CN115512341A - 一种基于高斯分布拟合的目标检测方法、装置及计算机介质 - Google Patents
一种基于高斯分布拟合的目标检测方法、装置及计算机介质 Download PDFInfo
- Publication number
- CN115512341A CN115512341A CN202211129491.0A CN202211129491A CN115512341A CN 115512341 A CN115512341 A CN 115512341A CN 202211129491 A CN202211129491 A CN 202211129491A CN 115512341 A CN115512341 A CN 115512341A
- Authority
- CN
- China
- Prior art keywords
- gaussian distribution
- frame
- points
- model
- license plate
- 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 22
- 238000000034 method Methods 0.000 claims abstract description 47
- 230000004044 response Effects 0.000 claims abstract description 32
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000002904 solvent Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于高斯分布拟合的目标检测方法、装置及计算机介质,其中所述方法包括:步骤S1,图像预处理;步骤S2,模型推理,经获取的经过图像预处理的车牌图像输入端到端模型,将所述车牌图像推理输出符合高斯分布规律的置信度图;步骤S3,高响应点提取;步骤S4,带约束最小二乘法拟合边框;步骤S5,目标边框优化过滤。本发明的优点在于提出了一种基于二维高斯分布拟合的目标检测方法,其将目标检测转换成单高斯分布回归问题,模型直接输出符合高斯分布的目标置信度图结果,再提取高响应点及其3*3邻域值后使用最小二乘法拟合目标高斯分布,得到中心点和边框尺寸。
Description
技术领域
本发明属于信息处理技术领域,具体涉及一种基于高斯分布拟合的目标检测方法、装置及计算机介质。
背景技术
随着机动车的数量逐年增多,智能交通对于机动车的管理起着举足轻重的作用,车牌识别作为智能交通的基础部分,在交通管理、治安监控中广泛使用,但现有技术中,对于获取的牌照图像输入训练模块进行识别的方式存在以下缺陷:计算量大而运行速度慢,手工特征在鲁棒性上较弱,识别效果不佳。传统车牌照检测法:首先生成目标建议框,接着提取每个建议框中的特征,最后根据特征进行分类前背景。上述传统车牌照检测法计算量大而导致运行速度慢,手工特征在鲁棒性上较弱,识别效果不佳。
发明内容
本申请的主要目的在于提供一种基于高斯分布拟合的目标检测方法、装置及计算机介质,其将目标检测转换成单高斯分布回归问题,模型直接输出符合高斯分布的目标置信度图结果,用以提高车牌图像识别的速度和准确度。
为了解决上述技术问题,本申请有如下技术方案:
第一方面,本申请提供了一种基于高斯分布拟合的目标检测方法,其包括:步骤S1,图像预处理,获取车牌图像,将图像处理成模型需要的格式,所述图像处理包括归一化和/或尺寸比例标准化;步骤S2,模型推理,将经过所述图像预处理的车牌图像输入端到端模型,将所述车牌图像推理输出符合高斯分布规律的置信度图;步骤S3,高响应点提取,遍历所述置信度图寻找数值超过阈值的极值点,并提取其3*3邻域点的数值以及记录对应坐标值;步骤S4,带约束最小二乘法拟合边框,构造标准二维高斯分布的最小二乘法估计公式,并加入使估计得到的高斯分布参数矩阵A尽可能接近参考参数矩阵Ao的约束,并代入提取高响应点中获得的坐标和置信值计算获得最终估计结果,所述最终估计结果包括高斯分布的中心坐标和标准差,根据所述中心坐标和标准差获得边框的具体位置信息;步骤S5,目标边框优化过滤:对于估计的高斯分布的中心坐标与极值点的位置差异超过距离γ,或高斯分布的标准差不在规定范围内,则过滤该估计结果;对于合格的估计结果,则将标准差换算成边框半径并输出边框坐标;所述γ为预设设置的位置差异距离,所述为预先设置的参考标准差。
进一步地,将所述车牌图像推理输出符合高斯分布规律的置信度图过程中,端到端模型根据车牌边框标签生成对应的高斯分布图标签。
进一步地,所述高响应点提取,遍历置信度图寻找数值超过阈值的极值点,并提取其3*3邻域点的数值以及记录对应坐标值具体包括:预先设置阈值,在端对端模型输入的置信度图中进行遍历筛选,获取高响应点,所述高响应点是数值超过预先设置阈值的多个极值点,并对所述多个极值点进行优化处理;所述优化处理具体包括:获取所述多个极值点的关联坐标点,所述关联坐标点是所述多个极值点的3*3邻域点,获取关联坐标点的具体对应坐标值以及模型参数值。
进一步地,所述目标边框优化过滤具体包括:计算高斯分布损失、计算边框损失以及梯度回传训练。
进一步地,所述计算高斯分布损失具体包括:计算预测高斯分布图和标签高斯分布图的加权L2损失;其中,预测值高于阈值的部分,数值越大权重越高;预测值小于或等于阈值的部分,数值差异越大则权重越高。
进一步地,计算边框损失具体包括:计算预测边框与标签边框的L2损失。
进一步地,所述梯度回传训练具体包括:加权融合高斯分布损失和边框损失,计算梯度回传并使用优化器迭代更新模型参数,以实现模型训练。
第二方面,本申请提供了一种基于高斯分布拟合的目标检测装置,所述装置包括:图像预处理模块,用于获取车牌图像,将图像处理成模型需要的格式,所述图像处理包括归一化和/或尺寸比例标准化;
模型推理模块,用于将经过所述图像预处理的车牌图像输入端到端模型,将所述车牌图像推理输出符合高斯分布规律的置信度图;
高响应点提取模块,用于遍历置信度图寻找数值超过阈值的极值点,并提取其3*3邻域点的数值以及记录对应坐标值;
计算模块,用于使用带约束最小二乘法拟合边框,构造标准二维高斯分布的最小二乘法估计公式,并加入使估计得到的高斯分布参数矩阵A尽可能接近参考参数矩阵Ao的约束,并代入提取高响应点中获得的坐标和置信值计算获得最终估计结果,所述最终估计结果包括高斯分布的中心坐标和标准差,根据所述中心坐标和标准差获得边框的具体位置信息;
优化过滤模块,用于优化过滤,具体包括:对于估计的高斯分布的中心坐标与极值点的位置差异超过距离γ,或高斯分布的标准差不在规定范围内,则过滤该估计结果;对于合格的估计结果,则将标准差换算成边框半径并输出边框坐标;所述γ为预设设置的位置差异距离,所述为预先设置的参考标准差。
进一步地,为解决上述技术问题,本本发明提出一种计算机可读存储介质,存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时可以实现如前面实施例所述的一种基于高斯分布拟合的目标检测方法。
相对于现有技术中的方案,本发明的优点:提出一种基于二维高斯分布拟合的目标检测方法,其将目标检测转换成单高斯分布回归问题,模型直接输出符合高斯分布的目标置信度图结果,再提取高响应点及其3*3邻域值后使用最小二乘法拟合目标高斯分布,得到中心点和边框尺寸。另外,该方法会同时使用稠密高斯分布图标签和目标边框标注对模型进行有监督训练,以实现快速而稳定地训练模型。
附图说明
图1为本发明一实施例提供的一种基于高斯分布拟合的目标检测方法的流程示意图;
图2为本发明一实施例提供的一种基于高斯分布拟合的目标检测装置的结构示意图。
具体实施方式
以下结合具体实施例对上述方案做进一步说明。应理解,这些实施例是用于说明本发明而不限于限制本发明的范围。实施例中采用的实施条件可以如具体厂家的条件做进一步调整,未注明的实施条件通常为常规实验中的条件。
本申请公开了一种基于高斯分布拟合的目标检测方法,请参考图1所示为本发明一种基于高斯分布拟合的目标检测方法的流程示意图,包括以下步骤:
步骤S1,图像预处理,获取车牌图像,将图像处理成模型需要的格式,所述图像处理包括归一化和/或尺寸比例标准化。
具体地,获取车牌图像的过程包括通过车牌摄像头获取车牌图像。
具体地,将所述通过车牌摄像头获取车牌图像经过归一化和/或尺寸比例标准化处理,并输出到端到端模型。
步骤S2,模型推理,将经过所述图像预处理的车牌图像输入端到端模型,将所述车牌图像推理输出符合高斯分布规律的置信度图。
具体地,所述端到端模型获取待处理的图像,按照高斯分布对所述待处理的图像进行处理,获取符合高斯分布规律的置信图。
具体地,将所述车牌图像推理输出符合高斯分布规律的置信度图过程中,端到端模型根据车牌边框标签生成对应的高斯分布图标签。
步骤S3,高响应点提取,遍历置信度图寻找数值超过阈值的极值点,并提取其3*3邻域点的数值以及记录对应坐标值。
具体地,预先设置阈值,在端对端模型输入的置信度图中进行遍历筛选,获取高响应点,所述高响应点是数值超过预先设置阈值的多个极值点,并对所述多个极值点进行优化处理。
具体地,所述优化处理具体包括:获取所述多个极值点的关联坐标点,所述关联坐标点是所述多个极值点的3*3邻域点,获取关联坐标点的具体对应坐标值以及模型参数值。
步骤S4,带约束最小二乘法拟合边框,构造标准二维高斯分布的最小二乘法估计公式,并加入使估计得到的高斯分布参数矩阵A尽可能接近参考参数矩阵Ao的约束,并代入提取高响应点中获得的坐标和置信值计算获得最终估计结果,所述最终估计结果包括高斯分布的中心坐标和标准差,根据所述中心坐标和标准差获得边框的具体位置信息。
具体地,带约束最小二乘法拟合边框,构造标准二维高斯分布的最小二乘法估计公式,并加入使估计得到的高斯分布参数矩阵A尽可能接近参考参数矩阵Ao的约束具体包括:构造矩阵乘法,令Y=XA,其中Y是由高斯分布函数在不同坐标下的响应值组合成的矩阵;X是坐标矩阵;A是参数矩阵;
具体地,所述最小二乘法估计公式如下:
J(A)=(Y-Y’)2+λ(A-Ao)2
具体地,所述Y’为完全符合高斯分布的响应值组合成的矩阵;Ao为参考参数矩阵;λ是约束强度控制参数;
具体地,将构造的矩阵乘法Y=XA带入上述最小二乘估计公式中得到带约束的最小二乘法公式:
J(A)=(XA-Y’)2+λ(A-Ao)2
具体地,对所述带约束的最小二乘法公式进行求导,当得到的导数为0时,可得到参数矩阵A的最优解。
(XTX+λI)A=XTY’+λIAo
具体地,得到最优解A=(XTX+λI)-1XTY’+λIAo,其中I为单位矩阵。
具体地,将得到的参数矩阵A的最优解分别带入到一维高斯分布公式以及二维高斯分布中,并分别获取相应的一维解以及二维解。
具体地,一维高斯分布公式如下:
将参数矩阵A的最优解带入一维高斯分布公式中,获得一维解a,xo,σ;其中,所述a为高斯分布强度,默认为1,xo为中心坐标,σ为分布标准差。
具体地,二维高斯分布公式如下:
将参数矩阵A的最优解带入上述二维高斯分布公式中,获得二维解a,xo,yo,σx,σy。
具体地,所述a为高斯分布强度,默认为1,xo、yo为车牌边框的中心坐标,σx、σy为二维高斯分布标准差。
具体地,根据获取的接近Ao的最优解A对一维高斯分布、二维高斯分布的参数值进行优化,获得经过优化的高斯分布参数值,并将获取的高响应点的相应坐标值输入到经过优化过参数值得高斯模型中并输出结果,并对输出的结果进行优化处理。
步骤S5,目标边框优化过滤:对于估计的高斯分布的中心坐标与极值点的位置差异超过距离γ,或高斯分布的标准差不在规定范围内,则过滤该估计结果;对于合格的估计结果,则将标准差换算成边框半径并输出边框坐标。所述γ为预设设置的位置差异距离,所述为预先设置的参考标准差。
具体地,所述目标边框优化过滤步骤中,包括计算高斯分布损失、计算边框损失以及梯度回传训练。
具体地,所述计算高斯分布损失具体包括:计算预测高斯分布图和标签高斯分布图的加权L2损失。其中,预测值高于阈值的部分,数值越大权重越高;预测值小于或等于阈值的部分,数值差异越大则权重越高。
具体地,所述计算边框损失具体包括:计算预测边框与标签边框的L2损失。具体地,所述梯度回传训练具体包括:加权融合高斯分布损失和边框损失,计算梯度回传并使用优化器迭代更新模型参数,以实现模型训练。
图2为本发明一实施例提供的一种基于高斯分布拟合的目标检测装置的结构示意图。
如图2所示,所述基于高斯分布拟合的目标检测装置包括:包括:图像预处理模块,获取车牌图像,将图像处理成模型需要的格式,所述图像处理包括归一化和/或尺寸比例标准化。
模型推理模块,经获取的经过图像预处理的车牌图像输入端到端模型,将所述车牌图像推理输出符合高斯分布规律的置信度图。
具体地,所述端到端模型获取待处理的图像,按照高斯分布对所述待处理的图像进行处理,获取符合高斯分布规律的置信图。
具体地,将所述车牌图像推理输出符合高斯分布规律的置信度图过程中,端到端模型根据车牌边框标签生成对应的高斯分布图标签。
具体的,高响应点提取模块,遍历置信度图寻找数值超过阈值的极值点,并提取其3*3邻域点的数值以及记录对应坐标值。
具体地,预先设置阈值,在端对端模型输入的置信度图中进行遍历筛选,获取高响应点,所述高响应点是数值超过预先设置阈值的多个极值点,并对所述多个极值点进行优化处理。
具体地,所述优化处理具体包括:获取所述多个极值点的关联坐标点,所述关联坐标点是所述多个极值点的3*3邻域点,获取关联坐标点的具体对应坐标值以及模型参数值。
具体地,计算模块,使用带约束最小二乘法拟合边框,构造标准二维高斯分布的最小二乘法估计公式,并加入使估计得到的高斯分布参数矩阵A尽可能接近参考参数矩阵Ao的约束,并代入提取高响应点中获得的坐标和置信值计算获得最终估计结果,所述最终估计结果包括高斯分布的中心坐标和标准差,根据所述中心坐标和标准差获得边框的具体位置信息。
具体地,带约束最小二乘法拟合边框,构造标准二维高斯分布的最小二乘法估计公式,并加入使估计得到的高斯分布参数矩阵A尽可能接近参考参数矩阵Ao的约束具体包括:构造矩阵乘法,令Y=XA,其中Y是由高斯分布函数在不同坐标下的响应值组合成的矩阵;X是坐标矩阵;A是参数矩阵;
具体地,所述最小二乘法估计公式如下:
J(A)=(Y-Y’)2+λ(A-Ao)2
具体地,所述Y’为完全符合高斯分布的响应值组合成的矩阵;Ao为参考参数矩阵;λ是约束强度控制参数;
具体地,将构造的矩阵乘法Y=XA带入上述最小二乘估计公式中得到带约束的最小二乘法公式:
J(A)=(XA-Y’)2+λ(A-Ao)2
具体地,对所述带约束的最小二乘法公式进行求导,当得到的导数为0时,可得到参数矩阵A的最优解。
(XTX+λI)A=XTY’+λIAo
具体地,得到最优解A=(XTX+λI)-1XTY’+λIAo,其中I为单位矩阵。
具体地,将得到的参数矩阵A的最优解分别带入到一维高斯分布公式以及二维高斯分布中,并分别获取相应的一维解以及二维解。
具体地,一维高斯分布公式如下:
将参数矩阵A的最优解带入一维高斯分布公式中,获得一维解a,xo,σ;其中,所述a为高斯分布强度,默认为1,xo为中心坐标,σ为分布标准差。
具体地,二维高斯分布公式如下:
将参数矩阵A的最优解带入上述二维高斯分布公式中,获得二维解a,xo,yo,σx,σy。
具体地,所述a为高斯分布强度,默认为1,xo、yo为车牌边框的中心坐标,σx、σy为二维高斯分布标准差。
具体地,根据获取的接近Ao的最优解A对一维高斯分布、二维高斯分布的参数值进行优化,获得经过优化的高斯分布参数值,并将获取的高响应点的相应坐标值输入到经过优化过参数值得高斯模型中并输出结果,并对输出的结果进行优化处理。
具体地,优化过滤模块,对于估计的高斯分布的中心坐标与极值点的位置差异超过距离γ,或高斯分布的标准差不在规定范围内,则过滤该估计结果;对于合格的估计结果,则将标准差换算成边框半径并输出边框坐标。所述γ为预设设置的位置差异距离,所述为预先设置的参考标准差。
具体地,所述目标边框优化过滤步骤中,包括计算高斯分布损失、计算边框损失以及梯度回传训练。
具体地,所述计算高斯分布损失具体包括:计算预测高斯分布图和标签高斯分布图的加权L2损失。其中,预测值高于阈值的部分,数值越大权重越高;预测值小于或等于阈值的部分,数值差异越大则权重越高。
具体地,所述计算边框损失具体包括:计算预测边框与标签边框的L2损失。
具体地,所述梯度回传训练具体包括:加权融合高斯分布损失和边框损失,计算梯度回传并使用优化器迭代更新模型参数,以实现模型训练。
具体地,为解决上述技术问题,本本发明提出一种计算机可读存储介质,存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时可以实现如前面实施例所述的一种基于高斯分布拟合的目标检测方法。
本领域普通技术人员可以理解:实现上述各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一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种基于高斯分布拟合的目标检测方法,其特征在于,包括:步骤S1,图像预处理,获取车牌图像,将图像处理成模型需要的格式,所述图像处理包括归一化和/或尺寸比例标准化;步骤S2,模型推理,将经过所述图像预处理的车牌图像输入端到端模型,将所述车牌图像推理输出符合高斯分布规律的置信度图;步骤S3,高响应点提取,遍历置信度图寻找数值超过阈值的极值点,并提取其3*3邻域点的数值以及记录对应坐标值;步骤S4,带约束最小二乘法拟合边框,构造标准二维高斯分布的最小二乘法估计公式,并加入使估计得到的高斯分布参数矩阵A尽可能接近参考参数矩阵Ao的约束,并代入提取高响应点中获得的坐标和置信值计算获得最终估计结果,所述最终估计结果包括高斯分布的中心坐标和标准差,根据所述中心坐标和标准差获得边框的具体位置信息;步骤S5,目标边框优化过滤:对于估计的高斯分布的中心坐标与极值点的位置差异超过距离γ,或高斯分布的标准差不在规定范围内,则过滤该估计结果;对于合格的估计结果,则将标准差换算成边框半径并输出边框坐标;所述γ为预设设置的位置差异距离,所述为预先设置的参考标准差。
2.根据权利要求1所述的方法,其特征在于,将所述车牌图像推理输出符合高斯分布规律的置信度图过程中,端到端模型根据车牌边框标签生成对应的高斯分布图标签。
3.根据权利要求1所述的方法,其特征在于,高响应点提取,遍历置信度图寻找数值超过阈值的极值点,并提取其3*3邻域点的数值以及记录对应坐标值具体包括:预先设置阈值,在端对端模型输入的置信度图中进行遍历筛选,获取高响应点,所述高响应点是数值超过预先设置阈值的多个极值点,并对所述多个极值点进行优化处理;所述优化处理具体包括:获取所述多个极值点的关联坐标点,所述关联坐标点是所述多个极值点的3*3邻域点,获取关联坐标点的具体对应坐标值以及模型参数值。
4.根据权利要求1所述的方法,其特征在于,所述目标边框优化过滤具体包括:计算高斯分布损失、计算边框损失以及梯度回传训练。
5.根据权利要求4所述的方法,其特征在于,所述计算高斯分布损失具体包括:计算预测高斯分布图和标签高斯分布图的加权L2损失;其中,预测值高于阈值的部分,数值越大权重越高;预测值小于或等于阈值的部分,数值差异越大则权重越高。
6.根据权利要求4所述的方法,其特征在于,计算边框损失具体包括:计算预测边框与标签边框的L2损失。
7.根据权利要求4所述的方法,其特征在于,所述梯度回传训练具体包括:加权融合高斯分布损失和边框损失,计算梯度回传并使用优化器迭代更新模型参数,以实现模型训练。
8.一种基于高斯分布拟合的目标检测装置,包括:图像预处理模块,用于获取车牌图像,将图像处理成模型需要的格式,所述图像处理包括归一化和/或尺寸比例标准化;
模型推理模块,用于将经过所述图像预处理的车牌图像输入端到端模型,将所述车牌图像推理输出符合高斯分布规律的置信度图;
高响应点提取模块,用于遍历置信度图寻找数值超过阈值的极值点,并提取其3*3邻域点的数值以及记录对应坐标值;
计算模块,用于使用带约束最小二乘法拟合边框,构造标准二维高斯分布的最小二乘法估计公式,并加入使估计得到的高斯分布参数矩阵A尽可能接近参考参数矩阵Ao的约束,并代入提取高响应点中获得的坐标和置信值计算获得最终估计结果,所述最终估计结果包括高斯分布的中心坐标和标准差,根据所述中心坐标和标准差获得边框的具体位置信息;
9.一种计算机可读介质,存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时可以实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211129491.0A CN115512341B (zh) | 2022-09-15 | 2022-09-15 | 基于高斯分布拟合的目标检测方法、装置及计算机介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211129491.0A CN115512341B (zh) | 2022-09-15 | 2022-09-15 | 基于高斯分布拟合的目标检测方法、装置及计算机介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115512341A true CN115512341A (zh) | 2022-12-23 |
CN115512341B CN115512341B (zh) | 2023-10-27 |
Family
ID=84504841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211129491.0A Active CN115512341B (zh) | 2022-09-15 | 2022-09-15 | 基于高斯分布拟合的目标检测方法、装置及计算机介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115512341B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100054606A1 (en) * | 2008-08-29 | 2010-03-04 | Kabushiki Kaisha Toshiba | Image processing apparatus, image processing method, and computer program product |
KR101948852B1 (ko) * | 2017-10-25 | 2019-05-29 | 세종대학교산학협력단 | 비접촉식 균열 평가를 위한 이종영상 스캐닝 방법 및 장치 |
CN110796141A (zh) * | 2019-10-21 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 目标检测方法及相关设备 |
WO2021135500A1 (zh) * | 2020-06-08 | 2021-07-08 | 平安科技(深圳)有限公司 | 车损检测模型训练、车损检测方法、装置、设备及介质 |
US20210319261A1 (en) * | 2020-10-23 | 2021-10-14 | Beijing Baidu Netcom Science and Technology Co., Ltd | Vehicle information detection method, method for training detection model, electronic device and storage medium |
CN113888630A (zh) * | 2021-10-29 | 2022-01-04 | 西安微电子技术研究所 | 一种具备置信度估计的无人机姿态检测方法及系统 |
WO2022089391A1 (zh) * | 2020-10-28 | 2022-05-05 | 百果园技术(新加坡)有限公司 | 模型训练方法、人体姿态检测方法、装置、设备及存储介质 |
CN114677501A (zh) * | 2022-05-30 | 2022-06-28 | 松立控股集团股份有限公司 | 一种基于二维高斯边界框重叠度度量的车牌检测方法 |
WO2022166344A1 (zh) * | 2021-02-02 | 2022-08-11 | 中兴通讯股份有限公司 | 动作计数方法、装置、设备及存储介质 |
-
2022
- 2022-09-15 CN CN202211129491.0A patent/CN115512341B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100054606A1 (en) * | 2008-08-29 | 2010-03-04 | Kabushiki Kaisha Toshiba | Image processing apparatus, image processing method, and computer program product |
KR101948852B1 (ko) * | 2017-10-25 | 2019-05-29 | 세종대학교산학협력단 | 비접촉식 균열 평가를 위한 이종영상 스캐닝 방법 및 장치 |
CN110796141A (zh) * | 2019-10-21 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 目标检测方法及相关设备 |
WO2021135500A1 (zh) * | 2020-06-08 | 2021-07-08 | 平安科技(深圳)有限公司 | 车损检测模型训练、车损检测方法、装置、设备及介质 |
US20210319261A1 (en) * | 2020-10-23 | 2021-10-14 | Beijing Baidu Netcom Science and Technology Co., Ltd | Vehicle information detection method, method for training detection model, electronic device and storage medium |
WO2022089391A1 (zh) * | 2020-10-28 | 2022-05-05 | 百果园技术(新加坡)有限公司 | 模型训练方法、人体姿态检测方法、装置、设备及存储介质 |
WO2022166344A1 (zh) * | 2021-02-02 | 2022-08-11 | 中兴通讯股份有限公司 | 动作计数方法、装置、设备及存储介质 |
CN113888630A (zh) * | 2021-10-29 | 2022-01-04 | 西安微电子技术研究所 | 一种具备置信度估计的无人机姿态检测方法及系统 |
CN114677501A (zh) * | 2022-05-30 | 2022-06-28 | 松立控股集团股份有限公司 | 一种基于二维高斯边界框重叠度度量的车牌检测方法 |
Non-Patent Citations (1)
Title |
---|
马辰阳;温显斌;: "基于拓扑结构的多摄像头网络协同跟踪机制", 天津理工大学学报, no. 03 * |
Also Published As
Publication number | Publication date |
---|---|
CN115512341B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097568B (zh) | 一种基于时空双分支网络的视频对象检测与分割方法 | |
CN111797653B (zh) | 基于高维图像的图像标注方法和装置 | |
TW202011282A (zh) | 用於車輛零件識別的神經網路系統、方法和裝置 | |
CN107239759B (zh) | 一种基于深度特征的高空间分辨率遥感图像迁移学习方法 | |
CN107545263B (zh) | 一种物体检测方法及装置 | |
Rani et al. | Object detection and recognition using contour based edge detection and fast R-CNN | |
Zhang et al. | Road recognition from remote sensing imagery using incremental learning | |
CN108875803B (zh) | 一种基于视频图像的危化品运输车辆检测与识别方法 | |
Molina-Moreno et al. | Efficient scale-adaptive license plate detection system | |
CN110287798B (zh) | 基于特征模块化和上下文融合的矢量网络行人检测方法 | |
CN112488083B (zh) | 基于heatmap提取关键点的交通信号灯的识别方法、装置、介质 | |
CN115272987A (zh) | 一种基于MSA-Yolov5的恶劣天气下车辆检测方法及装置 | |
Gu et al. | Embedded and real-time vehicle detection system for challenging on-road scenes | |
CN111860197A (zh) | 基于多光谱多模的低慢小目标感知方法及系统 | |
CN110555125A (zh) | 一种基于局部特征的车辆检索方法 | |
Hu et al. | Vehicle color recognition based on smooth modulation neural network with multi-scale feature fusion | |
CN117292338A (zh) | 基于视频流解析的车辆事故识别和分析方法 | |
CN115661694B (zh) | 一种聚焦关键特征的轻量型主变压器智能检测方法、系统、存储介质及电子设备 | |
CN115512341A (zh) | 一种基于高斯分布拟合的目标检测方法、装置及计算机介质 | |
Cui et al. | Global context dependencies aware network for efficient semantic segmentation of fine-resolution remoted sensing images | |
Hedeya et al. | A low-cost multi-sensor deep learning system for pavement distress detection and severity classification | |
Kaimkhani et al. | UAV with Vision to Recognise Vehicle Number Plates | |
CN101799929B (zh) | 指定颜色层提取设备和方法 | |
CN111435537B (zh) | 模型训练方法、装置及基于拼接图的位姿优化方法、装置 | |
CN117593890B (zh) | 一种道路遗撒物体的检测方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |