CN115908831A - 一种图像检测方法及装置 - Google Patents
一种图像检测方法及装置 Download PDFInfo
- Publication number
- CN115908831A CN115908831A CN202211443934.3A CN202211443934A CN115908831A CN 115908831 A CN115908831 A CN 115908831A CN 202211443934 A CN202211443934 A CN 202211443934A CN 115908831 A CN115908831 A CN 115908831A
- Authority
- CN
- China
- Prior art keywords
- fusion
- image
- feature map
- feature
- information
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种图像检测方法及装置，该方法包括：获取待检测图像；利用特征提取模型对待检测图像进行特征提取，得到特征图信息；特征图信息包括第一特征图、第二特征图和第三特征图；利用特征融合模型对特征图信息进行多尺度特征融合，得到目标融合图像信息；目标融合图像信息用于对待检测图像中迷彩目标的检测。可见，本发明有利于提高图像特征信息提取能力，强化高分辨率低层级特征图和低分辨率高层级特征图的有效融合，降低图像误检错检率，进而提高图像检测精度。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像检测方法及装置。
背景技术
目前，现有的目标检测算法在上述复杂环境下的目标检测效果上并不突出，尤其是在复杂环境下伪装目标的检测上，比常规的检测任务难度更大。另外，军事迷彩伪装技术主要是通过颜色、纹路以及各种图案来改变目标的表面特征，达到融入周围复杂环境的效果，以达到隐身目的，部分伪装效果甚至达到人眼无法识别的程度。不仅如此，军事目标通常所处的野外环境较为复杂，例如山川、雪地、荒漠以及灌木丛等都可能藏有各式各样的军事目标，这些均给现有的目标检测算法带来了巨大挑战。因此，提供一种图像检测方法及装置，以提高图像特征信息提取能力，强化高分辨率低层级特征图和低分辨率高层级特征图的有效融合，降低图像误检错检率，进而提高图像检测精度。
发明内容
本发明所要解决的技术问题在于，提供一种图像检测方法及装置，能够通过对图像的特征提取和特征融合得到用于对图像中迷彩目标进行检测的目标融合图像信息，有利于提高图像特征信息提取能力，强化高分辨率低层级特征图和低分辨率高层级特征图的有效融合，降低图像误检错检率，进而提高图像检测精度。
为了解决上述技术问题，本发明实施例第一方面公开了一种图像检测方法，所述方法包括：
获取待检测图像；
利用特征提取模型对所述待检测图像进行特征提取，得到特征图信息；所述特征图信息包括第一特征图、第二特征图和第三特征图；
利用特征融合模型对所述特征图信息进行多尺度特征融合，得到目标融合图像信息；所述目标融合图像信息用于对所述待检测图像中迷彩目标的检测。
作为一种可选的实施方式，在本发明实施例第一方面中，所述特征提取模型包括第一提取模块、第二提取模块、第三提取模块和第四提取模块；
所述利用特征提取模型对所述待检测图像进行特征提取，得到特征图信息，包括：
利用所述第一提取模块对所述待检测图像进行切片和卷积处理，得到第一中间特征图；
利用所述第二提取模块对所述第一中间特征图进行计算处理，得到所述第一特征图和第二中间特征图；
利用所述第三提取模块对所述第二中间特征图进行切片和卷积处理，得到第三中间特征图；
利用所述第二提取模块对所述第三中间特征图进行计算处理，得到所述第二特征图和第四中间特征图；
利用所述第四提取模块对所述第四中间特征图进行切片和卷积处理，得到第五中间特征图；
利用所述第二提取模块对所述第五中间特征图进行计算处理，得到所述第三特征图。
作为一种可选的实施方式，在本发明实施例第一方面中，所述利用所述第二提取模块对所述第五中间特征图进行计算处理，得到所述第三特征图，包括：
基于所述第二提取模块的通道数量对所述第五中间特征图进行分割，得到若干个分割特征图；所述通道数量为2的几何级倍数；
利用所述第二提取模块的频谱单元对所述分割特征图进行频率计算，得到每个所述分割特征图对应的频率分量；
对所有所述频率分量进行合并处理，得到特征向量；
基于所述第二提取模块的特征提取单元对所述特征向量进行映射激活处理，得到所述第三特征图。
作为一种可选的实施方式，在本发明实施例第一方面中，所述特征融合模型包括第一融合模块、第二融合模块和第三融合模块；
所述利用特征融合模型对所述特征图信息进行多尺度特征融合，得到目标融合图像信息，包括：
利用所述第一融合模块对所述第三特征图进行处理，得到第一中间融合图；
利用所述第二融合模块对所述第一中间融合图进行处理，得到第一尺度特征图；
利用所述第三融合模块对所述第二特征图和所述第一尺度特征图进行融合处理，得到第二中间融合图和第三中间融合图；
利用所述第二融合模块对所述第二中间融合图进行处理，得到第二尺度特征图；
对所述第一特征图、所述第三特征图、所述第二尺度特征图和第三中间融合图进行融合处理，得到目标融合图像信息。
作为一种可选的实施方式，在本发明实施例第一方面中，所述第二融合模块包括预测单元和特征重组单元；
所述利用所述第二融合模块对所述第一中间融合图进行处理，得到第一尺度特征图，包括：
利用所述预测单元对所述第一中间融合图预测、压缩和加权求和计算，得到特征位置信息；
利用所述特征重组单元对所述特征位置信息进行特征重组，得到第一尺度特征图。
作为一种可选的实施方式，在本发明实施例第一方面中，所述目标融合图像信息包括第一目标融合图像、第二目标融合图像和第三目标融合图像；所述第一目标融合图像、所述第二目标融合图像和所述第三目标融合图像的图像尺度依次减小；
所述对所述第一特征图、所述第三特征图、所述第二尺度特征图和第三中间融合图进行融合处理，得到目标融合图像信息，包括：
利用所述第三融合模块对第一特征图和所述第二尺度特征图进行融合处理，得到所述第一目标融合图像；
利用所述第三融合模块对第一特征图、所述第二尺度特征图和所述第三中间融合图进行融合处理，得到所述第二目标融合图像；
利用所述第一融合模块和所述第三融合模块对所述第一特征图和所述第三特征图进行融合处理，得到所述第三目标融合图像。
作为一种可选的实施方式，在本发明实施例第一方面中，在所述利用特征融合模型对所述特征图信息进行多尺度特征融合，得到目标融合图像信息之后，所述方法还包括：
获取聚类初始中心距和图像数据集；
利用所述聚类初始中心距对所述图像数据集进行聚类处理，得到图相框信息；所述图相框信息包括9个图相框；每个所述图相框包括第一元素和第二元素；所述第二元素远大于所述第一元素；
将所述图相框信息进行分类，得到预测框信息集合；所述预测框信息集合包括3个预测框信息；每个所述预测框信息包括3个所述图相框；
利用所述预测框信息集合对所述目标融合图像信息进行目标圈定，得到初始检测结果信息；
对所述初始检测结果信息进行置信度计算和筛选处理，得到目标检测结果信息；所述目标检测结果信息表征所述迷彩目标在所述待检测图像中的位置情况。
本发明实施例第二方面公开了一种图像检测装置，装置包括：
获取模块，用于获取待检测图像；
提取模块，用于利用特征提取模型对所述待检测图像进行特征提取，得到特征图信息；所述特征图信息包括第一特征图、第二特征图和第三特征图；
融合模块，用于利用特征融合模型对所述特征图信息进行多尺度特征融合，得到目标融合图像信息；所述目标融合图像信息用于对图像中迷彩目标的检测。
本发明第三方面公开了另一种图像检测装置，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明实施例第一方面公开的图像检测方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明实施例第一方面公开的图像检测方法中的部分或全部步骤。
与现有技术相比，本发明实施例具有以下有益效果：
本发明实施例中，获取待检测图像；利用特征提取模型对待检测图像进行特征提取，得到特征图信息；特征图信息包括第一特征图、第二特征图和第三特征图；利用特征融合模型对特征图信息进行多尺度特征融合，得到目标融合图像信息；目标融合图像信息用于对待检测图像中迷彩目标的检测。可见，本发明有利于提高图像特征信息提取能力，强化高分辨率低层级特征图和低分辨率高层级特征图的有效融合，降低图像误检错检率，进而提高图像检测精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种图像检测方法的流程示意图；
图2是本发明实施例公开的一种图像检测装置的结构示意图；
图3是本发明实施例公开的另一种图像检测装置的结构示意图；
图4是本发明实施例公开的一种图像检测装置中第二融合模块的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种图像检测方法及装置，能够通过对图像的特征提取和特征融合得到用于对图像中迷彩目标进行检测的目标融合图像信息，有利于提高图像特征信息提取能力，强化高分辨率低层级特征图和低分辨率高层级特征图的有效融合，降低图像误检错检率，进而提高图像检测精度。以下分别进行详细说明。
实施例一
请参阅图1，图1是本发明实施例公开的一种图像检测方法的流程示意图。其中，图1所描述的图像检测方法应用于图像检测系统中，如用于图像检测管理的本地服务器或云端服务器等，本发明实施例不做限定。如图1所示，该图像检测方法可以包括以下操作：
101、获取待检测图像。
102、利用特征提取模型对待检测图像进行特征提取，得到特征图信息。
本发明实施例中，上述特征图信息包括第一特征图、第二特征图和第三特征图。
103、利用特征融合模型对特征图信息进行多尺度特征融合，得到目标融合图像信息。
本发明实施例中，上述目标融合图像信息用于对待检测图像中迷彩目标的检测。
需要说明的是，本发明实施例的图像检测方法能够有效有效捕获到迷彩伪装目标的特征信息，且具有较好的检测性能。
可见，实施本发明实施例所描述的图像检测方法能够通过对图像的特征提取和特征融合得到用于对图像中迷彩目标进行检测的目标融合图像信息，有利于提高图像特征信息提取能力，强化高分辨率低层级特征图和低分辨率高层级特征图的有效融合，降低图像误检错检率，进而提高图像检测精度。
在一个可选的实施例中，上述特征提取模型包括第一提取模块、第二提取模块、第三提取模块和第四提取模块；
利用特征提取模型对待检测图像进行特征提取，得到特征图信息，包括：
利用第一提取模块对待检测图像进行切片和卷积处理，得到第一中间特征图；
利用第二提取模块对第一中间特征图进行计算处理，得到第一特征图和第二中间特征图；
利用第三提取模块对第二中间特征图进行切片和卷积处理，得到第三中间特征图；
利用第二提取模块对第三中间特征图进行计算处理，得到第二特征图和第四中间特征图；
利用第四提取模块对第四中间特征图进行切片和卷积处理，得到第五中间特征图；
利用第二提取模块对第五中间特征图进行计算处理，得到第三特征图。
可选的，上述第一提取模块依次包括Focus单元、卷积模块、C3网络结构、卷积模块和C3网络结构。
可选的，上述第三提取模块依次包括卷积模块和C3网络结构。
可选的，上述第四提取模块依次包括卷积模块、池化层和C3网络结构。
需要说明的，第二提取模块不仅保留了全局平均池，还使用了除全局平均池之外的频率分量，可以解决因只关注单个频率而造成的信息缺失问题，使网络模型更关注重要特征，滤除冗余特征，从而可更有效捕获丰富的特征信息，更加准确地识别与定位迷彩伪装目标。
可见，实施本发明实施例所描述的图像检测方法能够利用特征提取模型对待检测图像进行特征提取，得到特征图信息，有利于提高图像特征信息提取能力，强化高分辨率低层级特征图和低分辨率高层级特征图的有效融合，降低图像误检错检率，进而提高图像检测精度。
在另一个可选的实施例中，利用第二提取模块对第五中间特征图进行计算处理，得到第三特征图，包括：
基于第二提取模块的通道数量对第五中间特征图进行分割，得到若干个分割特征图；通道数量为2的几何级倍数；
利用第二提取模块的频谱单元对分割特征图进行频率计算，得到每个分割特征图对应的频率分量；
对所有频率分量进行合并处理，得到特征向量；
基于第二提取模块的特征提取单元对特征向量进行映射激活处理，得到第三特征图。
可选的，上述通道数量是通过将不同通道数量对频率分量对应的模型的分析得到的。优选的，上述通道数量为16。
可选的，上述对所有频率分量进行合并处理是基于合并模型进行的，具体的合并模型为：
Freq=cat([Freq0,Freq1,…,Freqn-1])；
其中，cat为向量级联，Freq为获得的特征向量，Freqi为第i个频率分量，n为频率分量的数量。
可选的，上述特征提取单元ms～att具体为：
ms～att=sigmoid(fc(Freq));；
其中，sigmoid和fc分别表示激活函数和映射函数。
可见，实施本发明实施例所描述的图像检测方法能够利用第二提取模块对第五中间特征图进行计算处理，得到第三特征图，有利于提高图像特征信息提取能力，强化高分辨率低层级特征图和低分辨率高层级特征图的有效融合，降低图像误检错检率，进而提高图像检测精度。
在又一个可选的实施例中，特征融合模型包括第一融合模块、第二融合模块和第三融合模块；
利用特征融合模型对特征图信息进行多尺度特征融合，得到目标融合图像信息，包括：
利用第一融合模块对第三特征图进行处理，得到第一中间融合图；
利用第二融合模块对第一中间融合图进行处理，得到第一尺度特征图；
利用第三融合模块对第二特征图和第一尺度特征图进行融合处理，得到第二中间融合图和第三中间融合图；
利用第二融合模块对第二中间融合图进行处理，得到第二尺度特征图；
对第一特征图、第三特征图、第二尺度特征图和第三中间融合图进行融合处理，得到目标融合图像信息。
可选的，上述第一融合模块依次包括卷积模块、融合模块和C3网络结构。
可选的，上述第一中间融合图是利用欧冠卷积模块对第三特征图处理得到的。
可选的，上述第三融合模块依次包括融合模块、C3网络结构和卷积模块。
可见，实施本发明实施例所描述的图像检测方法能够利用特征融合模型对特征图信息进行多尺度特征融合，得到目标融合图像信息，更有利于提高图像特征信息提取能力，强化高分辨率低层级特征图和低分辨率高层级特征图的有效融合，降低图像误检错检率，进而提高图像检测精度。
在又一个可选的实施例中，如图4所示，第二融合模块包括预测单元和特征重组单元；
利用第二融合模块对第一中间融合图进行处理，得到第一尺度特征图，包括：
利用预测单元对第一中间融合图预测、压缩和加权求和计算，得到特征位置信息；
利用特征重组单元对特征位置信息进行特征重组，得到第一尺度特征图。
在该可选的实施例中，作为一种可选的实施方式，上述利用预测单元对第一中间融合图预测、压缩和加权求和计算，得到特征位置信息，包括：
对第一中间融合图的每个位置领域进行上采样核预测，得到重组内核信息；
基于重组内核信息，将第一中间融合图的图像通道数进行压缩，得到压缩特征图；
基于Softmax函数，对压缩特征图中每个位置的通道值进行归一化处理，并归一化后的压缩特征图中每个位置对应的特定正方形区域进行加权求和，得到特征位置信息。
需要说明的是，上述通过预测单元和特征重组单元对第一中间融合图的处理，可强化高分辨率低层级特征图和低分辨率高层级特征图的融合，避免目标特征信息的丢失，从而减小误检和漏检的几率，提高算法对复杂环境伪装目标的检测精度。
可见，实施本发明实施例所描述的图像检测方法能够利用第二融合模块对第一中间融合图进行处理，得到第一尺度特征图，更有利于提高图像特征信息提取能力，强化高分辨率低层级特征图和低分辨率高层级特征图的有效融合，降低图像误检错检率，进而提高图像检测精度。
在一个可选的实施例中，上述目标融合图像信息包括第一目标融合图像、第二目标融合图像和第三目标融合图像；第一目标融合图像、第二目标融合图像和第三目标融合图像的图像尺度依次减小；
对第一特征图、第三特征图、第二尺度特征图和第三中间融合图进行融合处理，得到目标融合图像信息，包括：
利用第三融合模块对第一特征图和第二尺度特征图进行融合处理，得到第一目标融合图像；
利用第三融合模块对第一特征图、第二尺度特征图和第三中间融合图进行融合处理，得到第二目标融合图像；
利用第一融合模块和第三融合模块对第一特征图和第三特征图进行融合处理，得到第三目标融合图像。
可选的，上述第一目标融合图像是由融合模块对第一特征图和第二尺度特征图进行融合处理后，再由C3网络结构处理之后得到的。
在该可选的实施例中，作为一种可选的实施方式，上述利用第三融合模块对第一特征图、第二尺度特征图和第三中间融合图进行融合处理，得到第二目标融合图像，包括：
利用第三融合模块对第一特征图和第二尺度特征图进行处理，得到第一待用图像；
利用第三融合模块中的融合模块对第一待用图像和第三中间融合图进行融合处理，得到第二待用图像；
利用第三融合模块中的C3网络结果对第二待用图像进行处理，得到第二目标融合图像。
在该可选的实施例中，作为另一种可选的实施方式，上述利用第一融合模块和第三融合模块对第一特征图和第三特征图进行融合处理，得到第三目标融合图像，包括：
利用第三融合模块对第一特征图进行处理，得到第三待用图像；
利用第一融合模块中的卷积模块对第三特征图卷积处理，得到第四待用图像；
利用第一融合模块中的融合模块和C3网络结构对第三待用图像和第四待用图像进行处理，得到第三目标融合图像。
可见，实施本发明实施例所描述的图像检测方法能够利用第三融合模块对第一特征图和第二尺度特征图进行融合处理，得到第一目标融合图像，更有利于提高图像特征信息提取能力，强化高分辨率低层级特征图和低分辨率高层级特征图的有效融合，降低图像误检错检率，进而提高图像检测精度。
在另一个可选的实施例中，在利用特征融合模型对特征图信息进行多尺度特征融合，得到目标融合图像信息之后，方法还包括：
获取聚类初始中心距和图像数据集；
利用聚类初始中心距对图像数据集进行聚类处理，得到图相框信息；图相框信息包括9个图相框；每个图相框包括第一元素和第二元素；第二元素远大于第一元素；
将图相框信息进行分类，得到预测框信息集合；预测框信息集合包括3个预测框信息；每个预测框信息包括3个图相框；
利用预测框信息集合对目标融合图像信息进行目标圈定，得到初始检测结果信息；
对初始检测结果信息进行置信度计算和筛选处理，得到目标检测结果信息；目标检测结果信息表征迷彩目标在待检测图像中的位置情况。
可选的，上述第一目标融合图像、第二目标融合图像和第三目标融合图像对应的图相框的尺寸大小如下表所示：
需要说明的是，本发明实施例中采用图相框时针对军事迷彩伪装目标的高大于宽度进行优化的，以提高图相框与实际军事迷彩伪装目标框之间的匹配度，进一步加快网络模型的收敛速度，从而提升军事迷彩伪装目标的检测效果。
具体的，上述聚类初始中心距表征初始聚类中心点之间的距离，本申请的聚类初始中心距设置得较大，以进一步减少运算次数，加快算法速度，并且能得到较为准确的聚类中心。
可选的，上述图像数据集包含1000张高清图像，每张图片包含1～3个迷彩伪装目标。
可见，实施本发明实施例所描述的图像检测方法能够对目标融合图像信息进一步处理得到目标检测结果信息，更有利于提高图像特征信息提取能力，强化高分辨率低层级特征图和低分辨率高层级特征图的有效融合，降低图像误检错检率，进而提高图像检测精度。
实施例二
请参阅图2，图2是本发明实施例公开的一种图像检测装置的结构示意图。其中，图2所描述的装置能够应用于图像检测系统中，如用于图像检测管理的本地服务器或云端服务器等，本发明实施例不做限定。如图2所示，该装置可以包括：
获取模块101，用于获取待检测图像；
提取模块102，用于利用特征提取模型对待检测图像进行特征提取，得到特征图信息；特征图信息包括第一特征图、第二特征图和第三特征图；
融合模块103，用于利用特征融合模型对特征图信息进行多尺度特征融合，得到目标融合图像信息；目标融合图像信息用于对图像中迷彩目标的检测。
可见，实施图2所描述的图像检测装置，能够通过对图像的特征提取和特征融合得到用于对图像中迷彩目标进行检测的目标融合图像信息，有利于提高图像特征信息提取能力，强化高分辨率低层级特征图和低分辨率高层级特征图的有效融合，降低图像误检错检率，进而提高图像检测精度。
在另一个可选的实施例中，如图2所示，特征提取模型包括第一提取模块、第二提取模块、第三提取模块和第四提取模块；
提取模块102利用特征提取模型对待检测图像进行特征提取，得到特征图信息，包括：
利用第一提取模块对待检测图像进行切片和卷积处理，得到第一中间特征图；
利用第二提取模块对第一中间特征图进行计算处理，得到第一特征图和第二中间特征图；
利用第三提取模块对第二中间特征图进行切片和卷积处理，得到第三中间特征图；
利用第二提取模块对第三中间特征图进行计算处理，得到第二特征图和第四中间特征图；
利用第四提取模块对第四中间特征图进行切片和卷积处理，得到第五中间特征图；
利用第二提取模块对第五中间特征图进行计算处理，得到第三特征图。
可见，实施图2所描述的图像检测装置，能够利用特征提取模型对待检测图像进行特征提取，得到特征图信息，有利于提高图像特征信息提取能力，强化高分辨率低层级特征图和低分辨率高层级特征图的有效融合，降低图像误检错检率，进而提高图像检测精度。
在又一个可选的实施例中，如图2所示，提取模块102利用第二提取模块对第五中间特征图进行计算处理，得到第三特征图，包括：
基于第二提取模块的通道数量对第五中间特征图进行分割，得到若干个分割特征图；通道数量为2的几何级倍数；
利用第二提取模块的频谱单元对分割特征图进行频率计算，得到每个分割特征图对应的频率分量；
对所有频率分量进行合并处理，得到特征向量；
基于第二提取模块的特征提取单元对特征向量进行映射激活处理，得到第三特征图。
可见，实施图2所描述的图像检测装置，能够利用第二提取模块对第五中间特征图进行计算处理，得到第三特征图，有利于提高图像特征信息提取能力，强化高分辨率低层级特征图和低分辨率高层级特征图的有效融合，降低图像误检错检率，进而提高图像检测精度。
在又一个可选的实施例中，如图2所示，特征融合模型包括第一融合模块、第二融合模块和第三融合模块；
融合模块103利用特征融合模型对特征图信息进行多尺度特征融合，得到目标融合图像信息，包括：
利用第一融合模块对第三特征图进行处理，得到第一中间融合图；
利用第二融合模块对第一中间融合图进行处理，得到第一尺度特征图；
利用第三融合模块对第二特征图和第一尺度特征图进行融合处理，得到第二中间融合图和第三中间融合图；
利用第二融合模块对第二中间融合图进行处理，得到第二尺度特征图；
对第一特征图、第三特征图、第二尺度特征图和第三中间融合图进行融合处理，得到目标融合图像信息。
可见，实施图2所描述的图像检测装置，能够利用特征融合模型对特征图信息进行多尺度特征融合，得到目标融合图像信息，更有利于提高图像特征信息提取能力，强化高分辨率低层级特征图和低分辨率高层级特征图的有效融合，降低图像误检错检率，进而提高图像检测精度。
在又一个可选的实施例中，如图2所示，第二融合模块包括预测单元和特征重组单元；
融合模块103利用第二融合模块对第一中间融合图进行处理，得到第一尺度特征图，包括：
利用预测单元对第一中间融合图预测、压缩和加权求和计算，得到特征位置信息；
利用特征重组单元对特征位置信息进行特征重组，得到第一尺度特征图。
可见，实施图2所描述的图像检测装置，能够利用第二融合模块对第一中间融合图进行处理，得到第一尺度特征图，更有利于提高图像特征信息提取能力，强化高分辨率低层级特征图和低分辨率高层级特征图的有效融合，降低图像误检错检率，进而提高图像检测精度。
在又一个可选的实施例中，如图2所示，目标融合图像信息包括第一目标融合图像、第二目标融合图像和第三目标融合图像；第一目标融合图像、第二目标融合图像和第三目标融合图像的图像尺度依次减小；
融合模块103对第一特征图、第三特征图、第二尺度特征图和第三中间融合图进行融合处理，得到目标融合图像信息，包括：
利用第三融合模块对第一特征图和第二尺度特征图进行融合处理，得到第一目标融合图像；
利用第三融合模块对第一特征图、第二尺度特征图和第三中间融合图进行融合处理，得到第二目标融合图像；
利用第一融合模块和第三融合模块对第一特征图和第三特征图进行融合处理，得到第三目标融合图像。
可见，实施图2所描述的图像检测装置，能够利用第三融合模块对第一特征图和第二尺度特征图进行融合处理，得到第一目标融合图像，更有利于提高图像特征信息提取能力，强化高分辨率低层级特征图和低分辨率高层级特征图的有效融合，降低图像误检错检率，进而提高图像检测精度。
在又一个可选的实施例中，如图2所示，在融合模块103利用特征融合模型对特征图信息进行多尺度特征融合，得到目标融合图像信息之后，装置还包括：
检测模块104，用于获取聚类初始中心距和图像数据集；
利用聚类初始中心距对图像数据集进行聚类处理，得到图相框信息；图相框信息包括9个图相框；每个图相框包括第一元素和第二元素；第二元素远大于第一元素；
将图相框信息进行分类，得到预测框信息集合；预测框信息集合包括3个预测框信息；每个预测框信息包括3个图相框；
利用预测框信息集合对目标融合图像信息进行目标圈定，得到初始检测结果信息；
对初始检测结果信息进行置信度计算和筛选处理，得到目标检测结果信息；目标检测结果信息表征迷彩目标在待检测图像中的位置情况。
可见，实施图2所描述的图像检测装置，能够对目标融合图像信息进一步处理得到目标检测结果信息，更有利于提高图像特征信息提取能力，强化高分辨率低层级特征图和低分辨率高层级特征图的有效融合，降低图像误检错检率，进而提高图像检测精度。
实施例三
请参阅图3，图3是本发明实施例公开的又一种图像检测装置的结构示意图。其中，图3所描述的装置能够应用于图像检测系统中，如用于图像检测管理的本地服务器或云端服务器等，本发明实施例不做限定。如图3所示，该装置可以包括：
存储有可执行程序代码的存储器301；
与存储器301耦合的处理器302；
处理器302调用存储器301中存储的可执行程序代码，用于执行实施例一所描述的图像检测方法中的步骤。
实施例四
本发明实施例公开了一种计算机读存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机执行实施例一所描述的图像检测方法中的步骤。
实施例五
本发明实施例公开了一种计算机程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，且该计算机程序可操作来使计算机执行实施例一所描述的图像检测方法中的步骤。
以上所描述的装置实施例仅是示意性的，其中作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种图像检测方法及装置所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述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项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种图像检测方法，其特征在于，所述方法包括：
获取待检测图像；
利用特征提取模型对所述待检测图像进行特征提取，得到特征图信息；所述特征图信息包括第一特征图、第二特征图和第三特征图；
利用特征融合模型对所述特征图信息进行多尺度特征融合，得到目标融合图像信息；所述目标融合图像信息用于对所述待检测图像中迷彩目标的检测。
2.根据权利要求1所述的图像检测方法，其特征在于，所述特征提取模型包括第一提取模块、第二提取模块、第三提取模块和第四提取模块；
所述利用特征提取模型对所述待检测图像进行特征提取，得到特征图信息，包括：
利用所述第一提取模块对所述待检测图像进行切片和卷积处理，得到第一中间特征图；
利用所述第二提取模块对所述第一中间特征图进行计算处理，得到所述第一特征图和第二中间特征图；
利用所述第三提取模块对所述第二中间特征图进行切片和卷积处理，得到第三中间特征图；
利用所述第二提取模块对所述第三中间特征图进行计算处理，得到所述第二特征图和第四中间特征图；
利用所述第四提取模块对所述第四中间特征图进行切片和卷积处理，得到第五中间特征图；
利用所述第二提取模块对所述第五中间特征图进行计算处理，得到所述第三特征图。
3.根据权利要求2所述的图像检测方法，其特征在于，所述利用所述第二提取模块对所述第五中间特征图进行计算处理，得到所述第三特征图，包括：
基于所述第二提取模块的通道数量对所述第五中间特征图进行分割，得到若干个分割特征图；所述通道数量为2的几何级倍数；
利用所述第二提取模块的频谱单元对所述分割特征图进行频率计算，得到每个所述分割特征图对应的频率分量；
对所有所述频率分量进行合并处理，得到特征向量；
基于所述第二提取模块的特征提取单元对所述特征向量进行映射激活处理，得到所述第三特征图。
4.根据权利要求1所述的图像检测方法，其特征在于，所述特征融合模型包括第一融合模块、第二融合模块和第三融合模块；
所述利用特征融合模型对所述特征图信息进行多尺度特征融合，得到目标融合图像信息，包括：
利用所述第一融合模块对所述第三特征图进行处理，得到第一中间融合图；
利用所述第二融合模块对所述第一中间融合图进行处理，得到第一尺度特征图；
利用所述第三融合模块对所述第二特征图和所述第一尺度特征图进行融合处理，得到第二中间融合图和第三中间融合图；
利用所述第二融合模块对所述第二中间融合图进行处理，得到第二尺度特征图；
对所述第一特征图、所述第三特征图、所述第二尺度特征图和第三中间融合图进行融合处理，得到目标融合图像信息。
5.根据权利要求4所述的图像检测方法，其特征在于，所述第二融合模块包括预测单元和特征重组单元；
所述利用所述第二融合模块对所述第一中间融合图进行处理，得到第一尺度特征图，包括：
利用所述预测单元对所述第一中间融合图预测、压缩和加权求和计算，得到特征位置信息；
利用所述特征重组单元对所述特征位置信息进行特征重组，得到第一尺度特征图。
6.根据权利要求4所述的图像检测方法，其特征在于，所述目标融合图像信息包括第一目标融合图像、第二目标融合图像和第三目标融合图像；所述第一目标融合图像、所述第二目标融合图像和所述第三目标融合图像的图像尺度依次减小；
所述对所述第一特征图、所述第三特征图、所述第二尺度特征图和第三中间融合图进行融合处理，得到目标融合图像信息，包括：
利用所述第三融合模块对第一特征图和所述第二尺度特征图进行融合处理，得到所述第一目标融合图像；
利用所述第三融合模块对第一特征图、所述第二尺度特征图和所述第三中间融合图进行融合处理，得到所述第二目标融合图像；
利用所述第一融合模块和所述第三融合模块对所述第一特征图和所述第三特征图进行融合处理，得到所述第三目标融合图像。
7.根据权利要求1所述的图像检测方法，其特征在于，在所述利用特征融合模型对所述特征图信息进行多尺度特征融合，得到目标融合图像信息之后，所述方法还包括：
获取聚类初始中心距和图像数据集；
利用所述聚类初始中心距对所述图像数据集进行聚类处理，得到图相框信息；所述图相框信息包括9个图相框；每个所述图相框包括第一元素和第二元素；所述第二元素远大于所述第一元素；
将所述图相框信息进行分类，得到预测框信息集合；所述预测框信息集合包括3个预测框信息；每个所述预测框信息包括3个所述图相框；
利用所述预测框信息集合对所述目标融合图像信息进行目标圈定，得到初始检测结果信息；
对所述初始检测结果信息进行置信度计算和筛选处理，得到目标检测结果信息；所述目标检测结果信息表征所述迷彩目标在所述待检测图像中的位置情况。
8.一种图像检测装置，其特征在于，所述装置包括：
获取模块，用于获取待检测图像；
提取模块，用于利用特征提取模型对所述待检测图像进行特征提取，得到特征图信息；所述特征图信息包括第一特征图、第二特征图和第三特征图；
融合模块，用于利用特征融合模型对所述特征图信息进行多尺度特征融合，得到目标融合图像信息；所述目标融合图像信息用于对图像中迷彩目标的检测。
9.一种图像检测装置，其特征在于，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的图像检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-7任一项所述的图像检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211443934.3A CN115908831B (zh) | 2022-11-18 | 2022-11-18 | 一种图像检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211443934.3A CN115908831B (zh) | 2022-11-18 | 2022-11-18 | 一种图像检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115908831A true CN115908831A (zh) | 2023-04-04 |
| CN115908831B CN115908831B (zh) | 2023-08-01 |
Family
ID=86473958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211443934.3A Active CN115908831B (zh) | 2022-11-18 | 2022-11-18 | 一种图像检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115908831B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117173523A (zh) * | 2023-08-04 | 2023-12-05 | 山东大学 | 一种基于频率感知的伪装目标检测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014183259A1 (zh) * | 2013-05-14 | 2014-11-20 | 中国科学院自动化研究所 | 一种全色−多光谱遥感图像融合方法 |
| AU2021102192A4 (en) * | 2021-04-26 | 2021-06-17 | Qingdao Agricultural University | Remote sensing classification and identification method, device, equipment and storage medium for soil types |
| CN113205094A (zh) * | 2021-04-12 | 2021-08-03 | 武汉大学 | 一种基于ORSU-Net的肿瘤图像分割方法和系统 |
| CN114565544A (zh) * | 2022-01-18 | 2022-05-31 | 北京旷视科技有限公司 | 一种图像融合方法、设备、产品及介质 |
| CN114581744A (zh) * | 2022-02-28 | 2022-06-03 | 广东电网有限责任公司 | 一种图像目标检测方法、系统、设备及存储介质 |
| CN114820405A (zh) * | 2022-04-20 | 2022-07-29 | 深圳市慧鲤科技有限公司 | 图像融合方法、装置、设备及计算机可读存储介质 |
-
2022
- 2022-11-18 CN CN202211443934.3A patent/CN115908831B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014183259A1 (zh) * | 2013-05-14 | 2014-11-20 | 中国科学院自动化研究所 | 一种全色−多光谱遥感图像融合方法 |
| CN113205094A (zh) * | 2021-04-12 | 2021-08-03 | 武汉大学 | 一种基于ORSU-Net的肿瘤图像分割方法和系统 |
| AU2021102192A4 (en) * | 2021-04-26 | 2021-06-17 | Qingdao Agricultural University | Remote sensing classification and identification method, device, equipment and storage medium for soil types |
| CN114565544A (zh) * | 2022-01-18 | 2022-05-31 | 北京旷视科技有限公司 | 一种图像融合方法、设备、产品及介质 |
| CN114581744A (zh) * | 2022-02-28 | 2022-06-03 | 广东电网有限责任公司 | 一种图像目标检测方法、系统、设备及存储介质 |
| CN114820405A (zh) * | 2022-04-20 | 2022-07-29 | 深圳市慧鲤科技有限公司 | 图像融合方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| CHUHUA XIAN: "Multi-Scale Progressive Fusion Learning for Depth Map Super-Resolution", 《ARXIV》, pages 1 - 10 * |
| 邓世爽: "结合注意力机制与自适应记忆性融合网络的纺织品瑕疵检测", 《模式识别与人工智能》, pages 536 - 545 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117173523A (zh) * | 2023-08-04 | 2023-12-05 | 山东大学 | 一种基于频率感知的伪装目标检测方法及系统 |
| CN117173523B (zh) * | 2023-08-04 | 2024-04-09 | 山东大学 | 一种基于频率感知的伪装目标检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115908831B (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108229322B (zh) | 基于视频的人脸识别方法、装置、电子设备及存储介质 | |
| CN109543549B (zh) | 用于多人姿态估计的图像数据处理方法及装置、移动端设备、服务器 | |
| CN109492638A (zh) | 文本检测方法、装置及电子设备 | |
| CN111027504A (zh) | 人脸关键点检测方法、装置、设备及存储介质 | |
| CN114119676B (zh) | 基于多特征信息融合的目标检测跟踪识别方法和系统 | |
| CN108121931A (zh) | 二维码数据处理方法、装置及移动终端 | |
| CN111160202A (zh) | 基于ar设备的身份核验方法、装置、设备及存储介质 | |
| CN112036400B (zh) | 构建用于目标检测的网络的方法和目标检测方法及系统 | |
| CN111160169A (zh) | 人脸检测方法、装置、设备及计算机可读存储介质 | |
| CN112132130B (zh) | 一种面向全场景的实时性车牌检测方法及系统 | |
| CN116091781B (zh) | 一种用于图像识别的数据处理方法及装置 | |
| CN108961158A (zh) | 一种图像合成方法及装置 | |
| CN109508636A (zh) | 车辆属性识别方法、装置、存储介质及电子设备 | |
| CN111263955A (zh) | 一种目标对象的移动轨迹确定方法和装置 | |
| CN114241012B (zh) | 一种高空抛物的判定方法及装置 | |
| CN115908831A (zh) | 一种图像检测方法及装置 | |
| CN112070035A (zh) | 基于视频流的目标跟踪方法、装置及存储介质 | |
| CN115953744A (zh) | 一种基于深度学习的车辆识别追踪方法 | |
| CN113228105A (zh) | 一种图像处理方法、装置和电子设备 | |
| CN112037255B (zh) | 目标跟踪方法和装置 | |
| KR102568482B1 (ko) | 군사용 영상분석을 위한 데이터증강 서비스 제공 시스템 | |
| CN115018886B (zh) | 运动轨迹识别方法、装置、设备及介质 | |
| CN114463685B (zh) | 行为识别方法、装置、电子设备及存储介质 | |
| CN116229419A (zh) | 一种行人检测方法及装置 | |
| CN115311680A (zh) | 人体图像质量检测方法、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 |