TW202105241A - 機器人圖像增強方法、處理器、電子設備、電腦可讀儲存介質 - Google Patents

機器人圖像增強方法、處理器、電子設備、電腦可讀儲存介質 Download PDF

Info

Publication number
TW202105241A
TW202105241A TW109122654A TW109122654A TW202105241A TW 202105241 A TW202105241 A TW 202105241A TW 109122654 A TW109122654 A TW 109122654A TW 109122654 A TW109122654 A TW 109122654A TW 202105241 A TW202105241 A TW 202105241A
Authority
TW
Taiwan
Prior art keywords
image
processed
processing
robot
feature data
Prior art date
Application number
TW109122654A
Other languages
English (en)
Other versions
TWI777185B (zh
Inventor
牛臨瀟
李誠
Original Assignee
大陸商上海商湯智能科技有限公司
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 大陸商上海商湯智能科技有限公司 filed Critical 大陸商上海商湯智能科技有限公司
Publication of TW202105241A publication Critical patent/TW202105241A/zh
Application granted granted Critical
Publication of TWI777185B publication Critical patent/TWI777185B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
    • B25J9/1697—Vision controlled systems
    • 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
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/44—Decoders specially adapted therefor, e.g. video decoders which are asymmetric with respect to the encoder
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/85—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Image Analysis (AREA)
  • Manipulator (AREA)
  • Numerical Control (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本申請實施例提供一種機器人圖像增強方法、處理器、電子設備、電腦可讀儲存介質，所述方法包括：通過機器人的攝影頭獲取待處理圖像；對所述待處理圖像進行特徵提取處理，得到第一特徵資料；對所述第一特徵資料進行解碼處理，得到增強後的圖像。

Description

機器人圖像增強方法、處理器、電子設備、電腦可讀儲存介質
本申請實施例關於圖像處理技術領域，關於但不限於一種機器人圖像增強方法、處理器、電子設備、電腦可讀儲存介質。
相關技術中，機器人在自主控制方面的應用越來越廣，基於機器人的攝影頭拍攝的圖像可實現對機器人的自主控制，但在拍攝的圖像的品質較低的情況下，對機器人的控制精度較低，通過更換拍攝效果更好的攝影頭可提高拍攝的圖像的品質。
本申請實施例提供一種機器人圖像增強方法、處理器、電子設備、電腦可讀儲存介質。
本申請實施例提供了一種機器人圖像增強方法，包括：通過機器人的攝影頭獲取待處理圖像；對所述待處理圖像進行特徵提取處理，得到第一特徵資料；對所述第一特徵資料進行解碼處理，得到增強後的圖像。
可以看出，本申請實施例能夠通過機器人的攝影頭獲取待處理圖像，並對待處理圖像進行特徵提取處理，得到第一特徵資料，通過對第一特徵資料進行解碼處理，得到增強後的圖像，可提高攝影頭拍攝的圖像的品質。
在本申請一些實施例中，所述增強後的圖像包括預設路線的路線標識；所述方法還包括：對所述增強後的圖像進行特徵提取處理，得到第二特徵資料；所述第二特徵資料包括所述預設路線的路線標識的特徵；根據所述第二特徵資料和第一映射關係，得到控制資訊；所述第一映射關係為特徵資料與控制資訊之間的映射關係；所述控制資訊包括速度和/或轉向角。
通過這種方式，可根據預設路線的路線標識的特徵與控制資訊之間的映射關係，得到機器人的速度和/或轉向角；進而，能夠依據速度和/或轉向角精確地實現對機器人的控制。
在本申請一些實施例中，所述增強後的圖像包括球；所述方法還包括：根據所述增強後的圖像，得到所述球的運動軌跡；根據所述運動軌跡，得到控制資訊，所述控制資訊包括速度和/或轉向角。
通過這種方式，可根據球的運動軌跡，得到機器人的速度和/或轉向角；進而，能夠依據速度和/或轉向角精確地實現對機器人的控制。
在本申請一些實施例中，所述增強後的圖像包括手、人臉或目標物體中的任意一種；所述方法還包括：對所述增強後的圖像進行以下至少一種識別：人臉識別、手勢識別、目標物識別；根據識別結果，得到控制資訊，所述控制資訊包括速度和/或轉向角。
在一種實施方式中，機器人內部的深度神經網路對增強後的圖像進行手勢、人臉或目標物體的特徵提取，根據提取到的手勢、人臉或目標物體特徵，得到機器人的速度和/或轉向角；進而，能夠依據速度和/或轉向角精確地實現對機器人的控制。
在本申請一些實施例中，所述對所述待處理圖像進行特徵提取處理，得到第一特徵資料，包括：對所述待處理圖像進行卷積處理，得到第三特徵資料；將所述待處理圖像與所述第三特徵資料進行融合處理，得到所述第一特徵資料。
可以看出，機器人通過對待處理圖像進行卷積處理， 得到待處理圖像的特徵資料，將待處理圖像與待處理圖像的特徵資料進行融合處理，可以將圖像的尺寸縮小，減小計算量，提高運算速度。
在本申請一些實施例中，所述對所述第一特徵資料進行解碼處理，得到增強後的圖像，包括：獲取所述待處理圖像的前一幀圖像；對所述前一幀圖像進行卷積處理，得到第四特徵資料；將所述第一特徵資料與所述第四特徵資料進行合併處理，得到第五特徵資料；對所述第五特徵資料進行解碼處理，得到所述增強後的圖像。
可以看出，通過將前一幀的圖像的特徵資料與待處理圖像的特徵資料進行合併，可豐富圖像特徵資訊，更有利於圖像增強，提高增強後的圖像的品質。
在本申請一些實施例中，所述對所述第五特徵資料進行解碼處理，得到所述增強後的圖像，包括：對所述第五特徵資料進行反卷積處理，得到所述增強後的圖像。
通過這種方式，可實現對第五特徵資料的解碼，並得到增強後的圖像；由於得到增強後的圖像的整個過程可在機器人上運行，提高處理速度，並且整個過程均是在獲取到待處理圖像後即時完成的，因此，可進一步提高後續基於增強後的圖像進行相應處理的速度。
在本申請一些實施例中，所述對所述待處理圖像進行特徵提取處理，得到第一特徵資料之前，所述方法還包括：對所述待處理圖像依次進行卷積處理、歸一化處理、線性變換、非線性變換，確定所述待處理圖像中的對象所屬類別；根據所述類別和第二映射關係，確定閾值；所述第二映射關係為類別與解析度閾值之間的映射關係；在所述待處理圖像的解析度小於或等於所述閾值的情況下，執行所述對所述待處理圖像進行特徵提取處理，得到第一特徵資料的步驟。
可以看出，通過待處理圖像中的對象所屬類別，確定對應的解析度閾值，能夠更加針對性的對待處理圖像進行處理，提高處理效率。
本申請實施例提供了一種機器人圖像增強裝置，包括：圖像採集部分，配置為通過機器人的攝影頭獲取待處理圖像；第一特徵提取部分，配置為對所述待處理圖像進行特徵提取處理，得到第一特徵資料；解碼處理部分，配置為對所述第一特徵資料進行解碼處理，得到增強後的圖像。
可以看出，本申請實施例能夠通過機器人的攝影頭獲取待處理圖像，並對待處理圖像進行特徵提取處理，得到第一特徵資料，通過對第一特徵資料進行解碼處理，得到增強後的圖像，可提高攝影頭拍攝的圖像的品質。
在本申請一些實施例中，所述增強後的圖像包括預設路線的路線標識；所述機器人圖像增強裝置還包括：第二特徵提取部分，配置為對所述增強後的圖像進行特徵提取處理，得到第二特徵資料；所述第二特徵資料包括所述預設路線的路線標識的特徵；第一處理部分，配置為根據所述第二特徵資料和第一映射關係，得到控制資訊；所述第一映射關係為特徵資料與控制資訊之間的映射關係；所述控制資訊包括速度和/或轉向角。
通過這種方式，可根據預設路線的路線標識的特徵與控制資訊之間的映射關係，得到機器人的速度和/或轉向角；進而，能夠依據速度和/或轉向角精確地實現對機器人的控制。
在本申請一些實施例中，所述增強後的圖像包括球；所述機器人圖像增強裝置還包括：第二處理部分，配置為根據所述增強後的圖像，得到所述球的運動軌跡；第三處理部分，配置為根據所述運動軌跡，得到控制資訊，所述控制資訊包括速度和/或轉向角。
通過這種方式，可根據球的運動軌跡，得到機器人的速度和/或轉向角；進而，能夠依據速度和/或轉向角精確地實現對機器人的控制。
在本申請一些實施例中，所述增強後的圖像包括手、人臉或目標物體中的任意一種；所述機器人圖像增強裝置還包括：識別部分，配置為對所述增強後的圖像進行以下至少一種識別：人臉識別、手勢識別、目標物識別；第四處理部分，配置為根據識別結果，得到控制資訊，所述控制資訊包括速度和/或轉向角。
在一種實施方式中，機器人內部的深度神經網路對增強後的圖像進行手勢、人臉或目標物體的特徵提取，根據提取到的手勢、人臉或目標物體特徵，得到機器人的速度和/或轉向角；進而，能夠依據速度和/或轉向角精確地實現對機器人的控制。
在本申請一些實施例中，所述第一特徵提取部分包括：第一卷積處理子部分，配置為對所述待處理圖像進行卷積處理，得到第三特徵資料；融合處理子部分，配置為將所述待處理圖像與所述第三特徵資料進行融合處理，得到所述第一特徵資料。
可以看出，機器人通過對待處理圖像進行卷積處理， 得到待處理圖像的特徵資料，將待處理圖像與待處理圖像的特徵資料進行融合處理，可以將圖像的尺寸縮小，減小計算量，提高運算速度。
在本申請一些實施例中，所述解碼處理部分包括：獲取子部分，配置為獲取所述待處理圖像的前一幀圖像；第二卷積處理子部分，配置為對所述前一幀圖像進行卷積處理，得到第四特徵資料；合併處理子部分，配置為將所述第一特徵資料與所述第四特徵資料進行合併處理，得到第五特徵資料；解碼處理子部分，配置為對所述第五特徵資料進行解碼處理，得到所述增強後的圖像。
可以看出，通過將前一幀的圖像的特徵資料與待處理圖像的特徵資料進行合併，可豐富圖像特徵資訊，更有利於圖像增強，提高增強後的圖像的品質。
在本申請一些實施例中，所述解碼處理子部分配置為：對所述第五特徵資料進行反卷積處理，得到所述增強後的圖像。
通過這種方式，可實現對第五特徵資料的解碼，並得到增強後的圖像；由於得到增強後的圖像的整個過程可在機器人上運行，提高處理速度，並且整個過程均是在獲取到待處理圖像後即時完成的，因此，可進一步提高後續基於增強後的圖像進行相應處理的速度。
在本申請一些實施例中，所述機器人圖像增強裝置還包括：第五處理部分，配置為對所述待處理圖像依次進行卷積處理、歸一化處理、線性變換、非線性變換，確定所述待處理圖像中的對象所屬類別；第六處理部分，配置為根據所述類別和第二映射關係，確定閾值；所述第二映射關係為類別與解析度閾值之間的映射關係；所述第一特徵提取部分，還配置為在所述待處理圖像的解析度小於或等於所述閾值的情況下，執行所述對所述待處理圖像進行特徵提取處理，得到第一特徵資料的步驟。
可以看出，通過待處理圖像中的對象所屬類別，確定對應的解析度閾值，能夠更加針對性的對待處理圖像進行處理，提高處理效率。
本申請實施例提供了一種處理器，所述處理器執行上述任意一項所述的機器人圖像增強方法。
本申請實施例提供了一種電子設備，包括：處理器、輸入裝置、輸出裝置和記憶體，所述處理器、輸入裝置、輸出裝置和記憶體相互連接，所述記憶體中儲存有程式指令；所述程式指令被所述處理器執行時，使所述處理器執行上述任意一項所述的機器人圖像增強方法。
本申請實施例提供了一種電腦可讀儲存介質，所述電腦可讀儲存介質中儲存有電腦程式，所述電腦程式包括程式指令，所述程式指令當被電子設備的處理器執行時，使所述處理器執行上述任意一項所述的機器人圖像增強方法。
本申請實施例還提供了一種電腦程式，包括電腦可讀代碼，當所述電腦可讀代碼在電子設備中運行時，所述電子設備中的處理器執行用於實現上述任意一種機器人圖像增強方法。
本申請實施例提出一種機器人圖像增強方法及裝置、處理器、電子設備、電腦可讀儲存介質和電腦程式；能夠通過機器人的攝影頭獲取待處理圖像，並對待處理圖像進行特徵提取處理，得到第一特徵資料，通過對第一特徵資料進行解碼處理，得到增強後的圖像，可提高攝影頭拍攝的圖像的品質。
應當理解的是，以上的一般描述和後文的細節描述僅是示例性和解釋性的，而非限制本申請實施例。
為了使本技術領域的人員更好地理解本申請方案，下面將結合本申請實施例中的附圖，對本申請實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本申請一部分實施例，而不是全部的實施例。基於本申請中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬於本申請保護的範圍。
本申請的說明書和申請專利範圍及上述附圖中的術語的說明書和申請專利範圍及用於區別不同對象，而不是用於描述特定順序。此外，術語“包括”和“具有”以及它們任何變形，意圖在於覆蓋不排他的包含。例如包含了一系列步驟或部分的過程、方法、系統、產品或設備沒有限定於已列出的步驟或部分，而是在本申請的一些實施例中還包括沒有列出的步驟或部分，或在本申請的一些實施例中還包括對於這些過程、方法、產品或設備固有的其他步驟或部分。
在本文中提及“實施例”意味著，結合實施例描述的特定特徵、結構或特性可以包含在本申請的至少一個實施例中。在說明書中的各個位置出現該短語並不一定均是指相同的實施例，也不是與其它實施例互斥的獨立的或備選的實施例。本領域技術人員顯式地和隱式地理解的是，本文所描述的實施例可以與其它實施例相結合。
下面結合本申請實施例中的附圖對本申請實施例進行描述。
請參閱圖1，圖1是本申請實施例提供的一種機器人圖像增強方法的流程示意圖，所述機器人圖像增強方法包括如下。
步驟101、通過機器人的攝影頭獲取待處理圖像。
在本申請的一些實施例中，機器人為可進行自主控制的機器，上述自主控制可以包括以下至少一項：人物跟蹤、循跡行走、自主避障行走等。本申請實施例對機器人的形狀不做限定，可以是智慧小車，也可以是人形機器人。
機器人上裝載有攝影頭，機器人通過攝影頭可對機器人周圍的環境進行即時拍攝，其中，拍攝的方式可以為拍攝視頻，也可以為拍攝圖像，本申請實施例對此不做限定。
在本申請的一些實施例中，待處理圖像可以是通過攝影頭拍攝得到的圖像，也可以是從拍攝的視頻中截取的圖像，本申請實施例對此不做限定。
在本申請的一些實施例中，圖像尺寸可以為預定大小，例如：後續處理對圖像的尺寸要求為256*256*3，則可將待處理圖像的尺寸調整為256*256*3，調整方式可以是對待處理圖像進行縮放，也可以是對待處理圖進行裁剪，還可以是對待處理圖像中進行特徵提取，截取包含後續處理所需對象的圖像區域得到預定大小的圖像，本申請實施例對調整待處理圖像的方式不做限定。
步驟102、對待處理圖像進行特徵提取處理，得到第一特徵資料。
在本申請的一些實施例中，第一特徵資料可以包括待處理圖像中的對象（包括目標人物或目標物體）的特徵資料，以及待處理圖像中的背景（除目標人物或目標物體之外的圖像內容）的特徵資料。
對待處理圖像進行特徵提取處理，得到待處理圖像的特徵資料。其中，特徵提取處理可以為卷積處理。在本申請的一些實施例中，對於待處理圖像中的任意一個像素點，使卷積範本的中心點和該像素點重合，卷積範本上的點與待處理圖像上對應的像素點相乘，最後再將每個像素點的乘積相加，得到該像素點的卷積值，通過對待處理圖像中每個像素點進行上述卷積處理，將待處理圖像縮小，並提取出第一特徵資料。
在本申請的一些實施例中，上述特徵提取處理可以由機器人執行。
步驟103、對第一特徵資料進行解碼處理，得到增強後的圖像。
在本申請的一些實施例中，增強後的圖像相較於待處理圖像，圖像內容不變，但圖像品質（包括圖像解析度、解析度、清晰度等）更好。
通過對第一特徵資料進行解碼處理，可得到增強後的圖像，解碼處理可以為以下任意一種：反卷積處理、雙線性插值處理、反池化處理。在本申請的一些實施例中，運行於機器人上的圖像增強網路包括卷積層（用於對待處理圖像進行特徵提取處理，得到第一特徵資料），以及反卷積層（用於對第一特徵資料進行解碼處理）。其中，圖像增強網路為預先訓練好的，通過訓練使圖像增強網路學習到特徵資料與增強後的圖像的映射關係，因此，可通過圖像增強網路對第一特徵資料進行解碼處理，得到增強後的圖像。
本申請實施例通過對待處理圖像進行特徵提取處理，得到第一特徵資料，再通過訓練學習到的特徵資料與增強後的圖像的映射關係對第一特徵資料進行解碼，得到增強後的圖像，可提高攝影頭拍攝的圖像的品質。
機器人通過對攝影頭採集到的圖像進行處理，可實現包括：人物跟蹤、循跡行走、自主避障行走等至少一種控制，但攝影頭採集的圖像的品質將極大的影響控制效果，低品質圖像（如：圖像雜訊多、圖像解析度低、圖像清晰度低等）甚至無法實現上述控制。因此，本申請實施例提供機器人圖像增強方法，用於對低品質圖像進行增強處理，以提高圖像品質。
在本申請的一些實施例中，所述機器人圖像增強方法可以由機器人圖像增強裝置執行，機器人圖像增強裝置可以是使用者設備（User Equipment，UE）、移動設備、使用者終端、終端、蜂窩電話、無線電話、個人數位助理（Personal Digital Assistant，PDA）、手持設備、計算設備、車載設備、可穿戴設備等，所述方法可以通過處理器調用記憶體中儲存的電腦可讀指令的方式來實現。或者，可通過伺服器執行該方法。
下面結合一個應用場景對本申請進行進一步說明。
本申請實施例的機器人圖像增強方法，能夠應用於進行自主控制的機器等應用場景中；圖2為本申請實施例的一個應用場景的示意圖，如圖2所示，機器人200頭頂上的攝影頭20c為上述機器人的攝影頭，人臉圖像201為上述待處理圖像，可以通過機器人200的攝影頭20c獲取人臉圖像201，在機器人圖像增強裝置202中，通過前述實施例記載的機器人圖像增強方法進行處理，可以得到增強後的人臉圖像；其中，增強後的人臉圖像相比於原始人臉圖像具有更好的圖像品質；得到增強後的人臉圖像後，能夠更加精確地實現對機器人的控制，例如，人物跟蹤、循跡行走、自主避障行走等。需要說明的是，圖2所示的場景僅僅是本申請實施例的一個示例性場景，本申請對具體的應用場景不作限制。
請參閱圖3，圖3是本申請實施例提供的另一種機器人圖像增強方法的流程示意圖，所述機器人圖像增強方法包括如下。
步驟301、通過機器人的攝影頭獲取待處理圖像。
具體可參見步驟101，此處將不再贅述。
步驟302、對待處理圖像進行卷積處理，得到第一特徵資料。
在本申請的一些實施例中，在對待處理圖像進行卷積處理之前，可根據待處理圖像的品質判斷是否需要對待處理圖像進行卷積處理。在一種實施方式中，可以對待處理圖像依次進行卷積處理、歸一化處理、線性變換、非線性變換，確定待處理圖像中的對象所屬類別，根據類別和第二映射關係，確定閾值，其中，第二映射關係為類別與解析度閾值之間的映射關係。在待處理圖像的圖像解析度小於或等於解析度閾值的情況下，對待處理圖像進行卷積處理。舉例來說，第二映射關係可以為預先設定的，可參見表1。 表1、類別與解析度閾值之間的映射關係表
類別 解析度閾值
人臉 150PPI
手 100PPI
球 50PPI
其中，若後續處理需要識別人臉，則需要更多特徵，對圖像品質要求較高，因此，解析度閾值較高；若後續處理需要識別球，則需要的特徵較少，對圖像品質要求較低，因此解析度閾值較低。對待處理圖像依次進行卷積處理、歸一化處理、線性變換、非線性變換，確定待處理圖像中的對象為人臉。通過獲取圖像解析度的演算法確定待處理圖像的解析度為102PPI（Pixels Per Inch），由於待處理圖像的解析度小於解析度閾值，因此，需要對待處理圖像進行卷積處理，這裡，獲取圖像解析度的演算法可以是雙重循環法，也可以是連續掃描法，本申請實施例對此不做限定。
第二映射關係可以為預先設定的，而第二映射關係中的解析度閾值可替換為像素閾值，即以待處理圖像的像素為依據，判斷待處理圖像是否需要進行卷積處理。第二映射關係中的解析度閾值還可替換為清晰度閾值，即以待處理圖像的清晰度為依據，判斷待處理圖像是否需要進行卷積處理，本申請實施例對此不做限定。
在本申請的一些實施例中，圖像增強網路可以是預先訓練得到的，在本申請的一些實施例中，訓練所用的圖像集均為與機器人上裝載的攝影頭同一型號的攝影頭採集得到，可以包括：低品質圖像，以及與低品質圖像對應的高品質圖像。其中，高品質圖像可通過對低品質圖像進行圖像增強處理獲得，該圖像增強處理可以包括以下一種或多種：對低品質圖像進行去模糊處理、對低品質圖像進行超解析度處理、對低品質圖像進行補光處理，該圖像增強處理可以通過機器人之外的其他設備（如電腦）完成，對每一張低品質圖像進行該圖像增強處理均可獲得一張對應的高品質圖像。通過將低品質圖像與高品質圖像作為訓練集對圖像增強網路進行訓練，可使圖像增強網路學習到低品質圖像的特徵與高品質圖像的特徵之間的映射關係。通過以特定型號（與機器人上裝載的攝影頭同一型號）採集的圖像為訓練集對圖像增強網路進行訓練，可使訓練後的圖像增強網路更適配於該型號的攝影頭，對應於不同型號的攝影頭，可通過重新訓練，提高圖像增強的效果。
在本申請的一些實施例中，通過與機器人上裝載的攝影頭同一型號採集的圖像為訓練集對圖像增強網路進行訓練，可以得到最佳的圖像增強效果，而在其它解析度近似的其他攝影頭上也有很好的圖像增強效果。
在本申請的一些實施例中，在通過機器人的攝影頭獲取待處理圖像後，可以根據使用者需求確定是否對待處理圖像進行圖像增強處理，可以將未進行圖像增強的資料和進行圖像增強的資料進行儲存，用來進行後續處理。
神經網路的深度越深，訓練起來的難度就越大，優化神經網路的難度也就越大，如果不能很好的通過訓練學習到合適的權重，深的神經網路的效果反而不如相對較淺的網路，而通過在神經網路中加入殘差塊可解決上述訓練難度大和優化難度大的問題，並提升神經網路的效率。因此，圖像增強網路中包含有一個或多個殘差塊，其中，殘差塊中可以是多層卷積層，也可以是多層全連接層，對此，本申請實施例不做具體限定。
在本申請的一些實施例中，圖像增強網路可以包含1個殘差塊，殘差塊包含2層卷積層，且這2層卷積層之間串聯，即上一層卷積層的輸出為下一層卷積層的輸入，這2卷積層依次對待處理圖像進行卷積處理，得到第三特徵資料，再將待處理圖像與第三特徵資料進行融合處理，得到第一特徵資料。在本申請的一些實施例中，上述融合處理可以為特徵資料相加。
在一種實施方式中，圖像增強網路可以包含34個殘差塊，每個殘差塊包含2層卷積層，所有卷積層之間串聯，即上一層卷積層的輸出為下一層卷積層的輸入，且對每個殘差塊的輸入和輸出進行融合處理，並將融合處理後的特徵資料作為下一個殘差塊的輸入。如：待處理圖像經過第一個殘差塊的處理，得到第六特徵資料，將待處理圖像與第六特徵資料進行融合處理，得到第七特徵資料，第二個殘差塊再對第七特徵資料進行處理，得到第八特徵資料，對第七特徵資料與第八特徵資料進行融合處理，得到第九特徵資料，第三個殘差塊再對第九特徵資料進行處理，以此類推，直到第34個殘差塊輸出第三特徵資料。
本申請實施例中，待處理圖像可以為向量，上述所有特徵資料也可以為向量，因此，待處理圖像與特徵資料的融合即為向量的融合。
步驟303、獲取待處理圖像的前一幀圖像。
在本申請的一些實施例中，當待處理圖像為攝影頭拍攝的圖像時，攝影頭在拍攝待處理圖像之前拍攝得到的圖像即為待處理圖像的前一幀圖像。當待處理圖像為視頻中截取的圖像時，待處理圖像的前一幀圖像即為待處理圖像在視頻中的前一幀圖像。
步驟304、對前一幀圖像進行特徵提取處理，得到第四特徵資料。
機器人通過圖像增強網路中的卷積層對前一幀圖像進行特徵提取處理，以從前一幀圖像中提取出第四特徵資料。在一種實施方式中，圖像增強網路可以包括多層卷積層，通過圖像增強網路對前一幀圖像逐層進行卷積處理完成對前一幀圖像的特徵提取處理。其中，每個卷積層提取出的特徵內容及語義資訊均不一樣，可以表現為，特徵提取處理一步步地將圖像的特徵抽象出來，同時也將逐步去除相對次要的特徵，因此，越到後面提取出的特徵尺寸越小，內容及語義資訊就越濃縮。通過多層卷積層逐級對前一幀圖像進行卷積處理，並提取相應的特徵，最終得到固定大小的特徵資料。這樣可在獲得前一幀圖像主要內容資訊（即前一幀圖像的特徵資料）的同時，將圖像尺寸縮小，減小系統的計算量，提高運算速度。在一種實施方式中，通過增強網路中的殘差塊對前一幀圖像進行特徵提取處理，得到第四特徵資料，殘差塊對前一幀圖像的處理過程可參見步驟302，此處將不再贅述。
步驟305、將第一特徵資料與第四特徵資料進行合併處理，得到第五特徵資料。
在本申請的一些實施例中，合併處理可以理解為特徵向量的擴充。例如：假設第一特徵資料和第四特徵資料中分別包含7個特徵向量，將第一特徵資料與第四特徵資料進行合併處理，得到的第五特徵資料包含14個特徵向量，且不對向量中的元素做任何處理。
通過將前一幀的圖像的特徵資料與待處理圖像的特徵資料進行合併，可豐富圖像特徵資訊，更有利於圖像增強，提高增強後的圖像的品質。
步驟306、對第五特徵資料進行反卷積處理，得到增強後的圖像。
卷積層的前向傳播過程相當於反卷積層的反向傳播過程，卷積層的反向傳播過程相當於反卷積層的前向傳播過程，因此可通過對上述第五特徵資料進行反卷積處理，可實現對第五特徵資料的解碼，並得到增強後的圖像。這裡，反卷積層的數量與步驟302中卷積層的數量一致。
在本申請的一些實施例中，由於機器人的硬體設定有限，因此，可通過對適用於硬體設定較高的平臺（如電腦）的神經網路進行壓縮得到圖像增強網路，壓縮方式可以是知識蒸餾、神經網路剪枝、神經網路量化等等，這樣，圖像增強網路可在機器人上運行，並提高整個本實施例的處理速度。在本申請的一些實施例中，獲取訓練資料和第一神經網路；以所述訓練資料對所述第一神經網路進行訓練，得到第二神經網路；對所述第二神經網路進行剪枝處理，得到第三神經網路；以所述訓練資料對所述第三神經網路進行訓練，得到圖像增強網路。其中，訓練資料包括圖像品質低的圖像和與圖像品質低的圖像對應的圖像品質高的圖像，第一神經網路為壓縮前的神經網路（即適用於硬體設定較高的平臺的神經網路）。
應用本實施例，機器人可通過圖像增強網路提高待處理圖像的品質，如：降低圖像的雜訊、提高圖像解析度、提升圖像的清晰度（如因機器人的移動導致拍攝對象不清晰）等等，整個過程均是在獲取到待處理圖像後即時完成的，因此，可提高後續基於增強後的圖像進行相應處理的速度。
出於攝影頭成本和資料傳輸成本的考慮，在一些情況下機器人搭載攝影頭的解析度往往不高。在本申請的一些實施例中，可以利用圖像增強網路對低碼率視頻圖像或拍攝品質差的圖像進行增強，可以對光線較暗的畫面中產生的噪點進行消除，另外還可以解決因機器人移動而導致拍攝模糊的問題。
本申請實施例提供了一種應用於機器人上的圖像增強網路，通過圖像增強網路對低品質圖像進行卷積處理，提取出圖像的特徵資料，並根據預先訓練學習到的低品質圖像的特徵與高品質圖像的特徵之間的映射關係，對低品質圖像的特徵資料進行反卷積處理，得到增強後的圖像，整個過程通過圖像增強網路自主、快速實現，無需通過更換攝影頭等硬體設定來提高採集到的待處理圖像的品質，可降低成本。
在本申請的一些實施例中，圖像增強網路可以利用cycleGAN模型，將低品質圖像轉換為與低品質圖像對應的高品質圖像，提高圖像品質；該圖像增強網路可位於機器人終端設備中，能夠增強機器人攝影頭的拍攝效果；此外，由於圖像增強網路可以及時進行反覆運算更新，進而，可以提高演算法的速度和性能。
可以看出，本申請實施例利用深度學習框架進行攝影頭拍攝效果的增強，能夠從運算速度和效果兩方面對待處理圖像的品質進行提升，進一步的，可以根據使用者的不同需求有即時處理和後處理兩種方式可選，保證運算速度的同時得到最佳的品質。
基於增強後的圖像可對機器人進行後續處理，如：人物跟蹤、循跡行走、自主避障行走。此外，若將本申請實施例應用於教育機器人，還可對機器人的整個行動過程進行儲存，以便複盤。以下實施例為本申請提供的一些實施方式。
通過機器人內部的深度神經網路（與圖像增強網路不同）基於增強後的圖像進行進一步的控制，提高機器人的控制精度。在本申請的一些實施例中，深度神經網路對增強後的圖像進行人臉特徵提取，根據人臉特徵提取的結果，判斷機器人前方是否有人，如若有人，可以通過機器人內部的語音系統發出如“您好，歡迎光臨”之類的問候語。
在本申請的一些實施例中，機器人可作為足球比賽中的守門員，根據增強後的圖像，得到球的運動軌跡，並根據球的運動軌跡預得到控制資訊。在本申請的一些實施例中，對機器人拍攝的視頻中的每一幀圖像進行圖像增強，得到多幀增強後的圖像，對每一幀增強後的圖像進行特徵提取處理，確定每一幀增強後的圖像中球的位置。再根據每一幀增強後的圖像中球位置，確定球的位置的變化，最終確定球的運動軌跡，並預測球的運動速度，根據球的預測速度和/或球的位置，得到控制資訊，控制機器人做出撲救等動作。在一種實施方式中，對機器人拍攝的視頻中的每一幀圖像進行圖像增強，得到多幀增強後的圖像，根據每一幀增強後的圖像中的灰度值的變化確定球的位置，再根據每一幀增強後的圖像中球位置，確定球的位置的變化，最終確定球的運動軌跡，並預測球的運動速度，根據球的預測速度和/或球的位置，得到控制資訊，控制機器人做出撲救等動作。
在一種實施方式中，深度神經網路對增強後的圖像進行手勢特徵提取，所述手勢包括以下至少一種：停止手勢、左轉彎手勢、右轉彎手勢、調頭手勢。根據提取到的手勢特徵，判斷手勢的意義，並根據手勢的意義對機器人進行下一步控制，如：急停、左轉彎、右轉彎、調頭，在本申請的一些實施例中，根據識別結果，得到第一控制資訊，所述第一控制資訊包括速度和/或轉向角，然後根據速度和/或轉向角控制機器人運動。
在本申請的一些實施例中，深度神經網路對增強後的圖像進行目標物特徵提取，根據提取到的目標物特徵，判斷目標物所處的位置，並控制機器人完成相應的任務，如：機器人在增強後的圖像中提取出垃圾桶的相關特徵，判定拍攝的圖像中包含目標物：垃圾桶，根據機器人當前位置與垃圾桶之間的距離和/或智慧型機器人與垃圾桶之間的夾角，調整機器人行駛的速度即轉向角，使機器人達到垃圾桶前，並將垃圾倒入垃圾桶。
在本申請的一些實施例中，對於用於教學的循跡機器人而言，機器人的行走路線及路線周圍的環境都是確定的，通過對路線和路線周圍的環境進行圖像採集，並將採集到的圖像作為訓練集，以期望的轉向角和/或速度對深度神經網路得到的轉向角和/或速度進行監督對深度神經網路進行訓練，確定深度神經網路的參數，使深度神經網路在預設路線中的每個位置與第二控制資訊之間建立第二映射關係，其中，第二控制資訊包括：速度和/或轉向角。將完成訓練的機器人用於同一個環境（指採集用於訓練的圖像的環境）下進行自主循跡行走時，深度神經網路對即時拍攝到的圖像進行特徵提取，得到特徵圖像，並根據特徵圖像確定智慧型機器人此時所處的位置，並根據得到的位置與第三映射關係得到機器人的速度和/或轉向角，依據速度和/或轉向角完成對機器人的控制。
在本申請的一些實施例中，機器人還可將上述任意一種實現方式中的視頻或圖像進行儲存，如：做守門員的機器人可將正常比賽（小朋友的足球比賽）的視頻儲存下來，後續可通過其他處理平臺（如：電腦）對視頻進行進一步增強處理，以提高視頻的品質。
應用本實施例，基於增強後的圖像對機器人進行後續控制。由於圖像增強網路對待處理圖像的圖像增強處理的速度快，且增強後的圖像品質高，因此，可基於增強後的圖像實現一些回應速度快的控制，如：人物跟蹤、目標物跟蹤、手勢識別等。
本領域技術人員可以理解，在具體實施方式的上述方法中，各步驟的撰寫順序並不意味著嚴格的執行順序而對實施過程構成任何限定，各步驟的具體執行順序應當以其功能和可能的內在邏輯確定。
可以理解，本申請提及的上述各個方法實施例，在不違背原理邏輯的情況下，均可以彼此相互結合形成結合後的實施例。
此外，本申請實施例還提供了機器人圖像增強裝置、處理器、電子設備、電腦可讀儲存介質和電腦程式，上述均可用來實現本申請實施例提供的任一種機器人圖像增強方法，相應技術方案和描述和參見方法部分的相應記載，不再贅述。
上述詳細闡述了本申請實施例的方法，下面提供了本申請實施例的裝置。
請參閱圖4，圖4為本申請實施例提供的一種機器人圖像增強裝置的結構示意圖，該機器人圖像增強裝置1包括：圖像採集部分11、第一特徵提取部分12、解碼處理部分13、第二特徵提取部分14、第一處理部分15、第二處理部分16、第三處理部分17、識別部分18、第四處理部分19、第五處理部分20以及第六處理部分21。其中： 圖像採集部分11，配置為通過機器人的攝影頭獲取待處理圖像； 第一特徵提取部分12，配置為對所述待處理圖像進行特徵提取處理，得到第一特徵資料； 解碼處理部分13，配置為對所述第一特徵資料進行解碼處理，得到增強後的圖像； 第二特徵提取部分14，配置為對所述增強後的圖像進行特徵提取處理，得到第二特徵資料；所述第二特徵資料包括所述預設路線的路線標識的特徵； 第一處理部分15，配置為根據所述第二特徵資料和第一映射關係，得到控制資訊；所述第一映射關係為特徵資料與控制資訊之間的映射關係；所述控制資訊包括速度和/或轉向角； 第二處理部分16，配置為根據所述增強後的圖像，得到所述球的運動軌跡； 第三處理部分17，配置為根據所述運動軌跡，得到控制資訊，所述控制資訊包括速度和/或轉向角； 識別部分18，配置為對所述增強後的圖像進行以下至少一種識別：人臉識別、手勢識別、目標物識別； 第四處理部分19，配置為根據識別結果，得到控制資訊，所述控制資訊包括速度和/或轉向角； 第五處理部分20，配置為對所述待處理圖像依次進行卷積處理、歸一化處理、線性變換、非線性變換，確定所述待處理圖像中的對象所屬類別； 第六處理部分21，配置為根據所述類別和第二映射關係，確定閾值；所述第二映射關係為類別與解析度閾值之間的映射關係； 所述第一特徵提取部分12，還配置為在所述待處理圖像的解析度小於或等於所述閾值的情況下，執行所述對所述待處理圖像進行特徵提取處理，得到第一特徵資料的步驟。
進一步地，所述第一特徵提取部分12包括：第一卷積處理子部分121，配置為對所述待處理圖像進行卷積處理，得到第三特徵資料；融合處理子部分122，配置為將所述待處理圖像與所述第三特徵資料進行融合處理，得到所述第一特徵資料。
進一步地，所述解碼處理部分13包括：獲取子部分131，配置為獲取所述待處理圖像的前一幀圖像；第二卷積處理子部分132，配置為對所述前一幀圖像進行卷積處理，得到第四特徵資料；合併處理子部分133，配置為將所述第一特徵資料與所述第四特徵資料進行合併處理，得到第五特徵資料；解碼處理子部分134，配置為對所述第五特徵資料進行解碼處理，得到所述增強後的圖像。
進一步地，所述解碼處理子部分134，配置為：對所述第五特徵資料進行反卷積處理，得到所述增強後的圖像。
在一些實施例中，本申請實施例提供的裝置具有的功能或包含的模組可以配置為執行上文方法實施例描述的方法，其具體實現可以參照上文方法實施例的描述，為了簡潔，這裡不再贅述。
本申請實施例還提出一種電腦可讀儲存介質，其上儲存有電腦程式指令，所述電腦程式指令被處理器執行時實現上述方法。電腦可讀儲存介質可以是非易失性電腦可讀儲存介質。
圖5為本申請實施例提供的一種機器人圖像增強的硬體結構示意圖。該圖像增強裝置5包括處理器51，還可以包括輸入裝置52、輸出裝置53和記憶體54。該輸入裝置52、輸出裝置53、記憶體54和處理器51之間通過匯流排相互連接。
記憶體54包括但不限於是隨機儲存記憶體（Random Access Memory，RAM）、唯讀記憶體（Read-Only Memory，ROM）、可擦除可程式設計唯讀記憶體（Erasable Programmable Read Only Memory，EPROM）、或可擕式唯讀記憶體（Compact Disc Read-Only Memory，CD-ROM），該記憶體54配置為相關指令及資料。
輸入裝置52配置為輸入資料和/或信號，以及輸出裝置53配置為輸出資料和/或信號。輸出裝置53和輸入裝置52可以是獨立的器件，也可以是一個整體的器件。
處理器51可以包括是一個或多個處理器，例如包括一個或多個中央處理器（Central Processing Unit，CPU），在處理器是一個CPU的情況下，該CPU可以是單核CPU，也可以是多核CPU，對此，本申請實施例不做具體限定。
記憶體54配置為儲存網路設備的程式碼和資料。
處理器51配置為調用該記憶體中的程式碼和資料，執行上述方法實施例中的步驟。具體可參見方法實施例中的描述，在此不再贅述。
圖5僅僅示出了一種機器人圖像增強裝置的簡化設計。在實際應用中，機器人圖像增強裝置還可以分別包含必要的其他元件，包含但不限於任意數量的輸入/輸出裝置、處理器、控制器、記憶體等，而所有可以實現本申請實施例的機器人圖像增強裝置都在本申請的保護範圍之內。
本領域普通技術人員可以意識到，結合本文中所公開的實施例描述的各示例的部分及演算法步驟，能夠以電子硬體、或者電腦軟體和電子硬體的結合來實現。這些功能究竟以硬體還是軟體方式來執行，取決於技術方案的特定應用和設計約束條件。專業技術人員可以對每個特定的應用來使用不同方法來實現所描述的功能，但是這種實現不應認為超出本申請的範圍。
所屬領域的技術人員可以清楚地瞭解到，為描述的方便和簡潔，上述描述的系統、裝置和部分的具體工作過程，可以參考前述方法實施例中的對應過程，在此不再贅述。所屬領域的技術人員還可以清楚地瞭解到，本申請各個實施例描述各有側重，為描述的方便和簡潔，相同或類似的部分在不同實施例中可能沒有贅述，因此，在某一實施例未描述或未詳細描述的部分可以參見其他實施例的記載。
在本申請所提供的幾個實施例中，應該理解到，所揭露的系統、裝置和方法，可以通過其它的方式實現。例如，以上所描述的裝置實施例僅僅是示意性的，例如，所述部分的劃分，僅僅為一種邏輯功能劃分，實際實現時可以有另外的劃分方式，例如多個部分或元件可以結合或者可以集成到另一個系統，或一些特徵可以忽略，或不執行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些介面，裝置或部分的間接耦合或通信連接，可以是電性，機械或其它的形式。
所述作為分離部件說明的部分可以是或者也可以不是物理上分開的，作為部分顯示的部件可以是或者也可以不是物理部分，即可以位於一個地方，或者也可以分佈到多個網路部分上。可以根據實際的需要選擇其中的部分或者全部部分來實現本實施例方案的目的。
另外，在本申請各個實施例中的各功能部分可以集成在一個處理部分中，也可以是各個部分單獨物理存在，也可以兩個或兩個以上部分集成在一個部分中。
在上述實施例中，可以全部或部分地通過軟體、硬體、固件或者其任意組合來實現。當使用軟體實現時，可以全部或部分地以電腦程式產品的形式實現。所述電腦程式產品包括一個或多個電腦指令。在電腦上載入和執行所述電腦程式指令時，全部或部分地產生按照本申請實施例所述的流程或功能。所述電腦可以是通用電腦、專用電腦、電腦網路、或者其他可程式設計裝置。所述電腦指令可以儲存在電腦可讀儲存介質中，或者通過所述電腦可讀儲存介質進行傳輸。所述電腦指令可以從一個網站網站、電腦、伺服器或資料中心通過有線（例如同軸電纜、光纖、數位用戶線路（Digital Subscriber Line，DSL））或無線（例如紅外、無線、微波等）方式向另一個網站網站、電腦、伺服器或資料中心進行傳輸。所述電腦可讀儲存介質可以是電腦能夠存取的任何可用介質或者是包含一個或多個可用介質集成的伺服器、資料中心等資料存放裝置。所述可用介質可以是磁性介質，(例如，軟碟、硬碟、磁帶)、光介質(例如，數位通用光碟（Digital Versatile Disc，DVD）)、或者半導體介質（例如固態硬碟（Solid State Disk ，SSD））等。
本領域普通技術人員可以理解實現上述實施例方法中的全部或部分流程，該流程可以由電腦程式來指令相關的硬體完成，該程式可儲存於電腦可讀取儲存介質中，該程式在執行時，可包括如上述各方法實施例的流程。而前述的儲存介質包括：ROM或RAM、磁碟或者光碟等各種可儲存程式碼的介質。
工業實用性 本申請實施例提供一種機器人圖像增強方法及裝置、處理器、電子設備和電腦可讀儲存介質，所述方法包括：通過機器人的攝影頭獲取待處理圖像；對所述待處理圖像進行特徵提取處理，得到第一特徵資料；對所述第一特徵資料進行解碼處理，得到增強後的圖像。本申請實施例可提高攝影頭拍攝的圖像的品質。
101:步驟 102:步驟 103:步驟 20c:攝影頭 200:機器人 201:人臉圖像 202:機器人圖像增強裝置 301:步驟 302:步驟 303:步驟 304:步驟 305:步驟 306:步驟 1:機器人圖像增強裝置 11:圖像採集部分 12:第一特徵提取部分 121:第一卷積處理子部分 122:融合處理子部分 13:解碼處理部分 131:獲取子部分 132:第二卷積處理子部分 133:合併處理子部分 134:解碼處理子部分 14:第二特徵提取部分 15:第一處理部分 16:第二處理部分 17:第三處理部分 18:識別部分 19:第四處理部分 20:第五處理部分 21:第六處理部分 5:圖像增強裝置 51:處理器 52:輸入裝置 53:輸出裝置 54:記憶體
為了更清楚地說明本申請實施例或背景技術中的技術方案，下面將對本申請實施例或背景技術中所需要使用的附圖進行說明。 此處的附圖被併入說明書中並構成本說明書的一部分，這些附圖示出了符合本申請的實施例，並與說明書一起用於說明本申請實施例的技術方案。 圖1為本申請實施例提供的一種機器人圖像增強方法的流程示意圖； 圖2為本申請實施例的一個應用場景的示意圖； 圖3為本申請實施例提供的另一種機器人圖像增強方法的流程示意圖； 圖4為本申請實施例提供的一種機器人圖像增強裝置的結構示意圖； 圖5為本申請實施例提供的一種機器人圖像增強裝置的硬體結構示意圖。
101:步驟
102:步驟
103:步驟

Claims (11)

  1. 一種機器人圖像增強方法，包括： 通過機器人的攝影頭獲取待處理圖像； 對所述待處理圖像進行特徵提取處理，得到第一特徵資料； 對所述第一特徵資料進行解碼處理，得到增強後的圖像。
  2. 根據請求項1所述的方法，其中，所述增強後的圖像包括預設路線的路線標識；所述方法還包括： 對所述增強後的圖像進行特徵提取處理，得到第二特徵資料；所述第二特徵資料包括所述預設路線的路線標識的特徵； 根據所述第二特徵資料和第一映射關係，得到控制資訊；所述第一映射關係為特徵資料與控制資訊之間的映射關係；所述控制資訊包括速度和/或轉向角。
  3. 根據請求項1所述的方法，其中，所述增強後的圖像包括球；所述方法還包括： 根據所述增強後的圖像，得到所述球的運動軌跡； 根據所述運動軌跡，得到控制資訊，所述控制資訊包括速度和/或轉向角。
  4. 根據請求項1至3中任意一項所述的方法，其中，所述增強後的圖像包括手、人臉或目標物體中的任意一種；所述方法還包括： 對所述增強後的圖像進行以下至少一種識別：人臉識別、手勢識別、目標物識別； 根據識別結果，得到控制資訊，所述控制資訊包括速度和/或轉向角。
  5. 根據請求項1至3中任意一項所述的方法，其中，所述對所述待處理圖像進行特徵提取處理，得到第一特徵資料，包括： 對所述待處理圖像進行卷積處理，得到第三特徵資料； 將所述待處理圖像與所述第三特徵資料進行融合處理，得到所述第一特徵資料。
  6. 根據請求項1至3任意一項所述的方法，其中，所述對所述第一特徵資料進行解碼處理，得到增強後的圖像，包括： 獲取所述待處理圖像的前一幀圖像； 對所述前一幀圖像進行卷積處理，得到第四特徵資料； 將所述第一特徵資料與所述第四特徵資料進行合併處理，得到第五特徵資料； 對所述第五特徵資料進行解碼處理，得到所述增強後的圖像。
  7. 根據請求項6所述的方法，其中，所述對所述第五特徵資料進行解碼處理，得到所述增強後的圖像，包括： 對所述第五特徵資料進行反卷積處理，得到所述增強後的圖像。
  8. 根據請求項1至3任意一項所述的方法，其中，所述對所述待處理圖像進行特徵提取處理，得到第一特徵資料之前，所述方法還包括： 對所述待處理圖像依次進行卷積處理、歸一化處理、線性變換、非線性變換，確定所述待處理圖像中的對象所屬類別； 根據所述類別和第二映射關係，確定閾值；所述第二映射關係為類別與解析度閾值之間的映射關係； 在所述待處理圖像的解析度小於或等於所述閾值的情況下，執行所述對所述待處理圖像進行特徵提取處理，得到第一特徵資料的步驟。
  9. 一種處理器，所述處理器配置為執行如請求項1至8任意一項所述的方法。
  10. 一種電子設備，包括：處理器、輸入裝置、輸出裝置和記憶體，所述處理器、輸入裝置、輸出裝置和記憶體相互連接，所述記憶體中儲存有程式指令；所述程式指令被所述處理器執行時，使所述處理器執行如請求項1至8任意一項所述的方法。
  11. 一種電腦可讀儲存介質，所述電腦可讀儲存介質中儲存有電腦程式，所述電腦程式包括程式指令，所述程式指令當被電子設備的處理器執行時，使所述處理器執行請求項1至8任意一項所述的方法。
TW109122654A 2019-07-17 2020-07-03 機器人圖像增強方法、處理器、電子設備、電腦可讀儲存介質 TWI777185B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910645990.7 2019-07-17
CN201910645990.7A CN110378854B (zh) 2019-07-17 2019-07-17 机器人图像增强方法及装置

Publications (2)

Publication Number Publication Date
TW202105241A true TW202105241A (zh) 2021-02-01
TWI777185B TWI777185B (zh) 2022-09-11

Family

ID=68253674

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109122654A TWI777185B (zh) 2019-07-17 2020-07-03 機器人圖像增強方法、處理器、電子設備、電腦可讀儲存介質

Country Status (5)

Country Link
JP (1) JP2022507399A (zh)
KR (1) KR20210079331A (zh)
CN (1) CN110378854B (zh)
TW (1) TWI777185B (zh)
WO (1) WO2021008233A1 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378854B (zh) * 2019-07-17 2021-10-26 上海商汤智能科技有限公司 机器人图像增强方法及装置
CN111027403B (zh) * 2019-11-15 2023-06-06 深圳市瑞立视多媒体科技有限公司 手势估计方法、装置、设备及计算机可读存储介质
CN110991457B (zh) * 2019-11-26 2023-12-08 北京达佳互联信息技术有限公司 二维码处理方法、装置、电子设备及存储介质
CN111340137A (zh) * 2020-03-26 2020-06-26 上海眼控科技股份有限公司 图像识别方法、装置及存储介质
CN113177486B (zh) * 2021-04-30 2022-06-03 重庆师范大学 基于区域建议网络的蜻蜓目昆虫识别方法
CN116362976A (zh) * 2021-12-22 2023-06-30 北京字跳网络技术有限公司 一种模糊视频修复方法及装置
CN114463584B (zh) * 2022-01-29 2023-03-24 北京百度网讯科技有限公司 图像处理、模型训练方法、装置、设备、存储介质及程序
JP7526542B1 (ja) 2024-05-10 2024-08-01 株式会社Knowhere プログラム、コンピュータ、情報処理システム及び情報処理方法
CN118628378B (zh) * 2024-08-07 2024-10-18 晓智未来(成都)科技有限公司 基于CycleGAN的X光图像增强方法

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4235858B2 (ja) * 1999-05-07 2009-03-11 ソニー株式会社 ロボット装置及びロボット装置の障害物マップ生成方法
JP3930366B2 (ja) * 2002-04-18 2007-06-13 株式会社デンソー 白線認識装置
JP2005242759A (ja) * 2004-02-27 2005-09-08 National Institute Of Information & Communication Technology 行動・意図推定システム、行動・意図推定方法、行動・意図推定プログラムおよびそのプログラムを記録したコンピュータ読み取り可能な記録媒体
JP5441626B2 (ja) * 2009-11-06 2014-03-12 日立オートモティブシステムズ株式会社 車載用マルチアプリ実行装置
CN102789234B (zh) * 2012-08-14 2015-07-08 广东科学中心 基于颜色编码标识的机器人导航方法及系统
JP2015002401A (ja) * 2013-06-14 2015-01-05 オムロン株式会社 画像処理装置、画像処理方法、および画像処理プログラム
JP6313646B2 (ja) * 2014-04-24 2018-04-18 日立オートモティブシステムズ株式会社 外界認識装置
EP3259911B1 (en) * 2015-02-19 2021-04-07 Magic Pony Technology Limited Enhancing visual data using updated neural networks
JP6409680B2 (ja) * 2015-05-29 2018-10-24 株式会社デンソー 運転支援装置、運転支援方法
CN108475415B (zh) * 2015-12-21 2022-05-27 商汤集团有限公司 用于图像处理的方法和系统
JP6727642B2 (ja) * 2016-04-28 2020-07-22 株式会社朋栄 学習型アルゴリズムによるフォーカス補正処理方法
CN106056562B (zh) * 2016-05-19 2019-05-28 京东方科技集团股份有限公司 一种人脸图像处理方法、装置及电子设备
CN106650690A (zh) * 2016-12-30 2017-05-10 东华大学 基于深度卷积‑反卷积神经网络的夜视图像场景识别方法
CN107219850A (zh) * 2017-05-25 2017-09-29 深圳众厉电力科技有限公司 一种基于机器视觉的机器人自动寻路系统
CN108053447A (zh) * 2017-12-18 2018-05-18 纳恩博（北京）科技有限公司 基于图像的重定位方法、服务器及存储介质
CN108305236B (zh) * 2018-01-16 2022-02-22 腾讯科技（深圳）有限公司 图像增强处理方法及装置
CN108737750A (zh) * 2018-06-07 2018-11-02 北京旷视科技有限公司 图像处理方法、装置及电子设备
CN108830816B (zh) * 2018-06-27 2020-12-04 厦门美图之家科技有限公司 图像增强方法及装置
CN108986050B (zh) * 2018-07-20 2020-11-10 北京航空航天大学 一种基于多分支卷积神经网络的图像和视频增强方法
CN109453500B (zh) * 2018-11-14 2020-10-27 长春理工大学 捡球机器人
CN109685709A (zh) * 2018-12-28 2019-04-26 深圳市商汤科技有限公司 一种智能机器人的照明控制方法及装置
CN109902723A (zh) * 2019-01-31 2019-06-18 北京市商汤科技开发有限公司 图像处理方法及装置
CN109993715A (zh) * 2019-04-11 2019-07-09 杨勇 一种机器人视觉图像预处理系统及图像处理方法
CN110378854B (zh) * 2019-07-17 2021-10-26 上海商汤智能科技有限公司 机器人图像增强方法及装置

Also Published As

Publication number Publication date
CN110378854B (zh) 2021-10-26
JP2022507399A (ja) 2022-01-18
WO2021008233A1 (zh) 2021-01-21
TWI777185B (zh) 2022-09-11
CN110378854A (zh) 2019-10-25
KR20210079331A (ko) 2021-06-29

Similar Documents

Publication Publication Date Title
WO2021008233A1 (zh) 机器人图像增强方法及装置、处理器、设备、介质和程序
TWI753327B (zh) 圖像處理方法、處理器、電子設備與電腦可讀存儲介質
WO2021184972A1 (zh) 图像分割方法、装置、电子设备及存储介质
US12051273B2 (en) Method for recognizing actions, device and storage medium
US20210382542A1 (en) Screen wakeup method and apparatus
WO2021098616A1 (zh) 运动姿态识别方法、运动姿态识别装置、终端设备及介质
CN113128368B (zh) 一种人物交互关系的检测方法、装置及系统
CN109325440B (zh) 人体动作识别方法及系统
CN110959160A (zh) 一种手势识别方法、装置及设备
US20210200190A1 (en) Action imitation method and robot and computer readable storage medium using the same
CN112132856A (zh) 一种基于自适应模板更新的孪生网络跟踪方法
CN107944381B (zh) 人脸跟踪方法、装置、终端及存储介质
CN107704813B (zh) 一种人脸活体识别方法及系统
WO2023284182A1 (en) Training method for recognizing moving target, method and device for recognizing moving target
WO2020124993A1 (zh) 活体检测方法、装置、电子设备及存储介质
CN111488774A (zh) 一种图像处理方法、装置和用于图像处理的装置
CN110807391A (zh) 基于视觉的人-无人机交互用人体姿态指令识别方法
CN117576786B (zh) 基于视觉语言模型的三维人体行为识别网络训练方法
KR20210000671A (ko) 헤드 포즈 추정
US12033307B2 (en) System and methods for multiple instance segmentation and tracking
CN112528978B (zh) 人脸关键点的检测方法、装置、电子设备及存储介质
CN112418046B (zh) 一种基于云机器人的健身指导方法、存储介质及系统
CN116453230A (zh) 活体检测方法、装置、终端设备以及存储介质
KR102542878B1 (ko) 영상 내의 모션 인식 방법, 서버 및 시스템
CN115393963A (zh) 运动动作纠正方法、系统、存储介质、计算机设备及终端

Legal Events

Date Code Title Description
GD4A Issue of patent certificate for granted invention patent