CN109063603B - 基于区域动态筛选的图像预测方法和装置及电子设备 - Google Patents
基于区域动态筛选的图像预测方法和装置及电子设备 Download PDFInfo
- Publication number
- CN109063603B CN109063603B CN201810775471.8A CN201810775471A CN109063603B CN 109063603 B CN109063603 B CN 109063603B CN 201810775471 A CN201810775471 A CN 201810775471A CN 109063603 B CN109063603 B CN 109063603B
- Authority
- CN
- China
- Prior art keywords
- region
- sub
- prediction
- image
- frame image
- 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.)
- Active
Links
Images
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/14—Picture signal circuitry for video frequency region
- H04N5/144—Movement detection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/14—Picture signal circuitry for video frequency region
- H04N5/144—Movement detection
- H04N5/145—Movement estimation
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本申请涉及基于区域动态筛选的图像预测方法和装置及电子设备。根据一实施例,一种图像预测方法可包括:按预定标准将当前帧图像划分为多个子区域;确定与每个子区域对应的扩展区域,所述扩展区域包括所述子区域并且比所述子区域更大;进行图像识别以确定所述当前帧图像中的关注对象;基于所述扩展区域包括所述关注对象的至少一部分而将所述扩展区域中的所述子区域确定为关注子区域;利用所述扩展区域内的图像信息对所述关注子区域进行预测,以获得预测关注子区域;以及利用所述预测关注子区域替代所述当前帧图像中的对应的关注子区域,以获得预测帧图像。通过采用该预测方法,可以提高视频预测的效率和速度,而且预测精度不受视频尺寸的限制。
Description
技术领域
本申请涉及图像处理领域,更特别地,涉及一种基于区域动态筛选的图像预测方法和装置、以及相关的电子设备。
背景技术
图像预测技术可应用于许多场景中,例如在自动驾驶或辅助驾驶领域,常通过各种车载传感器例如摄像头来获得车辆周围驾驶环境的视频图像,利用当前及历史的视频图像可以预测未来一段时间的视频帧,从而辅助驾驶***可以提前做出某些预判,采取相应的驾驶策略,以达到安全驾驶的目的。
传统的图像预测算法,包括卷积神经网络、循环神经网络等,都是直接对原始大小的视频图像进行处理。为了确保安全驾驶,车载摄像头采集的视频图像的分辨率和帧率一直在增长,以期望从其获得更精细的驾驶环境数据。然而,随着视频图像的分辨率和帧率变大,进行图像预测所需的计算量会急剧增大,因此预测速度和精度反而会降低,甚至当视频分辨率达到一定大小时,传统的预测算法很难在现有的硬件条件下运行。
因此,仍需要一种图像预测方法,其能够提升图像预测的效率和速度,从而能够针对大尺寸高帧数的视频图像进行预测。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于区域动态筛选的图像预测方法和装置、以及相关的电子设备,其通过动态检测并提取输入大尺寸视频中的感兴趣区域进行预测,将大分辨率的视频预测转化为若干小区域的视频预测问题,从而改善了图像预测的效率和速度。
根据本申请的一个方面,提供了一种图像预测方法,包括:按预定标准将当前帧图像划分为多个子区域;确定与每个子区域对应的扩展区域,所述扩展区域包括所述子区域并且比所述子区域更大;进行图像识别以确定所述当前帧图像中的关注对象;基于所述扩展区域包括所述关注对象的至少一部分而将所述扩展区域中的所述子区域确定为关注子区域;利用所述扩展区域内的图像信息对所述关注子区域进行预测,以获得预测关注子区域;以及利用所述预测关注子区域替代所述当前帧图像中的对应的关注子区域,以获得预测帧图像。
在一些实施例中,所述关注对象包括动态对象。
在一些实施例中,所述扩展区域具有与所述子区域相同的轮廓形状。
在一些实施例中,所述扩展区域与所述子区域的尺寸比例由所述动态对象的运动速度确定。
在一些实施例中,所述图像预测方法还包括:当所确定的扩展区域超出所述当前帧图像的范围时,用预定像素对所述扩展区域进行补全。
在一些实施例中,所述图像预测方法还包括:对所述当前帧图像的除了所述关注子区域之外的非关注子区域进行预测,以获得预测非关注子区域,其中,对所述非关注子区域的预测的精度低于对所述关注子区域的预测的精度,且其中,所述预测关注子区域与所述预测非关注子区域进行拼合,以获得所述预测帧图像。
在一些实施例中,所述图像预测方法还包括:对所述当前帧图像进行缩放以获得低分辨率版本;对所述当前帧图像的低分辨率版本进行预测,以获得其低分辨率预测版本;对所述当前帧图像的低分辨率预测版本进行缩放,以获得其原始分辨率预测版本;以及利用所述预测关注子区域替代所述当前帧图像的原始分辨率预测版本中的对应区域,以获得预测帧图像。
根据本申请的另一方面,提供了一种图像预测装置,包括:图像划分单元,配置为按预定标准将当前帧图像划分为多个子区域;扩展单元,配置为确定与每个子区域对应的扩展区域,所述扩展区域包括所述子区域并且比所述子区域更大;图像识别单元,配置为进行图像识别以确定所述当前帧图像中的关注对象;关注子区域选定单元,配置为基于所述扩展区域包括所述关注对象的至少一部分而将所述扩展区域中的所述子区域选定为关注子区域;第一预测单元,配置为利用所述扩展区域内的图像信息对所述关注子区域进行预测,以获得预测关注子区域;以及图像融合单元,配置为利用所述预测关注子区域替代所述当前帧图像中的对应的关注子区域,以获得预测帧图像。
在一些实施例中,所述扩展单元还配置为当所确定的扩展区域超出所述当前帧图像的范围时,用预定像素对所述扩展区域进行补全。
在一些实施例中,所述图像预测装置还包括:第二预测单元,配置为对所述当前帧图像的除了所述关注子区域之外的非关注子区域进行预测,以获得预测非关注子区域,其中,所述第二预测单元的预测精度低于所述第一预测单元的预测精度,且其中,所述图像融合单元将所述预测关注子区域与所述预测非关注子区域进行拼合,以获得所述预测帧图像。
在一些实施例中,所述图像预测装置还包括:缩放单元,配置为对所述当前帧图像进行缩放以获得低分辨率版本;以及第二预测单元,配置为对所述当前帧图像的低分辨率版本进行预测,以获得其低分辨率预测版本,其中,所述当前帧图像的低分辨率预测版本被所述缩放单元缩放以获得其原始分辨率预测版本,且所述图像融合单元利用所述预测关注子区域替代所述当前帧图像的原始分辨率预测版本中的对应区域,以获得预测帧图像。
根据本申请的另一方面,提供了一种电子设备,包括:处理器;以及存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行上述图像预测方法。
根据本申请的另一方面,提供了一种车辆,其包括上述电子设备。
根据本申请的另一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行上述图像预测方法。
本发明的上述和其他特征和优点将从下面结合附图对示例性实施例的描述变得显而易见。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1示出可实施根据本发明一实施例的图像预测方法和装置的***的示意图。
图2示出根据本发明一实施例的图像预测方法的流程图。
图3示出根据本发明一实施例的图像动态分割筛选过程的示意图。
图4示出根据本发明一实施例的图像预测装置的功能框图。
图5示出根据本发明一实施例的电子设备的结构框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
如上所述,随着视频图像的分辨率和帧率的提高以追求更多细节,现有的硬件水平可能难以在期望的精度和速度水平上完成通过复杂算法实现的图像预测过程。因此,如何提高图像预测算法的效率而不损害其精度,已经成为一个问题。
针对该技术问题,本申请的基本构思是提出一种图像预测方法,其中将高分辨率图像帧划分为多个子区域,然后基于子区域是否包含关注对象而将其确定为关注子区域和非关注子区域。对于关注子区域,可以执行高精度的图像预测算法,而对于非关注子区域,则可以进行低精度的图像预测算法或者不执行预测,然后将各个子区域拼合成预测图像。这样,可以大大提高图像预测的效率,而基本不损失任何重要信息,从而基本上保持了图像预测的精确度。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性***
图1示出可实施根据本发明一实施例的图像预测方法和装置的***的示意图。在图1的示例中,该***可以是车辆10,但是应理解,本发明的图像预测方法和装置也可以应用到其他场景,例如无人机航拍监控等。
如图1所示,车辆10可包括用于获得周围环境图像的传感器12,例如,传感器12可以是单目或多目摄像头,也可以是例如超声波雷达或激光雷达等。传感器12捕获的图像可用于作为已知图像进行后面描述的图像预测过程。虽然未示出,但是车辆10还可以包括用于测量本身参数的传感器例如惯性测量单元(IMU)、底盘里程计、速度计、定位***例如GPS等,这些传感器确定的参数有利于建立车辆10本身的图像。
车辆10还可以包括图像预测单元14,其可以使用传感器12和/或其他传感器捕获的图像来预测未来图像,该预测结果可以发送到例如车辆10上装备的或者通过网络设置在服务器端的辅助驾驶***(未示出),从而该辅助驾驶***可以提前采取相应的驾驶策略,例如进行刹车以避免碰撞等,从而实现安全驾驶的目的。
示例性方法
图2示出根据本发明一实施例的图像预测方法的流程图。如图2所示,图像预测方法100可始于步骤S110,按预定标准将当前图像帧划分为多个子区域。图3示出了这种划分的示例,其中图像20被正方形网格划分为多个子区域22,网格大小可以根据例如图像大小或应用场景而事先确定。也可以采用其他形式的网格,例如矩形网格、平行四边形网格、正六边形网格、菱形网格等,或者,还可以将图像20划分为多个横条形或竖条形子区域等。
接下来在步骤S120中,确定与每个子区域22对应的扩展区域24,图3用虚线框示出了扩展区域24的示例24a、24b、24c和24d,应理解,每个子区域22都有其对应的扩展区域24。扩展区域24是比子区域22更大,并且包括子区域22的区域,例如优选地,扩展区域24具有和子区域22相同的轮廓形状,即都为正方向或其他形状,但是扩展区域24具有比子区域22更大的尺寸,从而扩展区域24包括并且完全包围子区域22。扩展区域24和子区域22之间的尺寸比例可以由子区域22中的对象包括动态对象的移动速度确定,优选地,该尺寸比例被设置为确保在下一帧图像中,子区域22中的对象,包括动态对象,不移动到扩展区域24之外,这种设置更有利于后面描述的预测步骤的执行。优选地,扩展区域24的尺寸不超过子区域22的尺寸的两倍。
可以看出,在图像20的边缘区域,扩展区域24可能覆盖超出图像20之外的区域。此时,可以对图像20的边缘进行填充(padding)处理,以补全扩展区域24所覆盖的图像20之外的区域,图3中以点划线框示出了示例性填充区域26。填充区域26可以采用多种方法来填充,例如可以填充固定像素值例如零或背景亮度值0.5等。
然后,在步骤S130中,可以通过图像识别来确定图像20中包括的关注对象,并且在步骤S140中,基于扩展区域24包括关注对象的至少一部分而将该扩展区域24中的相应的子区域22确定为关注子区域。在一些实施例中,关注对象的识别可以针对整幅图像20来进行,在确定了图像20中的关注对象之后,再确定哪些扩展区域24覆盖了关注对象的至少一部分。在另一些实施例中,关注对象的识别也可以针对逐个扩展区域24来进行。关注对象的识别可通过训练好的分类器来进行,期望识别的关注对象优选包括动态对象,例如周围的车辆、行人、动物等,也可以包括静态对象,例如道路上的障碍物、交通信号灯指示牌等。
在图3中,示例性识别出了位于扩展区域24a中的骑行者、位于扩展区域24b和24c中的车辆、以及位于扩展区域24d中的行人这三个关注对象,因此相应地,确定子区域22a、22b、22c和22d为关注子区域。应理解,这仅是示例,如果子区域22b、22c上方的子区域22对应的扩展区域24也覆盖了车辆的至少一部分,则这两个子区域22也应被确定为关注子区域。
接下来在步骤S150中,可以利用扩展区域24内所包括的图像信息,来对关注子区域22(例如22a-22d)进行图像预测,从而获得预测的关注子区域图像,即预测帧。这里,如前所述,由于扩展区域24和子区域22的尺寸比例设置为在下一帧中子区域22中的对象不会移出到扩展区域24之外,所以扩展区域24已经包括了预测子区域22所需的全部图像信息,从而可以确保子区域预测过程的精确性,而由于即便多个扩展区域24累加起来也仅是图像20的一部分,所以执行预测所需的计算量可大幅度减小,提高了预测过程的效率。
在一些实施例中,可以仅对关注子区域进行预测,而对于非关注的子区域,可以不进行预测。非关注区域可以是例如路肩、道路两边的建筑物、绿化带等固定且有规律分布的对象,或是其他不关心的对象,其图像可以直接应用到预测帧中,或者可以经过简单变换后应用到预测帧中。在另一些实施例中,则还可以对非关注子区域也进行预测,如图2的步骤S160所示。可以理解,非关注区域预测步骤S160的预测精度可以低于关注区域的预测精度,以减少其对硬件资源的消耗,提高预测效率。非关注区域预测步骤S160可以通过多种方式来进行,例如在一些实施例中,可以利用对应的扩展区域的视野对非关注子区域逐个进行预测,或者在另一些实施例中,可以基于整幅图像20来进行非关注子区域的预测,例如将整幅图像20缩小以获得一更低分辨率的版本,对该版本进行预测以获得低分辨率预测版本,然后通过例如插值等算法将低分辨率预测版本恢复至原始分辨率。
然后,在步骤S170中,可以对预测得到的关注子区域进行图像融合,以获得预测图像帧。当非关注子区域没有经历预测时,非关注子区域可以采用原始图像中的非关注子区域或者其经历一些简单变换后的版本,而将预测关注子区域直接替代图像20中的相应的关注子区域,即可得到预测图像帧。当非关注子区域经历过低精度的预测时,可以将预测得到的各个关注子区域和非关注子区域的图像彼此拼合,或者可以将预测得到的关注子区域替代整体经历低分辨率预测的图像20中的相应区域,以获得最终的预测图像帧。
在上面的图像预测方法中,通过仅对图像的关注子区域进行高精度图像预测,而对非关注子区域不进行预测或者仅进行低精度的预测,可以提高图像20的整体预测效率,而基本不损失任何重要信息,从而基本上保持了图像预测的精确度。
示例性装置
图4示出了根据本发明一示例性实施例的图像预测装置200的功能框图。如图4所示,图像预测装置200可包括图像划分单元210、扩展单元220、图像识别单元230、关注子区域选定单元240、第一预测单元250、图像融合单元280、以及可选的图像缩放单元260和第二预测单元270。
图像划分单元210可用于按照预定标准将当前帧图像20划分为多个子区域22,如前面参照图3描述的那样。扩展单元220可用于为每个子区域22确定其对应的扩展区域24,扩展区域24是与子区域22具有相同的轮廓形状但是具有更大尺寸的区域,从而其包括并且围绕对应的子区域22。当子区域22位于图像边缘时,扩展单元220还可以对图像边缘进行像素填充以补全扩展区域24。
图像识别单元230可进行图像识别以确定当前帧图像20中的关注对象,例如诸如车辆和行人等之类的动态对象,或者诸如路上障碍物等之类的静态对象。图像识别单元230可以对整幅图像20进行识别,也可以对逐个扩展区域24进行识别。基于扩展区域24是否包括关注对象的至少一部分,关注子区域选定单元240可以确定扩展区域24中的子区域22是否为关注子区域。对于关注子区域,第一预测单元250可以利用其对应的扩展区域24内的图像信息来对其进行预测,以获得预测关注子区域。
可选地,还可以对非关注子区域进行预测。例如,第二预测单元270可以对当前帧图像20的除了关注子区域之外的非关注子区域进行预测,以获得预测非关注子区域。或者,图像缩放单元260可以将当前帧图像20缩小以获得一低分辨率版本,第二预测单元270可以对该低分辨率版本进行预测,以获得其低分辨率预测版本,然后再由缩放单元260放大至原始分辨率。可以理解,第二预测单元270的预测精度可以低于第一预测单元250的预测精度。
然后,图像融合单元280可以执行前述图像融合,以获得最终的预测图像帧。例如,图像融合单元280可以用预测关注子区域替代图像20(可以是经缩放和第二预测单元270预测后的版本)中的相应区域,或者将各个预测关注子区域和预测非关注子区域彼此拼合,以得到预测图像帧。
上述图像预测装置200中的各个单元和模块的具体功能和操作已经在上面参考图1到图3描述的图像预测方法中得到了详细介绍,因此这里仅简要说明,而省略了其重复详细描述。根据本申请实施例的图像预测装置200可以实现在例如图1所示的车辆10中的图像预测单元14中。在一个示例中,根据本申请实施例的图像预测装置200可以作为一个软件模块和/或硬件模块而集成到图像预测单元14中。
示例性电子设备
下面,参考图5来描述根据本申请实施例的电子设备300。电子设备300可以是实现为图1所示的车辆10中的图像预测单元14。
如图5所示,电子设备300包括一个或多个处理器310和存储器320。处理器310可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备300中的其他组件以执行期望的功能。存储器320可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器310可以运行所述程序指令,以实现上文所述的本申请的各个实施例的图像预测方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入图像、预测图像等各种内容。
在一个示例中,电子设备300还可以包括输入单元330和输出单元340,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。例如,输入单元330可以连接到车载传感器例如摄像头或其他图像处理单元以接收输入视频图像。在利用输入图像执行视频预测后,输出单元340可以将预测图像或者对其进行进一步处理后提取的预测数据输出给外部装置,例如输出给车辆的辅助驾驶***以供其形成驾驶决策。
当然,为了简化,图5中仅示出了电子设备300中与本申请有关的组件中的一些,而省略了许多其他组件。应理解,根据具体应用情况,电子设备300还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的图像预测方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的图像预测方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (14)
1.一种图像预测方法,包括:
按预定标准将当前帧图像划分为多个子区域;
确定与每个子区域对应的扩展区域,所述扩展区域包括所述子区域并且比所述子区域更大;
进行图像识别以确定所述当前帧图像中的关注对象;
基于所述扩展区域包括所述关注对象的至少一部分而将所述扩展区域中的所述子区域确定为关注子区域;
利用所述扩展区域内的图像信息对所述关注子区域进行预测,以获得预测关注子区域;以及
利用所述预测关注子区域替代所述当前帧图像中的对应的关注子区域,以获得预测帧图像。
2.如权利要求1所述的方法,其中,所述关注对象包括动态对象。
3.如权利要求2所述的方法,其中,所述扩展区域具有与所述子区域相同的轮廓形状。
4.如权利要求2所述的方法,其中,所述扩展区域与所述子区域的尺寸比例由所述动态对象的运动速度确定。
5.如权利要求1所述的方法,还包括:
当所确定的扩展区域超出所述当前帧图像的范围时,用预定像素对所述扩展区域进行补全。
6.如权利要求1所述的方法,还包括:
对所述当前帧图像的除了所述关注子区域之外的非关注子区域进行预测,以获得预测非关注子区域,
其中,对所述非关注子区域的预测的精度低于对所述关注子区域的预测的精度,且
其中,所述预测关注子区域与所述预测非关注子区域进行拼合,以获得所述预测帧图像。
7.如权利要求1所述的方法,还包括:
对所述当前帧图像进行缩放以获得低分辨率版本;
对所述当前帧图像的低分辨率版本进行预测,以获得其低分辨率预测版本;
对所述当前帧图像的低分辨率预测版本进行缩放,以获得其原始分辨率预测版本;以及
利用所述预测关注子区域替代所述当前帧图像的原始分辨率预测版本中的对应区域,以获得预测帧图像。
8.一种图像预测装置,包括:
图像划分单元,配置为按预定标准将当前帧图像划分为多个子区域;
扩展单元,配置为确定与每个子区域对应的扩展区域,所述扩展区域包括所述子区域并且比所述子区域更大;
图像识别单元,配置为进行图像识别以确定所述当前帧图像中的关注对象;
关注子区域选定单元,配置为基于所述扩展区域包括所述关注对象的至少一部分而将所述扩展区域中的所述子区域选定为关注子区域;
第一预测单元,配置为利用所述扩展区域内的图像信息对所述关注子区域进行预测,以获得预测关注子区域;以及
图像融合单元,配置为利用所述预测关注子区域替代所述当前帧图像中的对应的关注子区域,以获得预测帧图像。
9.如权利要求8所述的装置,其中,所述扩展单元还配置为当所确定的扩展区域超出所述当前帧图像的范围时,用预定像素对所述扩展区域进行补全。
10.如权利要求8所述的装置,还包括:
第二预测单元,配置为对所述当前帧图像的除了所述关注子区域之外的非关注子区域进行预测,以获得预测非关注子区域,
其中,所述第二预测单元的预测精度低于所述第一预测单元的预测精度,且
其中,所述图像融合单元将所述预测关注子区域与所述预测非关注子区域进行拼合,以获得所述预测帧图像。
11.如权利要求8所述的装置,还包括:
缩放单元,配置为对所述当前帧图像进行缩放以获得低分辨率版本;以及
第二预测单元,配置为对所述当前帧图像的低分辨率版本进行预测,以获得其低分辨率预测版本,
其中,所述当前帧图像的低分辨率预测版本被所述缩放单元缩放以获得其原始分辨率预测版本,且
所述图像融合单元利用所述预测关注子区域替代所述当前帧图像的原始分辨率预测版本中的对应区域,以获得预测帧图像。
12.一种电子设备,包括:
处理器;以及
存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-7中的任一项所述的方法。
13.一种车辆,包括权利要求12所述的电子设备。
14.一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如权利要求1-7中的任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810775471.8A CN109063603B (zh) | 2018-07-16 | 2018-07-16 | 基于区域动态筛选的图像预测方法和装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810775471.8A CN109063603B (zh) | 2018-07-16 | 2018-07-16 | 基于区域动态筛选的图像预测方法和装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109063603A CN109063603A (zh) | 2018-12-21 |
CN109063603B true CN109063603B (zh) | 2020-09-11 |
Family
ID=64816731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810775471.8A Active CN109063603B (zh) | 2018-07-16 | 2018-07-16 | 基于区域动态筛选的图像预测方法和装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063603B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111414904B (zh) * | 2019-01-08 | 2023-12-01 | 北京地平线机器人技术研发有限公司 | 处理感兴趣区域数据的方法和装置 |
CN113596449B (zh) * | 2019-06-05 | 2023-11-03 | 西安万像电子科技有限公司 | 图像处理方法及装置 |
CN113518249B (zh) * | 2020-04-10 | 2023-03-10 | 华为技术有限公司 | 一种远端图像处理方法及装置 |
CN111950520B (zh) * | 2020-08-27 | 2022-12-02 | 重庆紫光华山智安科技有限公司 | 图像识别方法、装置、电子设备及存储介质 |
CN112308871B (zh) * | 2020-10-30 | 2024-05-14 | 地平线(上海)人工智能技术有限公司 | 确定视频中目标点的运动速度的方法以及装置 |
CN114842441A (zh) * | 2022-06-30 | 2022-08-02 | 小米汽车科技有限公司 | 模型性能的确定方法、装置、电子设备及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5777690A (en) * | 1995-01-20 | 1998-07-07 | Kabushiki Kaisha Toshiba | Device and method for detection of moving obstacles |
CN1738426A (zh) * | 2005-09-09 | 2006-02-22 | 南京大学 | 一种视频运动目标分割与跟踪方法 |
CN103731670A (zh) * | 2013-12-25 | 2014-04-16 | 同观科技(深圳)有限公司 | 一种图像的帧内预测算法 |
CN105812618A (zh) * | 2016-03-17 | 2016-07-27 | 浙江大华技术股份有限公司 | 一种运动检测方法及运动检测装置 |
CN107566834A (zh) * | 2017-10-10 | 2018-01-09 | 司马大大(北京)智能***有限公司 | 帧内预测单元划分方法、装置及电子设备 |
-
2018
- 2018-07-16 CN CN201810775471.8A patent/CN109063603B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5777690A (en) * | 1995-01-20 | 1998-07-07 | Kabushiki Kaisha Toshiba | Device and method for detection of moving obstacles |
CN1738426A (zh) * | 2005-09-09 | 2006-02-22 | 南京大学 | 一种视频运动目标分割与跟踪方法 |
CN103731670A (zh) * | 2013-12-25 | 2014-04-16 | 同观科技(深圳)有限公司 | 一种图像的帧内预测算法 |
CN105812618A (zh) * | 2016-03-17 | 2016-07-27 | 浙江大华技术股份有限公司 | 一种运动检测方法及运动检测装置 |
CN107566834A (zh) * | 2017-10-10 | 2018-01-09 | 司马大大(北京)智能***有限公司 | 帧内预测单元划分方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109063603A (zh) | 2018-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063603B (zh) | 基于区域动态筛选的图像预测方法和装置及电子设备 | |
JP7228652B2 (ja) | 物体検出装置、物体検出方法およびプログラム | |
JP6833630B2 (ja) | 物体検出装置、物体検出方法およびプログラム | |
JP6313646B2 (ja) | 外界認識装置 | |
KR102541559B1 (ko) | 관심 객체를 검출하는 방법 및 장치 | |
US11443151B2 (en) | Driving assistant system, electronic device, and operation method thereof | |
US20150367781A1 (en) | Lane boundary estimation device and lane boundary estimation method | |
CN109074742B (zh) | 周边认知装置、周边认知方法和计算机可读取的记录介质 | |
JP2018081545A (ja) | 画像データ抽出装置及び画像データ抽出方法 | |
KR102011624B1 (ko) | 개선된 차량검출 방법과 이를 활용한 비정상적 주정차 차량식별 시스템 | |
US8891828B2 (en) | Image processing apparatus and image processing method | |
CN111898539A (zh) | 一种多目标检测方法、装置、***、设备及可读存储介质 | |
CN115147328A (zh) | 三维目标检测方法及装置 | |
KR20220136196A (ko) | 화상 처리 장치, 화상 처리 방법, 이동 장치, 및 저장 매체 | |
CN112906471A (zh) | 一种交通信号灯识别方法及装置 | |
CN108960160B (zh) | 基于非结构化预测模型来预测结构化状态量的方法和装置 | |
CN111126406A (zh) | 车辆行驶区域识别方法及装置 | |
KR101875517B1 (ko) | 영상 처리 방법 및 장치 | |
JP7354773B2 (ja) | 物体検出装置、物体検出方法、及び物体検出プログラム | |
KR102112250B1 (ko) | 오브젝트 검출 방법 및 장치 | |
JP4847303B2 (ja) | 障害物検出方法、障害物検出プログラムおよび障害物検出装置 | |
KR101813783B1 (ko) | 컴퓨터 비전을 사용한 교통량 측정 방법 및 시스템 | |
CN111208691A (zh) | 拍摄视角的调整方法、装置、电子设备及存储介质 | |
US20240167837A1 (en) | Display processing apparatus, movable apparatus, and display processing method | |
CN113962249B (zh) | 压线识别方法及装置、电子设备和存储介质 |
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 |