CN116245950A - 用于全屏或单角缺失的屏幕角点定位方法 - Google Patents

用于全屏或单角缺失的屏幕角点定位方法 Download PDF

Info

Publication number
CN116245950A
CN116245950A CN202310528081.1A CN202310528081A CN116245950A CN 116245950 A CN116245950 A CN 116245950A CN 202310528081 A CN202310528081 A CN 202310528081A CN 116245950 A CN116245950 A CN 116245950A
Authority
CN
China
Prior art keywords
corner
screen
missing
picture
model
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
Application number
CN202310528081.1A
Other languages
English (en)
Other versions
CN116245950B (zh
Inventor
储琪
田辉
朱鹏远
陈天翔
郭玉刚
张志翔
刘斌
俞能海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei High Dimensional Data Technology Co ltd
University of Science and Technology of China USTC
Original Assignee
Hefei High Dimensional Data Technology Co ltd
University of Science and Technology of China USTC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei High Dimensional Data Technology Co ltd, University of Science and Technology of China USTC filed Critical Hefei High Dimensional Data Technology Co ltd
Priority to CN202310528081.1A priority Critical patent/CN116245950B/zh
Publication of CN116245950A publication Critical patent/CN116245950A/zh
Application granted granted Critical
Publication of CN116245950B publication Critical patent/CN116245950B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明特别涉及一种用于全屏或单角缺失的屏幕角点定位方法，包括如下步骤：构建数据集：对包含完整屏幕的原图进行裁剪得到单角点缺失图；对单角点缺失图进行中心缩小处理并在四周填补0像素使图片长宽不变，裁剪掉的角点位于填补的区域内；根据缩小填补后的图片中的角点位置计算标签值；构建模型，利用数据集对模型进行训练得到训练好的角点识别模型；将待识别的全屏或单角缺失的图片代入训练好的角点识别模型中得到预测标签值；对预测标签值进行中心放大处理和坐标变换得到真实的角点坐标。通过上述步骤，使得不在原始图片的角点也能正常进行计算损失函数和反向传播优化模型，从而实现屏幕缺失一个的角点的情况下对全部角点的准确定位。

Description

用于全屏或单角缺失的屏幕角点定位方法
技术领域
本发明涉及图片处理技术领域，特别涉及一种用于全屏或单角缺失的屏幕角点定位方法。
背景技术
YOLO系列算法是一类典型的one-stage目标检测算法，其利用anchor box将分类与目标定位的回归问题结合起来，从而做到了高效、灵活和泛化性能好，所以在工业界也十分受欢迎。YOLO算法采用一个单独的CNN模型实现end-to-end的目标检测，核心思想就是利用整张图作为网络的输入，直接在输出层回归bounding box（边界框）的位置及其所属的类别，目前最新的YOLO系列算法是YOLOv5算法。
YOLOv5算法输出的bounding box（边界框）是由左上角点和右下角点构成的，对于很多目标来说，我们不仅需要其边界框，还需要其具体的角点位置。有学者在GitHub开源软件平台上提出了Yolo-ArbV2算法，该算法是在YOLOv5基础上进行二次开发，保持GT框检测功能的同时，新增了额外输出信息，用于检测输出中目标多边形的信息，这样实现了基于矩形Anchor-based的多边形检测功能。
Yolo-ArbV2算法可以实现整个屏幕都在待检测图片情况下屏幕的准确多边形定位，但在实际场景中，很多时候屏幕并不会完整地出现在待检测图片中。Yolo-ArbV2算法是基于YOLOv5算法的，在YOLOv5算法中，预处理，批归一化和计算IOU Loss时都要求标签数据为归一化到0到1区间的浮点数，同时，输出结果也满足在0到1区间。而在屏幕外的点的坐标经过yolov5处理后就会变成包含负数的数据，因此使用原本的Yolo-ArbV2算法不能对单角缺失的图片进行屏幕角点的准确定位。
发明内容
本发明的目的在于提供一种用于全屏或单角缺失的屏幕角点定位方法，可实现单角缺失的图片中屏幕角点的定位。
为实现以上目的，本发明采用的技术方案为：一种用于全屏或单角缺失的屏幕角点定位方法，包括如下步骤：通过全角点数据集按如下步骤构建缺失角点数据集：对包含完整屏幕的原图进行裁剪得到单角点缺失图；对单角点缺失图进行中心缩小处理并在四周填补0像素使图片长宽不变，其中，裁剪掉的角点位于填补的区域内，1/α为预设的缩小系数，1＜α＜3；根据缩小填补后的图片中的角点位置计算标签值；构建Yolo-ArbV2模型，利用数据集对模型进行训练得到训练好的角点识别模型，训练时单角点缺失图作为模型的输入、标签值作为模型的输出；将待识别的全屏或单角缺失的图片代入训练好的角点识别模型中得到预测标签值；对预测标签值进行中心放大处理和坐标变换得到真实的角点坐标，其中放大系数为α。
与现有技术相比，本发明存在以下技术效果：为了使模型能正确预测第四个角点，需要保留预测的缺失检测点的占位，本案中将训练样本图片都进行缩小操作，使本来超出图片范围的角点也能包含在图片中，根据缩放之后的图片，生成训练需要的标签值；之后进行常规的模型训练和角点检测，但训练输入图片是没有经过缩放正常比例的图片，如此，训练的过程中，不在原始图片的角点也能正常进行计算损失函数和反向传播优化模型；在模型训练完毕进行推理时，得到的检测结果再缩放回原尺度，就能得到正确的结果；这样就实现了屏幕缺失一个的角点的情况下对全部角点的准确定位。
附图说明
图1是本发明的流程示意图。
具体实施方式
下面结合图1，对本发明做进一步详细叙述。
参阅图1，本发明公开了一种用于全屏或单角缺失的屏幕角点定位方法，包括如下步骤：通过全角点数据集按如下步骤构建缺失角点数据集：对包含完整屏幕的原图进行裁剪得到单角点缺失图，图1中上排第1个小图即为原图，其中的虚线框为屏幕，上排第3个小图即为单角点缺失图，其中的实线框为缺失角点的屏幕。对单角点缺失图进行中心缩小处理并在四周填补0像素使图片长宽不变，其中，裁剪掉的角点位于填补的区域内，1/α为预设的缩小系数，中心缩小处理和填补处理后得到上排第4个小图。根据缩小填补后的图片中的角点位置计算标签值；构建Yolo-ArbV2模型，利用数据集对模型进行训练得到训练好的角点识别模型，训练时单角点缺失图作为模型的输入、标签值作为模型的输出；将待识别的全屏或单角缺失的图片代入训练好的角点识别模型中得到预测标签值；对预测标签值进行中心放大处理和坐标变换得到真实的角点坐标，其中放大系数为α。
对于上述的α，其是放大系数，其倒数为缩小系数。既然是放大，那么α肯定是大于1的。在本实施例中，原图去掉一角后，屏幕至少要有一半留在新图片中，而屏幕至多可以占满原图片，所以单侧扩大等于原图大小时就一定能保证缩放后可以包含缺失角点；同时，因为是等比例方法，无论哪个角点缺失，对角线另一个方向上也会等比例放大，所以两侧最多都扩大原图大小，此时为极限情况，缩放比例为3，我们不会取该极限情况，所以α要小于3。实际预设α时，α越接近于1，预测的角点位置精度很高，但只能容忍较小区域的单角缺失，α越接近于3，预测的角点位置精度会降低，但其可容忍较大区域的单角缺失，因此，实际的取值是根据用户的使用情况来设置。
为了使模型能正确预测第四个角点，需要保留预测的缺失检测点的占位，本案中将训练样本图片都进行缩小操作，使本来超出图片范围的角点也能包含在图片中，根据缩放之后的图片，生成训练需要的标签值；之后进行常规的模型训练和角点检测，但训练输入图片是没有经过缩放正常比例的图片，如此，训练的过程中，不在原始图片的角点也能正常进行计算损失函数和反向传播优化模型；在模型训练完毕进行推理时，得到的检测结果再缩放回原尺度，就能得到正确的结果；这样就实现了屏幕缺失一个的角点的情况下对全部角点的准确定位。
进一步地，对原图进行裁剪得到单角点缺失图有很多种方案可以实现，本发明中优选地，如图1中上排第2个小图所示，所述的对包含完整屏幕的原图进行裁剪得到单角点缺失图包括：人工标记包含完整屏幕的原图得到四个角点坐标；任意选择一个角点A，记其对角点为C，经过点A和点C的连线上的点E作与直线AC具有一定夹角的第一直线，第一直线将点A和其余三个角点分割开，即点A在第一直线一侧，点B、C、D在第一直线另一侧。点E的位置需要满足公式：LAE≤LAE≤LAC*(1-α)/(1+α)，LAE和LAC分别是点AE、点AC之间的距离；以第一直线为边，作包含除点A以外的三个角点的长方形，如图中包含点BCD的虚线框所示，并基于该长方形对图片进行裁剪得到单角点缺失图。通过该步骤，可以方便的裁剪出单角点缺失图。
进一步地，所述的根据缩小填补后的图片中的角点位置计算标签值包括：根据剪裁前、后的原图、单角点缺失图的变换关系将原图中的四个角点坐标转换为单角点缺失图中的角点坐标；需要注意的是，单角点缺失图中，有一个角点位于图片以外，其坐标会是负值。根据单角点缺失图缩放前后的变换关系计算缩小填补后的图片中的角点坐标，经过这一步操作后，四个角点的坐标都是正值。根据缩小填补后的图片的长和宽将缩小填补后的图片中的角点坐标归一化为0-1之间的值即得到标签值，之所以要进行归一化，是因为Yolo-ArbV2模型的输出就是归一化的标签值的。
进一步地，根据预测标签值反推真实的角点坐标，有很多种实现方案。不管何种方案，都需要进行中心放大处理，即前面中心缩小处理的逆变换，并且，在不同的图片中，角点的坐标需要进行变换。中心放大处理和坐标变换的步骤不分先后，甚至可以在坐标变换的过程中插入中心放大处理的步骤。本发明中优选地，将中心放大处理放在坐标变换处理的前面，具体地，所述的对预测标签值进行中心放大处理和坐标变换得到真实的角点坐标包括：记预测标签值为，其中i=1,2,3，…,8，分别代表四个角点横、纵坐标对应的标签值，即L1和L2是第一个点横纵坐标对应的标签值，L3和L4是第二个点横纵坐标对应的标签值，以此类推。预测标签值Li都在0-1范围内。
根据以下公式计算经过中心放大处理后标签值：Li'＝0.5+(Li-0.5)*α，这里就相当于做中心放大处理，对于1*1的图来说，中心点就是0.5、0.5，通过该公式可以轻松的计算出中心放大处理后的标签值Li'，Li'可以为负值。最后，将经过中心放大处理后标签值通过以下公式计算得到真实的角点坐标(xj,yj)：xj=W*L(2j-1)',yj=H*L2j'，式中，j=1,2,3,4；W和H为待检测图片的宽和高。这里通过简单的数学计算就可以将预测标签值转换成真实的角点坐标，处理起来非常的迅速。
本发明还公开了一种计算机可读存储介质和一种电子设备。其中，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，实现如前所述的用于全屏或单角缺失的屏幕角点定位方法。一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序时，实现如前所述的用于全屏或单角缺失的屏幕角点定位方法。

Claims (6)

1.一种用于全屏或单角缺失的屏幕角点定位方法，其特征在于：包括如下步骤：
通过全角点数据集按如下步骤构建缺失角点数据集：对包含完整屏幕的原图进行裁剪得到单角点缺失图；对单角点缺失图进行中心缩小处理并在四周填补0像素使图片长宽不变，其中，裁剪掉的角点位于填补的区域内，1/α为预设的缩小系数，1＜α＜3；根据缩小填补后的图片中的角点位置计算标签值；
构建Yolo-ArbV2模型，利用数据集对模型进行训练得到训练好的角点识别模型，训练时单角点缺失图作为模型的输入、标签值作为模型的输出；
将待识别的全屏或单角缺失的图片代入训练好的角点识别模型中得到预测标签值；
对预测标签值进行中心放大处理和坐标变换得到真实的角点坐标，其中放大系数为α。
2.如权利要求1所述的用于全屏或单角缺失的屏幕角点定位方法，其特征在于：所述的对包含完整屏幕的原图进行裁剪得到单角点缺失图包括：
人工标记包含完整屏幕的原图得到四个角点坐标；
任意选择一个角点A，记其对角点为C，经过点A和点C的连线上的点E作第一直线将点A和其余三个角点分割开，其中LAE≤LAC*(α-1)/(α+1)，LAE和LAC分别是点AE、点AC之间的距离；
以第一直线为边，作包含除点A以外的三个角点的长方形，并基于该长方形对图片进行裁剪得到单角点缺失图。
3.如权利要求1所述的用于全屏或单角缺失的屏幕角点定位方法，其特征在于：所述的根据缩小填补后的图片中的角点位置计算标签值包括：
根据剪裁前、后的原图、单角点缺失图的变换关系将原图中的四个角点坐标转换为单角点缺失图中的角点坐标；
根据单角点缺失图缩放前后的变换关系计算缩小填补后的图片中的角点坐标；
根据缩小填补后的图片的长和宽将缩小填补后的图片中的角点坐标归一化为0-1之间的值即得到标签值。
4.如权利要求1所述的用于全屏或单角缺失的屏幕角点定位方法，其特征在于：所述的对预测标签值进行中心放大处理和坐标变换得到真实的角点坐标包括：
记预测标签值为Li，其中i=1,2,3，…,8，分别代表四个角点横、纵坐标对应的标签值；
根据以下公式计算经过中心放大处理后标签值：Li'＝0.5+(Li-0.5)*α；
将经过中心放大处理后标签值通过以下公式计算得到真实的角点坐标(xj,yj)：xj=W*L(2j-1)',yj=H*L2j'，式中，j=1,2,3,4；W和H为待检测图片的宽和高。
5.一种计算机可读存储介质，其特征在于：其上存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-4中任一项所述的用于全屏或单角缺失的屏幕角点定位方法。
6.一种电子设备，其特征在于：包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-4中任一项所述的用于全屏或单角缺失的屏幕角点定位方法。
CN202310528081.1A 2023-05-11 2023-05-11 用于全屏或单角缺失的屏幕角点定位方法 Active CN116245950B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310528081.1A CN116245950B (zh) 2023-05-11 2023-05-11 用于全屏或单角缺失的屏幕角点定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310528081.1A CN116245950B (zh) 2023-05-11 2023-05-11 用于全屏或单角缺失的屏幕角点定位方法

Publications (2)

Publication Number Publication Date
CN116245950A true CN116245950A (zh) 2023-06-09
CN116245950B CN116245950B (zh) 2023-08-01

Family

ID=86629931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310528081.1A Active CN116245950B (zh) 2023-05-11 2023-05-11 用于全屏或单角缺失的屏幕角点定位方法

Country Status (1)

Country Link
CN (1) CN116245950B (zh)

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002268044A (ja) * 2001-03-12 2002-09-18 Seiko Epson Corp パネル位置決め装置、これを用いたパネル表示検査装置、電気光学装置用検査装置及び電気光学装置用位置決め装置
CN108387516A (zh) * 2018-01-25 2018-08-10 陕西方元预应力机械有限公司 基于ccd像机图像处理技术的螺纹缺陷检测装置及检测方法
JP2019046007A (ja) * 2017-08-31 2019-03-22 株式会社Pfu 座標検出装置及び学習済みモデル
CN109765245A (zh) * 2019-02-25 2019-05-17 武汉精立电子技术有限公司 大尺寸显示屏缺陷检测定位方法
US20200364876A1 (en) * 2019-05-17 2020-11-19 Magic Leap, Inc. Methods and apparatuses for corner detection using neural network and corner detector
CN112016605A (zh) * 2020-08-19 2020-12-01 浙江大学 一种基于边界框角点对齐和边界匹配的目标检测方法
US20210224609A1 (en) * 2019-03-07 2021-07-22 Institute Of Automation, Chinese Academy Of Sciences Method, system and device for multi-label object detection based on an object detection network
CN113902733A (zh) * 2021-10-29 2022-01-07 广东电网有限责任公司江门供电局 一种基于关键点检测的间隔棒缺陷检测方法
CN114007054A (zh) * 2022-01-04 2022-02-01 宁波均联智行科技股份有限公司 车载屏幕画面投影矫正的方法及装置
CN114049374A (zh) * 2021-11-08 2022-02-15 重庆邮电大学 一种基于迁移学习-角点预测的图注意目标跟踪方法
CN114596348A (zh) * 2021-12-08 2022-06-07 北京蓝亚盒子科技有限公司 基于屏幕空间的环境遮挡计算方法、装置及运行器、可读存储介质
WO2022116678A1 (zh) * 2020-12-02 2022-06-09 达闼机器人股份有限公司 目标物体位姿确定方法、装置、存储介质及电子设备
CN114647361A (zh) * 2022-03-02 2022-06-21 北京当红齐天国际文化科技发展集团有限公司 一种基于人工智能的触摸屏物体定位方法及装置
WO2022148192A1 (zh) * 2021-01-07 2022-07-14 新东方教育科技集团有限公司 图像处理方法、图像处理装置以及非瞬时性存储介质
CN114821527A (zh) * 2022-04-20 2022-07-29 中国第一汽车股份有限公司 障碍物的检测定位方法、检测定位装置与车辆
CN114938410A (zh) * 2022-04-15 2022-08-23 广东工业大学 一种手机屏幕画检分区方法和系统
US20220301290A1 (en) * 2021-03-16 2022-09-22 Sri International Fine-level face alignment through anchor and contour estimations
CN115471439A (zh) * 2021-06-11 2022-12-13 武汉Tcl集团工业研究院有限公司 显示面板缺陷的识别方法、装置、电子设备及存储介质

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002268044A (ja) * 2001-03-12 2002-09-18 Seiko Epson Corp パネル位置決め装置、これを用いたパネル表示検査装置、電気光学装置用検査装置及び電気光学装置用位置決め装置
JP2019046007A (ja) * 2017-08-31 2019-03-22 株式会社Pfu 座標検出装置及び学習済みモデル
CN108387516A (zh) * 2018-01-25 2018-08-10 陕西方元预应力机械有限公司 基于ccd像机图像处理技术的螺纹缺陷检测装置及检测方法
CN109765245A (zh) * 2019-02-25 2019-05-17 武汉精立电子技术有限公司 大尺寸显示屏缺陷检测定位方法
US20210224609A1 (en) * 2019-03-07 2021-07-22 Institute Of Automation, Chinese Academy Of Sciences Method, system and device for multi-label object detection based on an object detection network
US20200364876A1 (en) * 2019-05-17 2020-11-19 Magic Leap, Inc. Methods and apparatuses for corner detection using neural network and corner detector
CN112016605A (zh) * 2020-08-19 2020-12-01 浙江大学 一种基于边界框角点对齐和边界匹配的目标检测方法
WO2022116678A1 (zh) * 2020-12-02 2022-06-09 达闼机器人股份有限公司 目标物体位姿确定方法、装置、存储介质及电子设备
WO2022148192A1 (zh) * 2021-01-07 2022-07-14 新东方教育科技集团有限公司 图像处理方法、图像处理装置以及非瞬时性存储介质
US20220301290A1 (en) * 2021-03-16 2022-09-22 Sri International Fine-level face alignment through anchor and contour estimations
CN115471439A (zh) * 2021-06-11 2022-12-13 武汉Tcl集团工业研究院有限公司 显示面板缺陷的识别方法、装置、电子设备及存储介质
CN113902733A (zh) * 2021-10-29 2022-01-07 广东电网有限责任公司江门供电局 一种基于关键点检测的间隔棒缺陷检测方法
CN114049374A (zh) * 2021-11-08 2022-02-15 重庆邮电大学 一种基于迁移学习-角点预测的图注意目标跟踪方法
CN114596348A (zh) * 2021-12-08 2022-06-07 北京蓝亚盒子科技有限公司 基于屏幕空间的环境遮挡计算方法、装置及运行器、可读存储介质
CN114007054A (zh) * 2022-01-04 2022-02-01 宁波均联智行科技股份有限公司 车载屏幕画面投影矫正的方法及装置
CN114647361A (zh) * 2022-03-02 2022-06-21 北京当红齐天国际文化科技发展集团有限公司 一种基于人工智能的触摸屏物体定位方法及装置
CN114938410A (zh) * 2022-04-15 2022-08-23 广东工业大学 一种手机屏幕画检分区方法和系统
CN114821527A (zh) * 2022-04-20 2022-07-29 中国第一汽车股份有限公司 障碍物的检测定位方法、检测定位装置与车辆

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
DAVID ACUNA, ET.AL: "Efficient Interaction annotation of segmentation datasets with polygon-RNN++", 《ARXIV:1803.09693V1》, pages 1 - 21 *
PYTHON: "Rhine-AI-Lab/Yolo-ArbV2", Retrieved from the Internet <URL:https://github.com/Rhine-AI-Lab/Yolo-ArbV2> *
ZHENCHAO JIN, ET.AL: "SAFNet: A Semi-anchor-free network with enhanced feature pyramid for object detection", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》, vol. 29, pages 9445 - 9457, XP011814503, DOI: 10.1109/TIP.2020.3028196 *
储琪: "基于深度学习的视频多目标跟踪算法研究", 《中国博士学位论文全文数据库 (信息科技辑)》, no. 8, pages 138 - 43 *
方涵等: "屏幕拍摄信息溯源技术研究", 《保密科学技术》, no. 5, pages 14 - 22 *

Also Published As

Publication number Publication date
CN116245950B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
US11113836B2 (en) Object detection method, device, apparatus and computer-readable storage medium
WO2020232872A1 (zh) 表格识别方法、装置、计算机设备和存储介质
CN110059697B (zh) 一种基于深度学习的肺结节自动分割方法
CN111091123A (zh) 文本区域检测方法及设备
US7739587B2 (en) Methods and apparatuses for finding rectangles and application to segmentation of grid-shaped tables
CN107784288A (zh) 一种基于深度神经网络的迭代定位式人脸检测方法
CN111814905A (zh) 目标检测方法、装置、计算机设备和存储介质
US11790640B1 (en) Method for detecting densely occluded fish based on YOLOv5 network
CN110598698A (zh) 基于自适应区域建议网络的自然场景文本检测方法和系统
CN111626145B (zh) 一种简捷有效的残缺表格识别及跨页拼接方法
CN111612004A (zh) 一种基于语义内容的图像裁剪方法及装置
CN111177811A (zh) 一种应用于云平台的消防点位自动布图的方法
CN109492697B (zh) 图片检测网络训练方法及图片检测网络训练装置
CN116245950B (zh) 用于全屏或单角缺失的屏幕角点定位方法
CN110874170A (zh) 一种图像区域修正方法、图像分割方法及装置
WO2021042549A1 (zh) 图像mask的过滤方法、装置、系统及存储介质
CN112446353A (zh) 基于深度卷积神经网络的视频图像道线检测方法
US7849038B2 (en) Method for using the second homotopy group in assessing the similarity of sets of data
CN112528907A (zh) 锚框生成及其标注框适配方法、装置及计算机存储介质
KR100685858B1 (ko) 원근 왜곡 보정 방법 및 시스템
CN116259050B (zh) 灌装桶标签文字定位识别方法、装置、设备及检测方法
CN113838198B (zh) 一种电子地图中文字的自动标注方法、装置及电子设备
CN116934774B (zh) 一种快速及高精度的全景图像裁剪方法
JP2012243121A (ja) データ作成装置、データ作成プログラム、記録媒体およびデータ作成方法
CN115482538B (zh) 一种基于Mask R-CNN的物料标号提取方法及系统

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