CN117392404A - 一种提高图像检测速度的方法及系统 - Google Patents

一种提高图像检测速度的方法及系统 Download PDF

Info

Publication number
CN117392404A
CN117392404A CN202311456065.2A CN202311456065A CN117392404A CN 117392404 A CN117392404 A CN 117392404A CN 202311456065 A CN202311456065 A CN 202311456065A CN 117392404 A CN117392404 A CN 117392404A
Authority
CN
China
Prior art keywords
image
target
pixel
edge
gray
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.)
Pending
Application number
CN202311456065.2A
Other languages
English (en)
Inventor
谢存
张学志
张蛟
唐勉
王圣旭
邱磊
邵春雨
周巧玲
何鹏
张帆
郝大为
涂望明
展辉辉
于梦娇
何子轩
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.)
Army Engineering University of PLA
Original Assignee
Army Engineering University of PLA
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 Army Engineering University of PLA filed Critical Army Engineering University of PLA
Priority to CN202311456065.2A priority Critical patent/CN117392404A/zh
Publication of CN117392404A publication Critical patent/CN117392404A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06V10/30—Noise filtering
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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

Landscapes

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

Abstract

本发明公开了一种提高图像检测速度的方法及系统，涉及数据处理技术领域，该方法包括：接收待检测目标图像，获取目标图像类型信息和目标图像用途信息，参照图像特征库，确定基准图像特征；对待检测目标图像进行数字化处理，生成目标数字图像；对目标数字图像进行滤波降噪，获得低干扰目标数字图像，进行图像边缘识别，获得多个边缘特征区域；遍历多个边缘特征区域，结合基准图像特征，进行图像特征提取，获得目标图像特征，进行图像内容识别。本发明解决了现有技术中由于图片噪声干扰，导致图像检测的速度和准确率低的技术问题，达到了通过噪声滤波结合Roberts算法提取图像特征，来提高图像的检测速度和准确度的技术效果。

Description

一种提高图像检测速度的方法及系统
技术领域
本发明涉及数据处理技术领域，具体涉及一种提高图像检测速度的方法及系统。
背景技术
随着机器视觉的图像处理技术的发展，视觉检测设备的实时检测效率越来越快，图像采集数据量也越来越大，与之对应的，图像的检测和处理速度要求越来越高，目前提高图像处理速度主要是改进图像处理算法和优化实现算法的手段，但现有的处理算法，由于受到图片噪声干扰，会影响图像识别的准确度和图片处理速度。
发明内容
本申请提供了一种提高图像检测速度的方法及系统，用于解决现有技术中由于图片噪声干扰，导致图像检测的速度和准确率低的技术问题。
本申请的第一个方面，提供了一种提高图像检测速度的方法，所述方法包括：接收待检测目标图像，提取目标图像基本信息，获取目标图像类型信息和目标图像用途信息；根据所述目标图像类型和所述目标图像用途信息，参照图像特征库，确定基准图像特征；对所述待检测目标图像进行数字化处理，生成目标数字图像；对所述目标数字图像进行滤波降噪，获得低干扰目标数字图像，其中，所述低干扰目标数字图像包括多个目标像素坐标和多个目标像素灰度值；基于所述多个目标像素坐标和多个目标像素灰度值，进行图像边缘识别，获得多个边缘特征区域；遍历所述多个边缘特征区域，结合所述基准图像特征，进行图像特征提取，获得目标图像特征，基于所述目标图像特征进行图像内容识别。
本申请的第二个方面，提供了一种提高图像检测速度的系统，所述系统包括：目标图像基本信息提取模块，所述目标图像基本信息提取模块用于接收待检测目标图像，提取目标图像基本信息，获取目标图像类型信息和目标图像用途信息；基准图像特征确定模块，所述基准图像特征确定模块用于根据所述目标图像类型和所述目标图像用途信息，参照图像特征库，确定基准图像特征；目标数字图像生成模块，所述目标数字图像生成模块用于对所述待检测目标图像进行数字化处理，生成目标数字图像；低干扰目标数字图像获取模块，所述低干扰目标数字图像获取模块用于对所述目标数字图像进行滤波降噪，获得低干扰目标数字图像，其中，所述低干扰目标数字图像包括多个目标像素坐标和多个目标像素灰度值；边缘特征区域获取模块，所述边缘特征区域获取模块用于基于所述多个目标像素坐标和多个目标像素灰度值，进行图像边缘识别，获得多个边缘特征区域；图像内容识别模块，所述图像内容识别模块用于遍历所述多个边缘特征区域，结合所述基准图像特征，进行图像特征提取，获得目标图像特征，基于所述目标图像特征进行图像内容识别。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请提供的一种提高图像检测速度的方法，涉及数据处理技术领域，通过获取目标图像类型信息和目标图像用途信息，参照图像特征库，确定基准图像特征，对待检测目标图像进行数字化处理，并对目标数字图像进行滤波降噪，获得低干扰目标数字图像，通过图像边缘识别，获得多个边缘特征区域，结合基准图像特征，提取目标图像特征，进行图像内容识别，解决了现有技术中由于图片噪声干扰，导致图像检测的速度和准确率低的技术问题，实现了通过噪声滤波结合Roberts算法提取图像特征，来提高图像的检测速度和准确度的技术效果。
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的介绍，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为本申请实施例提供的一种提高图像检测速度的方法流程示意图；
图2为本申请实施例提供的一种提高图像检测速度的方法中获得低干扰目标数字图像的流程示意图；
图3为本申请实施例提供的一种提高图像检测速度的方法中获得多个边缘特征区域的流程示意图；
图4为本申请实施例提供的一种提高图像检测速度的系统结构示意图。
附图标记说明：目标图像基本信息提取模块11，基准图像特征确定模块12，目标数字图像生成模块13，低干扰目标数字图像获取模块14，边缘特征区域获取模块15，图像内容识别模块16。
具体实施方式
本申请提供了一种提高图像检测速度的方法，用于解决现有技术中由于图片噪声干扰，导致图像检测的速度和准确率低的技术问题。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述。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作出创造性劳动的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。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一
如图1所示，本申请提供了一种提高图像检测速度的方法，所述方法包括：
P10：接收待检测目标图像，提取目标图像基本信息，获取目标图像类型信息和目标图像用途信息；
应当理解的是，通过图像接收端口，接收待检测的目标图像，并提取目标图像的基本信息，包括图像来源、采集时间、占用空间大小等，进而获取目标图像类型信息和目标图像用途信息，所述目标图像类型信息包括图像的内容物类型、采集来源等，例如针对不同的内容物，包括人脸、风景、场景等，针对不同的拍摄设备，包括高清监控摄像头、手机摄像头等，所述目标图像用途信息也就是待检测图像的使用途径，包括人脸识别、设备缺陷识别等，不同用途图像的检测重点不同，提取的图像特征也不同，例如人脸识别的重点部位在瞳孔的虹膜识别，根据目标图像类型信息和目标图像用途信息，可以确定图像的检测重点特征。
P20：根据所述目标图像类型和所述目标图像用途信息，参照图像特征库，确定基准图像特征；
可选的，根据所述目标图像类型和所述目标图像用途信息，参照图像特征库进行图片采集特征类型匹配，所述图像特征库包含多种不同类型和不同用途的图片对应的图像采集特征类型，例如用作人脸识别的人脸图像的采集特征类型就包括人脸的五官位置、五官形状、虹膜特征等，所述图像特征库通过采集大数据图像识别信息构建，通过特征类型匹配，从所述图像特征库内，匹配到所述目标图像类型和所述目标图像用途信息对应的图像识别特征类型，作为基准图像特征，可以用作后续提取待检测图像特征的参考。
P30：对所述待检测目标图像进行数字化处理，生成目标数字图像；
示例性的，对所述待检测目标图像进行数字化处理，也就是将所述待检测目标图像经采样和量化转换成计算机能够处理的数字图像，具体的包括基于所述待检测目标图像设定参考坐标系，并基于参考坐标系，将所述待检测目标图像中的所有像素点赋予坐标位置，并与对应的像素点灰度值共同进行编码，转化为数字图像，生成目标数字图像，以方便后续进行图像特征识别。
P40：对所述目标数字图像进行滤波降噪，获得低干扰目标数字图像，其中，所述低干扰目标数字图像包括多个目标像素坐标和多个目标像素灰度值；
进一步的，如图2所示，本申请实施例步骤P40还包括：
P41：基于所述目标图像基本信息，设置第一滤波算子；
P42：根据所述目标数字图像，随机采集第一中心像素点，参照所述第一滤波算子，进行像素均值计算，获得均值计算结果；
P43：参照所述均值计算结果，确定所述第一中心像素点的去噪像素值；
P44：遍历所述目标数字图像，确定多个中心像素点，进行像素均值计算，获得多个去噪像素点，得到所述低干扰目标数字图像。
在本申请一种可能的实施例中，为消除图像中杂纹对图像特征识别的干扰，对所述目标数字图像进行滤波降噪，基于所述目标图像基本信息，设置第一滤波算子，也就是根据基础图像的清晰度、图像大小等基本信息，确定单次滤波区域的大小，所述第一滤波算子也就是单次滤波的像素区域范围，例如3*3、5*5。进一步的，从所述目标数字图像中，随机抽取一个像素点作为第一中心像素点，并按照所述第一滤波算子，将单次滤波的像素区域范围的所有像素点的灰度值进行均值计算，获得均值计算结果。
进一步的，使用所述均值计算结果替换所述第一中心像素点的原始灰度值，作为所述第一中心像素点的去噪像素值，以此类推，遍历所述目标数字图像的所有像素点，确定多个中心像素点，并分别按照所述第一滤波算子进行像素均值计算，并将得到的均值计算结果替换原本的中心像素点灰度值，获得多个去噪像素点，进而由多个去噪像素点构成所述低干扰目标数字图像，起到降低所述目标数字图像中杂纹数量的效果，从而降低噪声干扰。
P50：基于所述多个目标像素坐标和多个目标像素灰度值，进行图像边缘识别，获得多个边缘特征区域；
进一步的，如图3所示，本申请实施例步骤P50还包括：
P51：构建像素梯度值计算模型；
P52：根据所述多个目标像素坐标和所述多个目标像素灰度值，获取第一位置像素灰度值、第二位置像素灰度值直到第N位置像素灰度值；
P53：遍历所述第一位置像素灰度值、所述第二位置像素灰度值直到所述第N位置像素灰度值，结合所述像素梯度值计算模型，进行灰度梯度计算，生成多个灰度梯度变化值；
P54：根据所述多个灰度梯度变化值进行图像边缘提取，获得多个边缘特征区域。
具体的，参照Roberts算法的原理，构建像素梯度值计算模型，所述Roberts算法是一种基于卷积操作的图像边缘检测算子，其原理是通过利用像素点周围的域像素之间的差值来计算像素的梯度值，从而确定图像中的边缘。进一步的，根据所述多个目标像素坐标和所述多个目标像素灰度值，确定第一位置像素灰度值、第二位置像素灰度值直到第N位置像素灰度值。
进一步的，遍历所述第一位置像素灰度值、所述第二位置像素灰度值直到所述第N位置像素灰度值，结合所述像素梯度值计算模型，示例性的，通过在图像中滑动一个2x2的卷积核，分别计算每个像素点左上到右下和右上到左下两个方向的梯度值，得到多个灰度梯度变化值，根据所述多个灰度梯度变化值，按照预设的图像边缘提取规则进行图像边缘提取，获得多个边缘特征区域，所述多个边缘特征区域包括所述低干扰目标数字图像不同位置的图像特征。
进一步的，本申请实施例步骤P54还包括：
P54-1：设置强边缘梯度变化值阈值，基于强边缘梯度变化值阈值，采集强边缘像素点，获得强边缘特征；
P54-2：根据所述强边缘特征，进行周边像素简化，获得强边缘特征区域。
P54-3：设置弱边缘梯度变化值范围，并基于所述弱边缘梯度变化值范围，获取多个弱边缘像素点；
P54-4：设定弱边缘连续点阈值；
P54-5：遍历所述多个弱边缘像素点，提取连续点数量满足所述连续点阈值的像素点，获得预定弱边缘像素点；
P54-6：对所述弱边缘像素点进行逐行间隔提取，生成弱边缘特征区域；
P54-7：合并所述强边缘特征区域、所述弱边缘特征区域，获得多个边缘特征区域。
其中，根据图像边缘检测经验数据，结合所述低干扰目标数字图像整体明暗度，设置强边缘梯度变化值阈值，例如设置为30，基于强边缘梯度变化值阈值，采集强边缘像素点，也就是采集所有梯度值大于等于30的像素点，作为强边缘特征，并将梯度值变化值大于30的像素点的像素值改为255，并且，为避免影响后续对弱边缘特征的检测，根据所述强边缘特征，进行周边像素简化，将像素值为255的像素点周围一定范围内的像素值修改为0，例如将像素值为255的像素点周围6*6个像素值修改为0，可以有效减少强边缘区域的杂纹，由此获得强边缘特征区域。
进一步的，根据图像边缘检测经验数据，设置弱边缘梯度变化值范围，例如设置为15～29，并基于所述弱边缘梯度变化值范围，提取所述低干扰目标数字图像中梯度值分布在15～29的像素点，获得多个弱边缘像素点。进一步的，根据图像识别精度需求，设定弱边缘连续点阈值，例如设置为3，则遍历所述多个弱边缘像素点，提取连续点数量达到3个的弱边缘像素点，作为预定弱边缘像素点，进一步的，对所述预定弱边缘像素点进行逐行间隔提取，例如间隔20个像素点进行一次预定弱边缘像素点提取，有效减少斑纹，生成弱边缘特征区域。进一步的，将所述强边缘特征区域、所述弱边缘特征区域，按照对应的目标像素坐标进行合并，获得多个边缘特征区域。
进一步的，本申请实施例还包括步骤P50a，步骤P50a还包括：
P51a：遍历所述第一位置像素灰度值、所述第二位置像素灰度值直到所述第N位置像素灰度值，进行灰度差值计算，生成多个像素灰度差值；
P52a：基于所述多个像素灰度差值，遍历所述多个目标像素坐标进行灰度集中度计算，生成第一位置灰度集中度、第二位置灰度集中度直到第N位置灰度集中度；
P53a：基于所述第一位置灰度集中度、所述第二位置灰度集中度直到所述第N位置灰度集中度，进行图像边缘区域划分，获得多个边缘特征区域。
可选的，遍历所述第一位置像素灰度值、所述第二位置像素灰度值直到所述第N位置像素灰度值，两两分别进行灰度差计算，得到多个像素灰度差值，基于所述多个像素灰度差值，遍历所述多个目标像素坐标进行灰度集中度计算，也就是计算每个像素点的灰度集中度，通过计算所述多个像素灰度差值的均值，并统计任意一个像素点周围与该像素点的灰度差值小于均值的点的数量，作为该像素点的灰度集中度，以此类推，生成第一位置灰度集中度、第二位置灰度集中度直到第N位置灰度集中度。
进一步的，基于所述第一位置灰度集中度、所述第二位置灰度集中度直到所述第N位置灰度集中度，进行图像边缘区域划分，也就是提取最大灰度集中度，并以此为聚类中心，分别计算每个像素点的灰度值与最大灰度集中度像素点的灰度偏差，并筛选提取灰度偏差小于灰度偏差均值的像素位置，作为第一边缘特征区域，也就是强边缘特征区域，以此类推，在剩余的像素点中选择最大灰度集中度进行二次聚类，获得第二边缘特征区域，也就是弱边缘特征区域。
进一步的，本申请实施例步骤P52a还包括：
P52a-1：将所述多个像素灰度差值，进行均值计算，生成像素灰度差值均值；
P52a-2：提取与所述第一位置像素灰度值的灰度偏差小于所述像素灰度差值均值的像素点数量，设为第一位置灰度集中度；
P52a-3：以此类推，获得所述第二位置灰度集中度直到所述第N位置灰度集中度。
其中，将所述多个像素灰度差值进行均值计算，生成像素灰度差值均值，并提取与所述第一位置像素灰度值的灰度偏差小于所述像素灰度差值均值的像素点数量，并将像素点数量作为第一像素位置的灰度集中度，以此类推，统计得到所述第二位置灰度集中度直到所述第N位置灰度集中度。
P60：遍历所述多个边缘特征区域，结合所述基准图像特征，进行图像特征提取，获得目标图像特征，基于所述目标图像特征进行图像内容识别。
应当理解的是，按照所述基准图像特征，依次遍历所述多个边缘特征区域进行特征提取，例如按照人脸识别的基准图像特征，依次进行五官位置、五官形状、轮廓、虹膜等特征提取，获得目标图像特征，进一步的，将提取到的目标图像特征，输入对应的图像检测通道进行图像识别，所述图像检测通道用来进行目标图像的特征识别，示例性的，如人脸识别通道，可通过样本图像特征和孪生神经网络训练得到，所述孪生网络是以两个样本为输入，输出其嵌入高维空间的表征，来比较两个样本的相似程度，且权重共享的两个神经网络。可通过将所述目标图像特征和标准用户人脸特征分别输入孪生神经网络中，来进行图像特征识别，得到目标图像特征识别结果和标准用户特征识别结果，通过对目标图像特征识别结果和标准用户特征识别结果进行相似度计算，得到来访用户和登记用户的相似度，以达到图像快速识别的目的。
综上所述，本申请实施例至少具有如下技术效果：
本申请通过获取目标图像类型信息和目标图像用途信息，参照图像特征库，确定基准图像特征，对待检测目标图像进行数字化处理，并对目标数字图像进行滤波降噪，获得低干扰目标数字图像，通过图像边缘识别，获得多个边缘特征区域，结合基准图像特征，提取目标图像特征，进行图像内容识别。
达到了通过噪声滤波结合Roberts算法提取图像特征，来提高图像的检测速度和准确度的技术效果。
实施例二
基于与前述实施例中一种提高图像检测速度的方法相同的发明构思，如图4所示，本申请提供了一种提高图像检测速度的系统，本申请实施例中的系统与方法实施例基于同样的发明构思。其中，所述系统包括：
目标图像基本信息提取模块11，所述目标图像基本信息提取模块11用于接收待检测目标图像，提取目标图像基本信息，获取目标图像类型信息和目标图像用途信息；
基准图像特征确定模块12，所述基准图像特征确定模块12用于根据所述目标图像类型和所述目标图像用途信息，参照图像特征库，确定基准图像特征；
目标数字图像生成模块13，所述目标数字图像生成模块13用于对所述待检测目标图像进行数字化处理，生成目标数字图像；
低干扰目标数字图像获取模块14，所述低干扰目标数字图像获取模块14用于对所述目标数字图像进行滤波降噪，获得低干扰目标数字图像，其中，所述低干扰目标数字图像包括多个目标像素坐标和多个目标像素灰度值；
边缘特征区域获取模块15，所述边缘特征区域获取模块15用于基于所述多个目标像素坐标和多个目标像素灰度值，进行图像边缘识别，获得多个边缘特征区域；
图像内容识别模块16，所述图像内容识别模块16用于遍历所述多个边缘特征区域，结合所述基准图像特征，进行图像特征提取，获得目标图像特征，基于所述目标图像特征进行图像内容识别。
进一步的，所述低干扰目标数字图像获取模块14还用于执行以下步骤：
基于所述目标图像基本信息，设置第一滤波算子；
根据所述目标数字图像，随机采集第一中心像素点，参照所述第一滤波算子，进行像素均值计算，获得均值计算结果；
参照所述均值计算结果，确定所述第一中心像素点的去噪像素值；
遍历所述目标数字图像，确定多个中心像素点，进行像素均值计算，获得多个去噪像素点，得到所述低干扰目标数字图像。
进一步的，所述边缘特征区域获取模块15还用于执行以下步骤：
构建像素梯度值计算模型；
根据所述多个目标像素坐标和所述多个目标像素灰度值，获取第一位置像素灰度值、第二位置像素灰度值直到第N位置像素灰度值；
遍历所述第一位置像素灰度值、所述第二位置像素灰度值直到所述第N位置像素灰度值，结合所述像素梯度值计算模型，进行灰度梯度计算，生成多个灰度梯度变化值；
根据所述多个灰度梯度变化值进行图像边缘提取，获得多个边缘特征区域。
进一步的，所述边缘特征区域获取模块15还用于执行以下步骤：
设置强边缘梯度变化值阈值，基于强边缘梯度变化值阈值，采集强边缘像素点，获得强边缘特征；
根据所述强边缘特征，进行周边像素简化，获得强边缘特征区域。
进一步的，所述边缘特征区域获取模块15还用于执行以下步骤：
设置弱边缘梯度变化值范围，并基于所述弱边缘梯度变化值范围，获取多个弱边缘像素点；
设定弱边缘连续点阈值；
遍历所述多个弱边缘像素点，提取连续点数量满足所述连续点阈值的像素点，获得预定弱边缘像素点；对所述弱边缘像素点进行逐行间隔提取，生成弱边缘特征区域；
合并所述强边缘特征区域、所述弱边缘特征区域，获得多个边缘特征区域。
进一步的，所述系统还包括：
灰度差值计算模块，所述灰度差值计算模块用于遍历所述第一位置像素灰度值、所述第二位置像素灰度值直到所述第N位置像素灰度值，进行灰度差值计算，生成多个像素灰度差值；
灰度集中度计算模块，所述灰度集中度计算模块用于基于所述多个像素灰度差值，遍历所述多个目标像素坐标进行灰度集中度计算，生成第一位置灰度集中度、第二位置灰度集中度直到第N位置灰度集中度；
图像边缘区域划分模块，所述图像边缘区域划分模块用于基于所述第一位置灰度集中度、所述第二位置灰度集中度直到所述第N位置灰度集中度，进行图像边缘区域划分，获得多个边缘特征区域。
进一步的，所述系统还包括：
像素灰度差值均值计算模块，所述像素灰度差值均值计算模块用于将所述多个像素灰度差值，进行均值计算，生成像素灰度差值均值；
第一位置灰度集中度计算模块，所述第一位置灰度集中度计算模块用于提取与所述第一位置像素灰度值的灰度偏差小于所述像素灰度差值均值的像素点数量，设为第一位置灰度集中度；
第N位置灰度集中度计算模块，所述第N位置灰度集中度计算模块用于以此类推，获得所述第二位置灰度集中度直到所述第N位置灰度集中度。
需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (8)

1.一种提高图像检测速度的方法，其特征在于，所述方法包括：
接收待检测目标图像，提取目标图像基本信息，获取目标图像类型信息和目标图像用途信息；
根据所述目标图像类型和所述目标图像用途信息，参照图像特征库，确定基准图像特征；
对所述待检测目标图像进行数字化处理，生成目标数字图像；
对所述目标数字图像进行滤波降噪，获得低干扰目标数字图像，其中，所述低干扰目标数字图像包括多个目标像素坐标和多个目标像素灰度值；
基于所述多个目标像素坐标和多个目标像素灰度值，进行图像边缘识别，获得多个边缘特征区域；
遍历所述多个边缘特征区域，结合所述基准图像特征，进行图像特征提取，获得目标图像特征，基于所述目标图像特征进行图像内容识别。
2.如权利要求1所述的方法，其特征在于，所述对所述目标数字图像进行滤波降噪，获得低干扰目标数字图像，包括：
基于所述目标图像基本信息，设置第一滤波算子；
根据所述目标数字图像，随机采集第一中心像素点，参照所述第一滤波算子，进行像素均值计算，获得均值计算结果；
参照所述均值计算结果，确定所述第一中心像素点的去噪像素值；
遍历所述目标数字图像，确定多个中心像素点，进行像素均值计算，获得多个去噪像素点，得到所述低干扰目标数字图像。
3.如权利要求1所述的方法，其特征在于，所述基于所述多个目标像素坐标和多个目标像素灰度值，进行图像边缘识别，获得多个边缘特征区域，包括：
构建像素梯度值计算模型；
根据所述多个目标像素坐标和所述多个目标像素灰度值，获取第一位置像素灰度值、第二位置像素灰度值直到第N位置像素灰度值；
遍历所述第一位置像素灰度值、所述第二位置像素灰度值直到所述第N位置像素灰度值，结合所述像素梯度值计算模型，进行灰度梯度计算，生成多个灰度梯度变化值；
根据所述多个灰度梯度变化值进行图像边缘提取，获得多个边缘特征区域。
4.如权利要求3所述的方法，其特征在于，所述根据所述多个灰度梯度变化值进行图像边缘提取，获得多个边缘特征区域，包括：
设置强边缘梯度变化值阈值，基于强边缘梯度变化值阈值，采集强边缘像素点，获得强边缘特征；
根据所述强边缘特征，进行周边像素简化，获得强边缘特征区域。
5.如权利要求4所述的方法，其特征在于，所述方法还包括：
设置弱边缘梯度变化值范围，并基于所述弱边缘梯度变化值范围，获取多个弱边缘像素点；
设定弱边缘连续点阈值；
遍历所述多个弱边缘像素点，提取连续点数量满足所述连续点阈值的像素点，获得预定弱边缘像素点；
对所述弱边缘像素点进行逐行间隔提取，生成弱边缘特征区域；
合并所述强边缘特征区域、所述弱边缘特征区域，获得多个边缘特征区域。
6.如权利要求3所述的方法，其特征在于，所述方法还包括：
遍历所述第一位置像素灰度值、所述第二位置像素灰度值直到所述第N位置像素灰度值，进行灰度差值计算，生成多个像素灰度差值；
基于所述多个像素灰度差值，遍历所述多个目标像素坐标进行灰度集中度计算，生成第一位置灰度集中度、第二位置灰度集中度直到第N位置灰度集中度；
基于所述第一位置灰度集中度、所述第二位置灰度集中度直到所述第N位置灰度集中度，进行图像边缘区域划分，获得多个边缘特征区域。
7.如权利要求6所述的方法，其特征在于，所述基于所述多个像素灰度差值，遍历所述多个目标像素坐标进行灰度集中度计算，生成第一位置灰度集中度、第二位置灰度集中度直到第N位置灰度集中度，包括：
将所述多个像素灰度差值，进行均值计算，生成像素灰度差值均值；
提取与所述第一位置像素灰度值的灰度偏差小于所述像素灰度差值均值的像素点数量，设为第一位置灰度集中度；
以此类推，获得所述第二位置灰度集中度直到所述第N位置灰度集中度。
8.一种提高图像检测速度的系统，其特征在于，所述系统包括：
目标图像基本信息提取模块，所述目标图像基本信息提取模块用于接收待检测目标图像，提取目标图像基本信息，获取目标图像类型信息和目标图像用途信息；
基准图像特征确定模块，所述基准图像特征确定模块用于根据所述目标图像类型和所述目标图像用途信息，参照图像特征库，确定基准图像特征；
目标数字图像生成模块，所述目标数字图像生成模块用于对所述待检测目标图像进行数字化处理，生成目标数字图像；
低干扰目标数字图像获取模块，所述低干扰目标数字图像获取模块用于对所述目标数字图像进行滤波降噪，获得低干扰目标数字图像，其中，所述低干扰目标数字图像包括多个目标像素坐标和多个目标像素灰度值；
边缘特征区域获取模块，所述边缘特征区域获取模块用于基于所述多个目标像素坐标和多个目标像素灰度值，进行图像边缘识别，获得多个边缘特征区域；
图像内容识别模块，所述图像内容识别模块用于遍历所述多个边缘特征区域，结合所述基准图像特征，进行图像特征提取，获得目标图像特征，基于所述目标图像特征进行图像内容识别。
CN202311456065.2A 2023-11-02 2023-11-02 一种提高图像检测速度的方法及系统 Pending CN117392404A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311456065.2A CN117392404A (zh) 2023-11-02 2023-11-02 一种提高图像检测速度的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311456065.2A CN117392404A (zh) 2023-11-02 2023-11-02 一种提高图像检测速度的方法及系统

Publications (1)

Publication Number Publication Date
CN117392404A true CN117392404A (zh) 2024-01-12

Family

ID=89468337

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311456065.2A Pending CN117392404A (zh) 2023-11-02 2023-11-02 一种提高图像检测速度的方法及系统

Country Status (1)

Country Link
CN (1) CN117392404A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117576139A (zh) * 2024-01-17 2024-02-20 深圳市致佳仪器设备有限公司 一种基于双边滤波的边缘及角点检测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117576139A (zh) * 2024-01-17 2024-02-20 深圳市致佳仪器设备有限公司 一种基于双边滤波的边缘及角点检测方法及系统
CN117576139B (zh) * 2024-01-17 2024-04-05 深圳市致佳仪器设备有限公司 一种基于双边滤波的边缘及角点检测方法及系统

Similar Documents

Publication Publication Date Title
KR102554724B1 (ko) 이미지 내 객체를 식별하기 위한 방법 및 상기 방법을 실행하기 위한 모바일 디바이스
US11055516B2 (en) Behavior prediction method, behavior prediction system, and non-transitory recording medium
CN109871780B (zh) 一种人脸质量判决方法、系统及人脸识别方法、系统
CN111199230B (zh) 目标检测的方法、装置、电子设备及计算机可读存储介质
CN111444828A (zh) 一种模型训练的方法、目标检测的方法、装置及存储介质
CN110569731A (zh) 一种人脸识别方法、装置及电子设备
CN108805140B (zh) 一种基于lbp的特征快速提取方法及人脸识别系统
CN114937232B (zh) 医废处理人员防护用具穿戴检测方法、系统和设备
CN110929687B (zh) 一种基于关键点检测的多人行为识别系统及工作方法
CN117392404A (zh) 一种提高图像检测速度的方法及系统
CN107918773B (zh) 一种人脸活体检测方法、装置及电子设备
CN109815823B (zh) 数据处理方法及相关产品
CN112287802A (zh) 人脸图像检测方法、系统、存储介质及设备
CN106529441B (zh) 基于模糊边界分片的深度动作图人体行为识别方法
CN111986163A (zh) 人脸图像选择方法和装置
CN108280448B (zh) 指静脉按压图的判别方法及装置、指静脉识别方法
Kim et al. Generalized facial manipulation detection with edge region feature extraction
CN116543419B (zh) 基于嵌入式平台的酒店卫勤人员穿戴检测方法及系统
CN111626212B (zh) 图片中对象的识别方法和装置、存储介质及电子装置
CN115018886B (zh) 运动轨迹识别方法、装置、设备及介质
CN116342968A (zh) 一种双通道人脸识别方法及装置
CN113052815B (zh) 图像清晰度确定方法及装置、存储介质和电子设备
CN115311680A (zh) 人体图像质量检测方法、装置、电子设备及存储介质
CN113435248A (zh) 口罩人脸识别底库增强方法、装置、设备及可读存储介质
CN111382741B (zh) 一种自然场景图片中文本检测方法、系统及设备

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