CN108960174A - 一种目标检测结果优化方法及装置 - Google Patents
一种目标检测结果优化方法及装置 Download PDFInfo
- Publication number
- CN108960174A CN108960174A CN201810765969.6A CN201810765969A CN108960174A CN 108960174 A CN108960174 A CN 108960174A CN 201810765969 A CN201810765969 A CN 201810765969A CN 108960174 A CN108960174 A CN 108960174A
- Authority
- CN
- China
- Prior art keywords
- detection block
- frame
- detection
- area
- referenced
- 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
Links
Classifications
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种目标检测结果优化方法及装置。本发明提供的目标检测结果优化方法通过先根据各个检测框的置信度,从未处理的检测框中筛选出置信度最大的基准检测框,在根据所有检测框的坐标信息,计算基准检测框与每一个非基准检测框的面积重叠率,若面积重叠率大于预置的面积重叠阈值,则将相应的非基准检测框移除,然后通过重复上述步骤,逐一去除同一目标的多余检测框,解决了现有技术导致的同一个目标对应显示有多个检测框显示混乱的技术问题。
Description
技术领域
本发明涉及图像识别领域,尤其涉及一种目标检测结果优化方法及装置。
背景技术
随着机器视觉技术的发展,机器视觉和人工智能网络已在图像或视频目标识别检测领域被广泛应用,但是在对图像或者是视频进行目标检测的时候,由于现有的检测算法的检测机制和算法精度的问题,容易出现对同一个目标对象进行了多次检测,使得同一个目标对应显示有多个检测框,导致了检测框显示混乱的技术问题。
发明内容
本发明提供了一种目标检测结果优化方法及装置,用于解决由于现有的检测算法的检测机制和算法精度的问题,容易出现对同一个目标对象进行了多次检测,使得同一个目标对应显示有多个检测框导致的检测框显示混乱的技术问题。
本发明提供了一种目标检测结果优化方法,包括:
S1:通过深度学习网络获取待检测目标的对应的检测框以及所述检测框的置信度;
S2:根据所述置信度,确定所有所述检测框中置信度最大的基准检测框;
S3:根据所有所述检测框的坐标信息,计算所述基准检测框与每一个非基准检测框的面积重叠率,若所述面积重叠率大于预置的面积重叠阈值,则将相应的所述非基准检测框移除;
S4:输出剩余的所述检测框信息。
优选地,所述步骤S3具体包括:
S31:根据所有所述检测框的坐标信息,计算所述基准检测框与每一个非基准检测框的交集面积和并集面积,并根据所述交集面积与所述并集面积的比值,计算得到所述基准检测框与每一个非基准检测框的面积重叠率;
S32:判断所述面积重叠率与预置的面积重叠阈值,若所述面积重叠率大于预置的所述重叠阈值,则将相应的所述非基准检测框移除。
所述步骤S3之后还包括:
S33:判断是否存在所述置信度小于当前所述基准检测框的所述非基准检测框,若是,将所述置信度小于当前所述基准检测框的所述非基准检测框中置信度最大的非基准检测框设为基准检测框,然后返回步骤S3,若否,则执行步骤S4。
优选地,所述步骤S1之后还包括:
S01:判断所述检测框的数量是否大于1,若是,则执行步骤S2,若否,则执行步骤S5。
优选地,所述深度学习网络具体包括YOLO算法。
本发明还提供了一种目标检测结果优化装置,包括:
检测框获取单元,用于通过深度学习网络获取待检测目标的对应的检测框以及所述检测框的置信度;
基准检测框确定单元,用于根据所述置信度,确定所有所述检测框中置信度最大的基准检测框;
检测框筛选单元,用于根据所有所述检测框的坐标信息,计算所述基准检测框与每一个非基准检测框的面积重叠率,若所述面积重叠率大于预置的面积重叠阈值,则将相应的所述非基准检测框移除;
输出单元,用于输出剩余的所述检测框信息。
优选地,所述检测框筛选单元具体包括:
面积重叠率计算子单元,用于根据所有所述检测框的坐标信息,计算所述基准检测框与每一个非基准检测框的交集面积和并集面积,并根据所述交集面积与所述并集面积的比值,计算得到所述基准检测框与每一个非基准检测框的面积重叠率;
检测框筛选子单元,用于判断所述面积重叠率与预置的面积重叠阈值,若所述面积重叠率大于预置的所述重叠阈值,则将相应的所述非基准检测框移除。
优选地,还包括:
筛选进度判定单元,用于判断是否存在所述置信度小于当前所述基准检测框的所述非基准检测框,若是,将所述置信度小于当前所述基准检测框的所述非基准检测框中置信度最大的非基准检测框设为基准检测框,然后触发检测框筛选单元,若否,则触发输出单元;
优选地,还包括:
筛选触发判定单元,用于判断所述检测框的数量是否大于1,若是,则触发基准检测框确定单元,若否,则触发输出单元。
优选地,所述深度学习网络具体包括YOLO算法。
从以上技术方案可以看出,本发明具有以下优点:
本发明提供的目标检测结果优化方法,先根据各个检测框的置信度,从未处理的检测框中筛选出置信度最大的基准检测框,在根据所有检测框的坐标信息,计算基准检测框与每一个非基准检测框的面积重叠率,若面积重叠率大于预置的面积重叠阈值,则将相应的非基准检测框移除,然后通过重复上述步骤,逐一去除同一目标的多余检测框,解决了现有技术出现同一个目标对应显示有多个检测框时导致的检测框显示混乱的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明提供的一种目标检测结果优化方法的一个实施例的流程示意图;
图2为本发明提供的一种目标检测结果优化方法的第二个实施例的流程示意图;
图3为本发明提供的一种目标检测结果优化装置的第一个实施例的结构示意图。
具体实施方式
本发明实施例提供了一种目标检测结果优化方法及装置,用于解决由于现有的检测算法的检测机制和算法精度的问题,容易出现对同一个目标对象进行了多次检测,同一个目标对应显示有多个检测框导致的检测框显示混乱的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,本发明实施例提供了一种目标检测结果优化方法,包括:
101、通过深度学习网络获取待检测目标的对应的检测框以及检测框的置信度;
需要说明的是,首先获取到待检测目标的对应的检测框以及每个检测框的置信度,其中,检测框的坐标和检测框的置信度可以通过YOLO算法计算得到。
102、根据置信度,确定所有检测框中置信度最大的基准检测框;
需要说明的是,然后根据比对所有的检测框的置信度的大小,筛选出置信度值最大的检测框,并将该检测框设定为基准检测框。
103、根据所有检测框的坐标信息,计算基准检测框与每一个非基准检测框的面积重叠率,若面积重叠率大于预置的面积重叠阈值,则将相应的非基准检测框移除;
需要说明的是,根据基准检测框的坐标和任意一个非基准检测框的坐标,计算出基准检测框与该非基准检测框的重叠区域与基准检测框和该非基准检测框的总区域的比值,即面积重叠率,若面积重叠率大于预置的面积重叠阈值,则移除此非基准检测框,然后重复上述步骤直至对比完所有非基准检测框后,再执行下一步骤;
其中,检测框的表示方式为y=[Pc,bx,by,bh,bw],其中,y是检测框的识别号,Pc是框中目标的概率,bx、by、bn、bw分别是边界框的坐标,bx,by是指的框的中心点,bh和bw是值得宽和高。
104、输出剩余的检测框信息。
本发明实施例提供的目标检测结果优化方法,先根据各个检测框的置信度,从未处理的检测框中筛选出置信度最大的基准检测框,在根据所有检测框的坐标信息,计算基准检测框与每一个非基准检测框的面积重叠率,若面积重叠率大于预置的面积重叠阈值,则将相应的非基准检测框移除,然后通过重复上述步骤,逐一去除同一目标的多余检测框,解决了现有技术导致的同一个目标对应显示有多个检测框显示混乱的技术问题。
以上为本发明提供的一种目标检测结果优化方法的第一个实施例的详细说明,下面为本发明提供的一种目标检测结果优化方法的第二个实施例的详细说明。
请参阅图2,本发明实施例提供了一种目标检测结果优化方法,包括:
201、通过深度学习网络获取待检测目标的对应的检测框以及检测框的置信度;
需要说明的是,首先获取到待检测目标的对应的检测框以及每个检测框的置信度,其中,检测框的坐标和检测框的置信度可以通过YOLO算法计算得到。
202、判断检测框的数量是否大于1,若是,则执行步骤203,若否,则执行步骤208。
需要说明的是,若获取到的检测框只有一个,则直接输出此检测框。
203、根据置信度,确定所有检测框中置信度最大的基准检测框;
需要说明的是,然后根据比对所有的检测框的置信度的大小,筛选出置信度值最大的检测框,并将该检测框设定为基准检测框。
204、根据所有检测框的坐标信息,计算基准检测框与每一个非基准检测框的交集面积和并集面积,并根据交集面积与并集面积的比值,计算得到基准检测框与每一个非基准检测框的面积重叠率;
需要说明的是,根据基准检测框的坐标和任意一个非基准检测框的坐标,计算出基准检测框与该非基准检测框的重叠区域与基准检测框和该非基准检测框的总区域的比值,即面积重叠率。
205、判断面积重叠率与预置的面积重叠阈值,若面积重叠率大于预置的重叠阈值,则将相应的非基准检测框移除;
需要说明的是,若面积重叠率大于预置的面积重叠阈值,则移除此非基准检测框,然后重复上述步骤直至对比完所有非基准检测框后,再执行下一步骤。
206、判断是否存在置信度小于当前基准检测框的非基准检测框,若是,则执行步骤207,若否,则执行步骤208;
207、将置信度小于当前基准检测框的非基准检测框中置信度最大的非基准检测框设为基准检测框,然后返回步骤204;
需要说明的是,执行完步骤204至205后,此时一个被检测的目标已经仅剩下置信度最大的一个检测框,然后通过判断是否存在置信度小于当前基准检测框的非基准检测框,如果存在一个置信度比当前的基准检测框更小的非基准检测框,说明此检测框是属于另一个检测目标的,然后将该非基准检测框设定为基准检测框,重复步骤204至205。
208、输出剩余的检测框信息。
本发明实施例提供的目标检测结果优化方法,先根据各个检测框的置信度,从未处理的检测框中筛选出置信度最大的基准检测框,在根据所有检测框的坐标信息,计算基准检测框与每一个非基准检测框的面积重叠率,若面积重叠率大于预置的面积重叠阈值,则将相应的非基准检测框移除,然后通过重复上述步骤,逐一去除同一目标的多余检测框,然后通过检测筛选出置信度小于当前基准检测框的非基准检测框,并更改基准检测框,解决了现有技术当存在多个检测目标时且同一个目标对应显示有多个检测框的导致的检测框显示混乱的技术问题。
以上为本发明提供的一种目标检测结果优化方法的第二个实施例的详细说明,下面为本发明提供的一种目标检测结果优化装置的第一个实施例的详细说明。
请参阅图3,本发明实施例提供了一种目标检测结果优化装置,包括:
检测框获取单元301,用于通过深度学习网络获取待检测目标的对应的检测框以及检测框的置信度;
基准检测框确定单元302,用于根据置信度,确定所有检测框中置信度最大的基准检测框;
检测框筛选单元303,用于根据所有检测框的坐标信息,计算基准检测框与每一个非基准检测框的面积重叠率,若面积重叠率大于预置的面积重叠阈值,则将相应的非基准检测框移除;
输出单元304,用于输出剩余的检测框信息。
进一步地,检测框筛选单元303具体包括:
面积重叠率计算子单元3031,用于根据所有检测框的坐标信息,计算基准检测框与每一个非基准检测框的交集面积和并集面积,并根据交集面积与并集面积的比值,计算得到基准检测框与每一个非基准检测框的面积重叠率;
检测框筛选子单元3032,用于判断面积重叠率与预置的面积重叠阈值,若面积重叠率大于预置的重叠阈值,则将相应的非基准检测框移除。
进一步地,还包括:
筛选进度判定单元305,用于判断是否存在置信度小于当前基准检测框的非基准检测框,若是,将置信度小于当前基准检测框的非基准检测框中置信度最大的非基准检测框设为基准检测框,然后触发检测框筛选单元303,若否,则触发输出单元304;
进一步地,还包括:
筛选触发判定单元306,用于判断检测框的数量是否大于1,若是,则触发基准检测框确定单元302,若否,则触发输出单元304。
进一步地,深度学习网络具体包括YOLO算法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上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精神和范围。
Claims (10)
1.一种目标检测结果优化方法,其特征在于,包括:
S1:通过深度学习网络获取待检测目标的对应的检测框以及所述检测框的置信度;
S2:根据所述置信度,确定所有所述检测框中置信度最大的基准检测框;
S3:根据所有所述检测框的坐标信息,计算所述基准检测框与每一个非基准检测框的面积重叠率,若所述面积重叠率大于预置的面积重叠阈值,则将相应的所述非基准检测框移除;
S4:输出剩余的所述检测框信息。
2.根据权利要求1所述的一种目标检测结果优化方法,其特征在于,所述步骤S3具体包括:
S31:根据所有所述检测框的坐标信息,计算所述基准检测框与每一个非基准检测框的交集面积和并集面积,并根据所述交集面积与所述并集面积的比值,计算得到所述基准检测框与每一个非基准检测框的面积重叠率;
S32:判断所述面积重叠率与预置的面积重叠阈值,若所述面积重叠率大于预置的所述重叠阈值,则将相应的所述非基准检测框移除。
3.根据权利要求1所述的一种目标检测结果优化方法,其特征在于,所述步骤S3之后还包括:
S33:判断是否存在所述置信度小于当前所述基准检测框的所述非基准检测框,若是,将所述置信度小于当前所述基准检测框的所述非基准检测框中置信度最大的非基准检测框设为基准检测框,然后返回步骤S3,若否,则执行步骤S4。
4.根据权利要求1所述的一种目标检测结果优化方法,其特征在于,所述步骤S1之后还包括:
S01:判断所述检测框的数量是否大于1,若是,则执行步骤S2,若否,则执行步骤S5。
5.根据权利要求1至4所述的一种目标检测结果优化方法,其特征在于,所述深度学习网络具体包括YOLO算法。
6.一种目标检测结果优化装置,其特征在于,包括:
检测框获取单元,用于通过深度学习网络获取待检测目标的对应的检测框以及所述检测框的置信度;
基准检测框确定单元,用于根据所述置信度,确定所有所述检测框中置信度最大的基准检测框;
检测框筛选单元,用于根据所有所述检测框的坐标信息,计算所述基准检测框与每一个非基准检测框的面积重叠率,若所述面积重叠率大于预置的面积重叠阈值,则将相应的所述非基准检测框移除;
输出单元,用于输出剩余的所述检测框信息。
7.根据权利要求6所述的一种目标检测结果优化装置,其特征在于,所述检测框筛选单元具体包括:
面积重叠率计算子单元,用于根据所有所述检测框的坐标信息,计算所述基准检测框与每一个非基准检测框的交集面积和并集面积,并根据所述交集面积与所述并集面积的比值,计算得到所述基准检测框与每一个非基准检测框的面积重叠率;
检测框筛选子单元,用于判断所述面积重叠率与预置的面积重叠阈值,若所述面积重叠率大于预置的所述重叠阈值,则将相应的所述非基准检测框移除。
8.根据权利要求6所述的一种目标检测结果优化装置,其特征在于,还包括:
筛选进度判定单元,用于判断是否存在所述置信度小于当前所述基准检测框的所述非基准检测框,若是,将所述置信度小于当前所述基准检测框的所述非基准检测框中置信度最大的非基准检测框设为基准检测框,然后触发检测框筛选单元,若否,则触发输出单元。
9.根据权利要求6所述的一种目标检测结果优化装置,其特征在于,还包括:
筛选触发判定单元,用于判断所述检测框的数量是否大于1,若是,则触发基准检测框确定单元,若否,则触发输出单元。
10.根据权利要求6至9所述的一种目标检测结果优化装置,其特征在于,所述深度学习网络具体包括YOLO算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810765969.6A CN108960174A (zh) | 2018-07-12 | 2018-07-12 | 一种目标检测结果优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810765969.6A CN108960174A (zh) | 2018-07-12 | 2018-07-12 | 一种目标检测结果优化方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108960174A true CN108960174A (zh) | 2018-12-07 |
Family
ID=64483164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810765969.6A Pending CN108960174A (zh) | 2018-07-12 | 2018-07-12 | 一种目标检测结果优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108960174A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657678A (zh) * | 2018-12-17 | 2019-04-19 | 北京旷视科技有限公司 | 图像处理的方法、装置、电子设备和计算机存储介质 |
CN110059591A (zh) * | 2019-04-01 | 2019-07-26 | 北京中科晶上超媒体信息技术有限公司 | 运动目标区域的识别方法 |
CN110740315A (zh) * | 2019-11-07 | 2020-01-31 | 杭州宇泛智能科技有限公司 | 摄像头矫正方法、装置、电子设备及存储介质 |
CN112101061A (zh) * | 2019-06-17 | 2020-12-18 | 富士通株式会社 | 目标检测方法、装置及图像处理设备 |
CN112419263A (zh) * | 2020-11-20 | 2021-02-26 | 上海电力大学 | 一种基于类间覆盖比的多类别非极大抑制方法及*** |
CN112800870A (zh) * | 2021-01-13 | 2021-05-14 | 上海电力大学 | 一种基于层间覆盖比的非极大抑制方法及*** |
CN113255648A (zh) * | 2021-06-21 | 2021-08-13 | 北博(厦门)智能科技有限公司 | 一种基于图像识别的滑动窗口框选方法及终端 |
CN113468976A (zh) * | 2021-06-10 | 2021-10-01 | 浙江大华技术股份有限公司 | 垃圾检测方法、垃圾检测***以及计算机可读存储介质 |
CN113743261A (zh) * | 2021-08-23 | 2021-12-03 | 河南牧原智能科技有限公司 | 一种猪体外伤的检测方法、装置和可读存储介质 |
CN113808186A (zh) * | 2021-03-04 | 2021-12-17 | 京东鲲鹏(江苏)科技有限公司 | 训练数据生成方法、装置与电子设备 |
CN113989626A (zh) * | 2021-12-27 | 2022-01-28 | 北京文安智能技术股份有限公司 | 一种基于目标检测模型的多类别垃圾场景区分方法 |
WO2022266996A1 (zh) * | 2021-06-25 | 2022-12-29 | 烟台创迹软件有限公司 | 物体检知方法及物体检知装置 |
CN116563521A (zh) * | 2023-04-14 | 2023-08-08 | 依未科技(北京)有限公司 | 目标检测的检测框处理方法及其装置、电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651955A (zh) * | 2016-10-10 | 2017-05-10 | 北京小米移动软件有限公司 | 图片中目标物的定位方法及装置 |
CN108009544A (zh) * | 2017-12-13 | 2018-05-08 | 北京小米移动软件有限公司 | 目标检测方法及装置 |
CN108268869A (zh) * | 2018-02-13 | 2018-07-10 | 北京旷视科技有限公司 | 目标检测方法、装置及*** |
-
2018
- 2018-07-12 CN CN201810765969.6A patent/CN108960174A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651955A (zh) * | 2016-10-10 | 2017-05-10 | 北京小米移动软件有限公司 | 图片中目标物的定位方法及装置 |
CN108009544A (zh) * | 2017-12-13 | 2018-05-08 | 北京小米移动软件有限公司 | 目标检测方法及装置 |
CN108268869A (zh) * | 2018-02-13 | 2018-07-10 | 北京旷视科技有限公司 | 目标检测方法、装置及*** |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657678B (zh) * | 2018-12-17 | 2020-07-24 | 北京旷视科技有限公司 | 图像处理的方法、装置、电子设备和计算机存储介质 |
CN109657678A (zh) * | 2018-12-17 | 2019-04-19 | 北京旷视科技有限公司 | 图像处理的方法、装置、电子设备和计算机存储介质 |
CN110059591A (zh) * | 2019-04-01 | 2019-07-26 | 北京中科晶上超媒体信息技术有限公司 | 运动目标区域的识别方法 |
CN112101061A (zh) * | 2019-06-17 | 2020-12-18 | 富士通株式会社 | 目标检测方法、装置及图像处理设备 |
CN110740315B (zh) * | 2019-11-07 | 2021-07-16 | 杭州宇泛智能科技有限公司 | 摄像头矫正方法、装置、电子设备及存储介质 |
CN110740315A (zh) * | 2019-11-07 | 2020-01-31 | 杭州宇泛智能科技有限公司 | 摄像头矫正方法、装置、电子设备及存储介质 |
CN112419263A (zh) * | 2020-11-20 | 2021-02-26 | 上海电力大学 | 一种基于类间覆盖比的多类别非极大抑制方法及*** |
CN112800870A (zh) * | 2021-01-13 | 2021-05-14 | 上海电力大学 | 一种基于层间覆盖比的非极大抑制方法及*** |
CN112800870B (zh) * | 2021-01-13 | 2023-10-31 | 上海电力大学 | 一种基于层间覆盖比的非极大抑制方法及*** |
CN113808186A (zh) * | 2021-03-04 | 2021-12-17 | 京东鲲鹏(江苏)科技有限公司 | 训练数据生成方法、装置与电子设备 |
CN113808186B (zh) * | 2021-03-04 | 2024-01-16 | 京东鲲鹏(江苏)科技有限公司 | 训练数据生成方法、装置与电子设备 |
CN113468976A (zh) * | 2021-06-10 | 2021-10-01 | 浙江大华技术股份有限公司 | 垃圾检测方法、垃圾检测***以及计算机可读存储介质 |
CN113255648A (zh) * | 2021-06-21 | 2021-08-13 | 北博(厦门)智能科技有限公司 | 一种基于图像识别的滑动窗口框选方法及终端 |
CN113255648B (zh) * | 2021-06-21 | 2023-12-19 | 北博(厦门)智能科技有限公司 | 一种基于图像识别的滑动窗口框选方法及终端 |
WO2022266996A1 (zh) * | 2021-06-25 | 2022-12-29 | 烟台创迹软件有限公司 | 物体检知方法及物体检知装置 |
CN113743261A (zh) * | 2021-08-23 | 2021-12-03 | 河南牧原智能科技有限公司 | 一种猪体外伤的检测方法、装置和可读存储介质 |
CN113989626B (zh) * | 2021-12-27 | 2022-04-05 | 北京文安智能技术股份有限公司 | 一种基于目标检测模型的多类别垃圾场景区分方法 |
CN113989626A (zh) * | 2021-12-27 | 2022-01-28 | 北京文安智能技术股份有限公司 | 一种基于目标检测模型的多类别垃圾场景区分方法 |
CN116563521A (zh) * | 2023-04-14 | 2023-08-08 | 依未科技(北京)有限公司 | 目标检测的检测框处理方法及其装置、电子设备 |
CN116563521B (zh) * | 2023-04-14 | 2024-04-23 | 依未科技(北京)有限公司 | 目标检测的检测框处理方法及其装置、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960174A (zh) | 一种目标检测结果优化方法及装置 | |
CN110383274B (zh) | 识别设备的方法、装置、***、存储介质、处理器和终端 | |
CN108701374B (zh) | 用于三维点云重建的方法和装置 | |
CN106127788B (zh) | 一种视觉避障方法和装置 | |
CN105243395B (zh) | 一种人体图像比对方法和装置 | |
CN109658454B (zh) | 一种位姿信息确定方法、相关装置及存储介质 | |
CN111060948B (zh) | 一种定位方法、装置、头盔及计算机可读存储介质 | |
CN110807439B (zh) | 检测障碍物的方法及装置 | |
US20170272724A1 (en) | Apparatus and method for multi-view stereo | |
CN109074757B (zh) | 一种建立地图的方法、终端和计算机可读存储介质 | |
US20150213644A1 (en) | Multi-primitive fitting device and operation method thereof | |
CN106056089A (zh) | 一种三维姿态识别方法及*** | |
CN109961029A (zh) | 一种危险物品检测方法、装置及计算机可读存储介质 | |
CN110458086A (zh) | 车辆重识别方法及装置 | |
CN109977952A (zh) | 基于局部最大值的候选目标检测方法 | |
CN109919247A (zh) | 危化品堆垛双目测距中特征点匹配方法、***和设备 | |
CN106327558A (zh) | 点云立面提取方法和装置 | |
CN109671055B (zh) | 肺结节检测方法及装置 | |
CN104881640A (zh) | 一种获取向量的方法及装置 | |
CN103034866A (zh) | 一种目标识别方法、装置及*** | |
CN105302715B (zh) | 应用程序用户界面的获取方法和装置 | |
CN110378176A (zh) | 基于双目相机的物体标识方法、***、设备和存储介质 | |
CN115049731B (zh) | 一种基于双目摄像头的视觉建图和定位方法 | |
CN111339973A (zh) | 一种对象识别方法、装置、设备及存储介质 | |
CN115171011A (zh) | 一种多类别建材视频计数方法及***、计数设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181207 |
|
RJ01 | Rejection of invention patent application after publication |