素值;最后,系统再综合以上判定结果更新第二图像中对应像素点的像素值得到第三图像。
207、将第三图像中的像素点进行聚类得到簇集合;
本申请实施例中,对像素点进行聚类的方案具体可以表现为以下两种方式。
聚类方案一:将判定为有效且相邻的像素点归为一个簇,并将所有簇进行归集得到簇集合。
聚类方案二:将判定为有效且相邻的像素点归为一个簇,然后将已在簇内的一个像素点作为目标像素点;当系统确定与目标像素点在的簇相邻区域的任一有效像素点后,系统判断目标像素点与有效像素点之间像素值差值的绝对值是否小于第三预设阈值,该第三预设阈值为相似度阈值;若是小于,则将有效像素点归于目标像素点所在的簇中,若是不小于,则新建一个包含有效像素点的簇;上述步骤循环全局像素点后,再将所有簇归集即可得到簇集合。
208、确定第三图像中簇集合内含像素点的最大坐标信息和最小坐标信息;
209、根据最大坐标信息和最小坐标信息生成相应的矩形框为检测框;
210、选取目标簇集合的面积作为目标面积阈值范围,去除处于目标面积阈值范围外的目标检测对象;和/或,设定检测框的高度与宽度的比值范围作为目标高宽比范围,去除处于目标高宽比范围外的目标检测对象;
在本申请实施例中,系统需要遍历簇集合,对于每个簇集合,求其AABB包围盒,以之作为该簇集合的检测框。具体的做法是得到簇集合中像素点的最大坐标信息和最小坐标信息之后,以最大纵坐标数值和最小纵坐标数值的差的绝对值作为左边界和右边界的长度,以最小横坐标数据和最大横坐标数值的差的绝对值作为上边界和下边界的长度。
进一步的,系统为了从筛选出的符合“直立规律”的直立对象中去掉面积明显不符合预期直立人体的部分,比如噪声、局部的杂物、大面积的竖直墙面等,系统还可以对各个确定的目标检测对象的位置区域进行面积筛选,这个面积所指的可以是簇集合的面积,即簇集合中像素点的个数,也可以是和簇集合对应的包围盒的面积。
再进一步的,系统为了从当前符合“直立规律”和面积筛选条件的直立对象中,进一步筛出形状明显不符直立人体特征的一部分,比如细长的柱子等,系统还可以对筛选后的目标检测对象的位置区域进行形状筛选,例如限定检测框高度与宽度的比例,去除直立对象在检测框高度与宽度的比例外的部分。
211、将生成有检测框的第三图像进行重定向处理,并输出通过重定向处理后得到的图像。
本实施例中步骤211与前述实施例中步骤106类似,此处不再赘述。
在本申请实施例中,系统在进行人体检测的过程中,实施生成检测框的步骤后,为了能够更进一步从筛选出的符合“直立规律”的直立对象中去掉面积明显不符合预期直立人体以及人体特征的部分,采用了面积筛选和位置筛选的技术手段,从而提高了确定出目标检测对象(人体)的精度。
请参阅图4,图4为本申请实施例提供的基于深度图像的检测装置的一个实施例,包括:
第一处理单元301,用于对获取的第一图像进行预处理得到第二图像,第一图像为包含目标检测对象的深度图像,第二图像为格式为预设比特深度的图像;
第二处理单元302,用于将第二图像中超出第一预设阈值范围的像素点的像素值进行初始化,第一预设阈值范围为像素点的位置区域范围;
像素值判定单元303,用于对第二图像中各个连续的像素片段的像素点进行像素值判定,并根据像素值判定有效的结果得到第三图像,像素值判定为对像素片段的像素值进行有效或无效的判定;
聚类单元304,用于将第三图像中的像素点进行聚类得到簇集合,簇集合用于确定目标检测对象位置;
第一生成单元305,用于根据簇集合在第三图像中生成检测框;
第三处理单元306,用于将生成有检测框的第三图像进行重定向处理,并输出通过重定向处理后得到的图像。
在本申请实施例中,首先通过第一处理单元301对获取的第一图像进行预处理得到第二图像后,第二处理单元302会将第二图像中超出第一预设阈值范围的像素点的像素值进行初始化,像素值判定单元303对第二图像中各个连续的像素片段的像素点进行像素值判定,并根据像素值判定有效的结果得到第三图像,聚类单元304会将第三图像中的像素点进行聚类得到簇集合,从而确定目标检测对象的位置,接着,第一生成单元305根据簇集合在第三图像中生成检测框,最后,第三处理单元306将经过第一生成单元305生成的带检测框的第三图像进行重定向处理,并输出通过重定向处理后得到的图像。该装置能够在图像上确定出需要检测的目标对象位置,进而进一步对该目标对象进行对象检测,提高了对象检测的检测速度,减少对GPU等硬件算力的消耗。
请参阅图5,图5为本申请实施例提供的基于深度图像的检测装置的另一个实施例,包括:
第一处理单元401,用于对获取的第一图像进行预处理得到第二图像,第一图像为包含目标检测对象的深度图像,第二图像为格式为预设比特深度的图像;
第二处理单元402,用于将第二图像中超出第一预设阈值范围的像素点的像素值进行初始化,第一预设阈值范围为像素点的位置区域范围;
像素值判定单元403,用于对第二图像中各个连续的像素片段的像素点进行像素值判定,并根据像素值判定有效的结果得到第三图像,像素值判定为对像素片段的像素值进行有效或无效的判定;
聚类单元404,用于将第三图像中的像素点进行聚类得到簇集合,簇集合用于确定目标检测对象位置;
第一生成单元405,用于根据簇集合在第三图像中生成检测框;
第一选取单元406,用于选取目标簇集合的面积作为目标面积阈值范围;
第一去除单元407,用于去除处于目标面积阈值范围外的目标检测对象;
高宽比设置单元408,用于设定检测框的高度与宽度的比值范围作为目标高宽比范围;
第二去除单元409,用于去除处于目标高宽比范围外的目标检测对象;
第三处理单元410,用于将生成有检测框的第三图像进行重定向处理,并输出通过重定向处理后得到的图像。
在本申请实施例中,第二处理单元402具体用于将第二图像中超出第一预设阈值范围的像素点的像素值置0。
在本申请实施例中,像素值判定单元403包括:
第一确定模块4031,用于确定第二图像中各个连续的像素片段,并将像素片段中超出第二预设阈值范围的部分的像素值判定为无效,第二预设阈值范围为像素片段的连续长度范围,无效为像素片段的像素值为0;
第一分析模块4032,用于对第二图像各个像素片段中的像素点进行分析,分析为对像素点的像素值取值及像素值大小关系的分析;
有效判定模块4033,用于当存在竖直相邻的两个像素点的像素值不为0,且上端像素点的像素值大于下端像素点的像素值的分析情况时,则将满足分析情况的像素点所在的像素片段的像素值判定为有效,有效为像素片段的像素值为第二图像对应像素片段的值;
无效判定模块4034,用于当像素片段不满足分析情况,或满足分析情况的像素片段的长度小于第二预设阈值范围时,则将相应像素片段的像素值判定为无效;
像素值更新模块4035,用于更新第二图像中对应像素点的像素值得到第三图像。
在本申请实施例中,第一分析模块4032具体用于从左至右逐列、从上至下逐行对第二图像各个像素片段中竖直相邻的两个像素点进行分析。
在本申请实施例中,聚类单元404,包括:
第一簇归集模块4041,用于将判定为有效且相邻的像素点归为一个簇,并将所有簇进行归集得到簇集合;
或,
第四处理模块4042,用于将判定为有效且相邻的像素点归为一个簇;
第二确定模块4043,用于将已在簇内的一个像素点作为目标像素点,确定与目标像素点在的簇相邻区域的任一有效像素点;
第一判断模块4044,用于判断目标像素点与有效像素点之间像素值差值的绝对值是否小于第三预设阈值,第三预设阈值为相似度阈值;
第一执行模块4045,用于当第一判断模块4043确定目标像素点与有效像素点之间像素值差值的绝对值小于第三预设阈值时,将有效像素点归于目标像素点所在的簇中;
第二执行模块4046,用于当第一判断模块4043确定目标像素点与有效像素点之间像素值差值的绝对值不小于第三预设阈值时,新建一个包含有效像素点的簇;
第二簇归集模块4047,用于将所有簇归集得到簇集合。
在本申请实施例中,第一生成单元405,包括:
第三确定模块4051,用于确定第三图像中簇集合内含像素点的最大坐标信息和最小坐标信息;
检测框生成模块4052,用于根据最大坐标信息和最小坐标信息生成相应的矩形框为检测框。
请参阅图6,图6为本申请实施例提供的一种基于深度图像的摄像设备,包括:
处理器501、存储器502、输入输出单元503以及总线504;
处理器501与存储器502、输入输出单元503以及总线504相连;
存储器502保存有程序,处理器501调用程序以执行以下方法:
对获取的第一图像进行预处理得到第二图像;
将第二图像中超出第一预设阈值范围的像素点的像素值进行初始化;
对第二图像中各个连续的像素片段的像素点进行像素值判定,并根据像素值判定有效的结果得到第三图像;
将第三图像中的像素点进行聚类得到簇集合;
根据簇集合在第三图像中生成检测框;
将生成有检测框的第三图像进行重定向处理,并输出通过重定向处理后得到的图像。
可选的,将第二图像中超出第一预设阈值范围的像素点的像素值进行初始化,包括:
将第二图像中超出第一预设阈值范围的像素点的像素值置0。
可选的,对第二图像中各个连续的像素片段的像素点进行像素值判定,并根据像素值判定有效的结果得到第三图像,包括:
确定第二图像中各个连续的像素片段,并将像素片段中超出第二预设阈值范围的部分的像素值判定为无效,第二预设阈值范围为像素片段的连续长度范围,无效为像素片段的像素值为0;
对第二图像各个像素片段中的像素点进行分析,分析为对像素点的像素值取值及像素值大小关系的分析;
当存在竖直相邻的两个像素点的像素值不为0,且上端像素点的像素值大于下端像素点的像素值的分析情况时,则将满足分析情况的像素点所在的像素片段的像素值判定为有效,有效为像素片段的像素值为第一图像对应像素片段的值;
当像素片段不满足分析情况,或满足分析情况的像素片段的长度小于第二预设阈值范围时,则将相应像素片段的像素值判定为无效;
更新第二图像中对应像素点的像素值得到第三图像。
可选的,对第二图像各个像素片段中的像素点进行分析,包括:
从左至右逐列、从上至下逐行对第二图像各个像素片段中竖直相邻的两个像素点进行分析。
可选的,将第三图像中的像素点进行聚类得到簇集合,包括:
将判定为有效且相邻的像素点归为一个簇,并将所有簇进行归集得到簇集合。
可选的,将第三图像中的像素点进行聚类得到簇集合,包括:
将判定为有效且相邻的像素点归为一个簇;
将已在簇内的一个像素点作为目标像素点,确定与目标像素点在的簇相邻区域的任一有效像素点;
判断目标像素点与有效像素点之间像素值差值的绝对值是否小于第三预设阈值,第三预设阈值为相似度阈值;
当目标像素点与有效像素点之间像素值差值的绝对值小于第三预设阈值时,将有效像素点归于目标像素点所在的簇中;
当目标像素点与有效像素点之间像素值差值的绝对值不小于第三预设阈值时,新建一个包含有效像素点的簇;
将簇归集得到簇集合。
可选的,预处理包括图像下采样和/或图像格式转换。
可选的,图像格式转换包含至少一种转换方式,转换方式的任一计算方式如下:
计算方式一为:
计算方式二为:
可选的,根据簇集合在第三图像中生成检测框,包括:
确定第三图像中簇集合内含像素点的最大坐标信息和最小坐标信息;
根据最大坐标信息和最小坐标信息生成相应的矩形框为检测框。
可选的,根据聚类得到的簇集合在第三图像中生成检测框之后,方法还包括:
选取目标簇集合的面积作为目标面积阈值范围;
去除处于目标面积阈值范围外的目标检测对象。
可选的,根据聚类得到的簇集合在第三图像中生成检测框之后,方法还包括:
设定检测框的高度与宽度的比值范围作为目标高宽比范围;
去除处于目标高宽比范围外的目标检测对象。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者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者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,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,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,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现有技术做出贡献的部分或者该技术方案的全部或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步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,read-onlymemory)、随机存取存储器(RAM,random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (13)
1.一种基于深度图像的检测方法,其特征在于,包括:
对获取的第一图像进行预处理得到第二图像,所述第一图像为包含目标检测对象的深度图像,所述第二图像为格式为预设比特深度的图像;
将所述第二图像中超出第一预设阈值范围的像素点的像素值进行初始化,所述第一预设阈值范围为像素点的位置区域范围;
对所述第二图像中各个连续的像素片段的像素点进行像素值判定,并根据所述像素值判定有效的结果得到第三图像,所述像素值判定为对所述像素片段的像素值进行有效或无效的判定;
将所述第三图像中的像素点进行聚类得到簇集合,所述簇集合用于确定所述目标检测对象位置;
根据所述簇集合在所述第三图像中生成检测框;
将生成有所述检测框的第三图像进行重定向处理,并输出通过所述重定向处理后得到的图像。
2.根据权利要求1所述的检测方法,其特征在于,所述将所述第二图像中超出第一预设阈值范围的像素点的像素值进行初始化,包括:
将所述第二图像中超出第一预设阈值范围的像素点的像素值置0。
3.根据权利要求2所述的检测方法,其特征在于,所述对所述第二图像中各个连续的像素片段的像素点进行像素值判定,并根据所述像素值判定有效的结果得到第三图像,包括:
确定所述第二图像中各个连续的像素片段,并将像素片段中超出第二预设阈值范围的部分的像素值判定为无效,所述第二预设阈值范围为像素片段的连续长度范围,所述无效为所述像素片段的像素值为0;
对所述第二图像各个像素片段中的像素点进行分析,所述分析为对像素点的像素值取值及像素值大小关系的分析;
当存在竖直相邻的两个像素点的像素值不为0,且上端像素点的像素值大于下端像素点的像素值的分析情况时,则将满足所述分析情况的像素点所在的像素片段的像素值判定为有效,所述有效为所述像素片段的像素值为所述第二图像对应像素片段的值;
当像素片段不满足所述分析情况,或满足所述分析情况的像素片段的长度小于所述第二预设阈值范围时,则将相应像素片段的像素值判定为无效;
更新所述第二图像中对应像素点的像素值得到第三图像。
4.根据权利要求3所述的检测方法,其特征在于,所述对所述第二图像各个像素片段中的像素点进行分析,包括:
从左至右逐列、从上至下逐行对所述第二图像各个像素片段中竖直相邻的两个像素点进行分析。
5.根据权利要求4所述的检测方法,其特征在于,所述将所述第三图像中的像素点进行聚类得到簇集合,包括:
将判定为有效且相邻的像素点归为一个簇,并将所有簇进行归集得到簇集合。
6.根据权利要求5所述的检测方法,其特征在于,所述将所述第三图像中的像素点进行聚类得到簇集合,包括:
将判定为有效且相邻的像素点归为一个簇;
将已在簇内的一个像素点作为目标像素点,确定与所述目标像素点在的簇相邻区域的任一有效像素点;
判断所述目标像素点与所述有效像素点之间像素值差值的绝对值是否小于第三预设阈值,所述第三预设阈值为相似度阈值;
当所述目标像素点与所述有效像素点之间像素值差值的绝对值小于第三预设阈值时,将所述有效像素点归于所述目标像素点所在的簇中;
当所述目标像素点与所述有效像素点之间像素值差值的绝对值不小于第三预设阈值时,新建一个包含所述有效像素点的簇;
将所有簇归集得到簇集合。
7.根据权利要求1至6任一项所述的检测方法,其特征在于,所述预处理包括图像下采样和/或图像格式转换。
9.根据权利要求8所述的检测方法,其特征在于,所述根据所述簇集合在所述第三图像中生成检测框,包括:
确定所述第三图像中所述簇集合内含像素点的最大坐标信息和最小坐标信息;
根据所述最大坐标信息和所述最小坐标信息生成相应的矩形框为检测框。
10.根据权利要求9所述的检测方法,其特征在于,所述根据所述聚类得到的簇集合在所述第三图像中生成检测框之后,所述检测方法还包括:
选取目标簇集合的面积作为目标面积阈值范围;
去除处于所述目标面积阈值范围外的目标检测对象。
11.根据权利要求10所述的检测方法,其特征在于,所述根据所述聚类得到的簇集合在所述第三图像中生成检测框之后,所述检测方法还包括:
设定所述检测框的高度与宽度的比值范围作为目标高宽比范围;
去除处于所述目标高宽比范围外的目标检测对象。
12.一种基于深度图像的检测装置,其特征在于,包括:
第一处理单元,用于对获取的第一图像进行预处理得到第二图像,所述第一图像为包含目标检测对象的深度图像,所述第二图像为格式为预设比特深度的图像;
第二处理单元,用于将所述第二图像中超出第一预设阈值范围的像素点的像素值进行初始化,所述第一预设阈值范围为像素点的位置区域范围;
像素值判定单元,用于对所述第二图像中各个连续的像素片段的像素点进行像素值判定,并根据所述像素值判定有效的结果得到第三图像,所述像素值判定为对所述像素片段的像素值进行有效或无效的判定;
聚类单元,用于将所述第三图像中的像素点进行聚类得到簇集合,所述簇集合用于确定所述目标检测对象位置;
第一生成单元,用于根据所述簇集合在所述第三图像中生成检测框;
第三处理单元,用于将生成有所述检测框的第三图像进行重定向处理,并输出通过所述重定向处理后得到的图像。
13.一种基于深度图像的摄像设备,其特征在于,所述摄像设备包括:
处理器、存储器、输入输出单元以及总线;
所述处理器与所述存储器、所述输入输出单元以及所述总线相连;
所述存储器保存有程序,所述处理器调用所述程序以执行如权利要求1至11中任一项所述的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111587579.2A CN113989276B (zh) | 2021-12-23 | 2021-12-23 | 一种基于深度图像的检测方法、检测装置及摄像设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111587579.2A CN113989276B (zh) | 2021-12-23 | 2021-12-23 | 一种基于深度图像的检测方法、检测装置及摄像设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113989276A true CN113989276A (zh) | 2022-01-28 |
CN113989276B CN113989276B (zh) | 2022-03-29 |
Family
ID=79734131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111587579.2A Active CN113989276B (zh) | 2021-12-23 | 2021-12-23 | 一种基于深度图像的检测方法、检测装置及摄像设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989276B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821676A (zh) * | 2022-06-29 | 2022-07-29 | 珠海视熙科技有限公司 | 客流人体检测方法、装置、存储介质及客流统计相机 |
CN115272954A (zh) * | 2022-06-29 | 2022-11-01 | 珠海视熙科技有限公司 | 一种客流统计装置及智能终端 |
CN115661131A (zh) * | 2022-11-17 | 2023-01-31 | 菲特(天津)检测技术有限公司 | 一种图像识别方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106558053A (zh) * | 2015-09-25 | 2017-04-05 | 株式会社理光 | 对象分割方法和对象分割装置 |
CN109635783A (zh) * | 2019-01-02 | 2019-04-16 | 上海数迹智能科技有限公司 | 视频监控方法、装置、终端和介质 |
CN110335216A (zh) * | 2019-07-09 | 2019-10-15 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置、终端设备及可读存储介质 |
CN110728246A (zh) * | 2019-10-17 | 2020-01-24 | 南京鑫和汇通电子科技有限公司 | 一种基于深度图像的立方物体识别方法 |
CN111144213A (zh) * | 2019-11-26 | 2020-05-12 | 北京华捷艾米科技有限公司 | 一种对象检测方法和相关设备 |
CN111950543A (zh) * | 2019-05-14 | 2020-11-17 | 北京京东尚科信息技术有限公司 | 一种目标检测方法和装置 |
CN112508989A (zh) * | 2020-11-20 | 2021-03-16 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、服务器以及介质 |
-
2021
- 2021-12-23 CN CN202111587579.2A patent/CN113989276B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106558053A (zh) * | 2015-09-25 | 2017-04-05 | 株式会社理光 | 对象分割方法和对象分割装置 |
CN109635783A (zh) * | 2019-01-02 | 2019-04-16 | 上海数迹智能科技有限公司 | 视频监控方法、装置、终端和介质 |
CN111950543A (zh) * | 2019-05-14 | 2020-11-17 | 北京京东尚科信息技术有限公司 | 一种目标检测方法和装置 |
CN110335216A (zh) * | 2019-07-09 | 2019-10-15 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置、终端设备及可读存储介质 |
CN110728246A (zh) * | 2019-10-17 | 2020-01-24 | 南京鑫和汇通电子科技有限公司 | 一种基于深度图像的立方物体识别方法 |
CN111144213A (zh) * | 2019-11-26 | 2020-05-12 | 北京华捷艾米科技有限公司 | 一种对象检测方法和相关设备 |
CN112508989A (zh) * | 2020-11-20 | 2021-03-16 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、服务器以及介质 |
Non-Patent Citations (1)
Title |
---|
王帅 等: "基于区域特征聚类的RGBD显著性物体检测", 《小型微型计算机系统》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821676A (zh) * | 2022-06-29 | 2022-07-29 | 珠海视熙科技有限公司 | 客流人体检测方法、装置、存储介质及客流统计相机 |
CN115272954A (zh) * | 2022-06-29 | 2022-11-01 | 珠海视熙科技有限公司 | 一种客流统计装置及智能终端 |
CN114821676B (zh) * | 2022-06-29 | 2023-04-07 | 珠海视熙科技有限公司 | 客流人体检测方法、装置、存储介质及客流统计相机 |
CN115661131A (zh) * | 2022-11-17 | 2023-01-31 | 菲特(天津)检测技术有限公司 | 一种图像识别方法、装置、电子设备及存储介质 |
CN115661131B (zh) * | 2022-11-17 | 2023-03-10 | 菲特(天津)检测技术有限公司 | 一种图像识别方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113989276B (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113989276B (zh) | 一种基于深度图像的检测方法、检测装置及摄像设备 | |
US11302315B2 (en) | Digital video fingerprinting using motion segmentation | |
CN107038448B (zh) | 目标检测模型构建方法 | |
US9968845B2 (en) | Image processing device and image processing method, and program | |
CN109903331B (zh) | 一种基于rgb-d相机的卷积神经网络目标检测方法 | |
JP6088792B2 (ja) | 画像検出装置及び制御プログラム並びに画像検出方法 | |
CN105184763B (zh) | 图像处理方法和装置 | |
CN110334762B (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
CN102713938A (zh) | 用于均匀和非均匀照明变化中的改善的特征检测的尺度空间正规化技术 | |
CN111640089A (zh) | 一种基于特征图中心点的缺陷检测方法及装置 | |
WO2019071976A1 (zh) | 基于区域增长和眼动模型的全景图像显著性检测方法 | |
CN106874942B (zh) | 一种基于正则表达式语义的目标模型快速构建方法 | |
CN114743152A (zh) | 一种高炉料面视频关键帧自动提取方法及系统 | |
CN106997599B (zh) | 一种光照敏感的视频运动目标分割方法 | |
Katramados et al. | Real-time visual saliency by division of gaussians | |
CN114937159A (zh) | 一种基于gpu加速的双目匹配方法 | |
CN111680619A (zh) | 基于卷积神经网络和双注意力机制的行人检测方法 | |
CN112749713B (zh) | 一种基于人工智能的大数据图像识别系统及方法 | |
Tehsin et al. | Survey of region-based text extraction techniques for efficient indexing of image/video retrieval | |
CN114820987A (zh) | 一种基于多视角图像序列的三维重建方法及系统 | |
CN114554188A (zh) | 基于图像传感器像素阵列的手机摄像头检测方法及装置 | |
CN113095239A (zh) | 一种关键帧提取方法、终端及计算机可读存储介质 | |
US20070092158A1 (en) | Image processing method and image processing apparatus | |
CN110599517A (zh) | 一种基于局部特征和全局hsv特征组合的目标特征描述方法 | |
Depraz et al. | Real-time object detection and tracking in omni-directional surveillance using GPU |
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 |