CN109711416A - 目标识别方法、装置、计算机设备和存储介质 - Google Patents
目标识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109711416A CN109711416A CN201811408741.8A CN201811408741A CN109711416A CN 109711416 A CN109711416 A CN 109711416A CN 201811408741 A CN201811408741 A CN 201811408741A CN 109711416 A CN109711416 A CN 109711416A
- Authority
- CN
- China
- Prior art keywords
- feature point
- area
- point
- target
- region
- 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
Links
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及一种目标识别方、装置、计算机设备和存储介质。方法包括：对待识别图像进行特征点提取，得到特征点集，基于特征点集，确定候选目标区域，将候选目标区域输入训练好的分类器进行识别，识别出目标。其中，通过特征点提取确定候选目标区域，该方法可以降低候选窗口数量，候选窗口数量的减少有利于目标识别，达到识别率高且虚警低的效果。此外，该方法不需要巨大的样本数据以及很高的资源和计算能力，因此，对硬件要求不高，能够在嵌入式平台上实现。
Description
技术领域
本申请涉及计算机视觉领域，特别是涉及一种目标识别方法、装置、计算机设备和存储介质。
背景技术
随着互联网、人工智能技术、智能硬件的迅猛发展，人类生活中存在着大量的图像和视频数据，这使得计算机视觉技术在人类生活中起到的作用越来越大，对计算机视觉的研究也越来越重视。其中，目标识别作为计算机视觉领域的基石，也越来越受到重视。
传统的目标识别方法主要有两种，第一种是检测加二次判决方法，第二种是深度学***台上实现。
因此，传统的目标识别方法存在着识别率低、虚警高、需要巨大的样本数据以及很高的资源和计算能力，对硬件要求很高，难以在嵌入式平台上实现的技术问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够准确方便识别目标的目标识别方法、装置、计算机设备和存储介质。
一种目标识别方法，所述方法包括：
对待识别图像进行特征点提取，得到特征点集；
基于所述特征点集，确定候选目标区域；
将所述候选目标区域输入训练好的分类器进行识别，识别出所述目标。
一种目标识别装置，所述装置包括：
特征提取模块，用于对待识别图像进行特征点提取，得到特征点集；
区域确定模块，用于基于所述特征点集，确定候选目标区域；
识别模块，用于将所述候选目标区域输入训练好的分类器进行识别，识别出所述目标。
一种计算机设备，包括存储器及处理器，所述存储器上存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
对待识别图像进行特征点提取，得到特征点集；
基于所述特征点集，确定候选目标区域；
将所述候选目标区域输入训练好的分类器进行识别，识别出所述目标。
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以下步骤：
对待识别图像进行特征点提取，得到特征点集；
基于所述特征点集，确定候选目标区域；
将所述候选目标区域输入训练好的分类器进行识别，识别出所述目标。
上述目标识别方法、装置、计算机设备和存储介质，对待识别图像进行特征点提取，得到特征点集；基于特征点集，确定候选目标区域；将候选目标区域输入训练好的分类器进行识别，识别出目标。其中，通过特征点提取确定候选目标区域，该方法可以降低候选窗口数量，候选窗口数量的减少有利于目标识别，达到识别率高且虚警低的效果。此外，该方法不需要巨大的样本数据以及很高的资源和计算能力，因此，对硬件要求不高，能够在嵌入式平台上实现。
附图说明
图1为一个实施例中目标识别方法的应用环境图；
图2为一个实施例中目标识别方法的流程示意图；
图3为一个实施例中步骤201的细化步骤的流程示意图；
图4为一个实施例中步骤2012的细化步骤的流程示意图；
图5为一个实施例中步骤202的细化步骤的流程示意图；
图6为一个实施例中步骤202的另一细化步骤的流程示意图；
图7为一个实施例中步骤202的细化步骤的流程示意图；
图8为一个实施例中步骤2026的细化步骤的流程示意图；
图9为一个实施例中步骤20261的细化步骤的流程示意图；
图10为一个实施例中邻域均匀采样模式示意图；
图11为一个实施例中步骤20262的细化步骤的流程示意图；
图12为一个实施例中步骤2027的细化步骤的流程示意图；
图13为一个实施例中步骤2027的另一细化步骤的流程示意图；
图14为另一个实施例中目标识别方法的流程示意图；
图15为一个实施例中Haar-like矩形特征模板示意图；
图16为一个实施例中步骤301的细化步骤的流程示意图；
图17为一个实施例中步骤301的另一细化步骤的流程示意图；
图18为一个实施例中步骤303的细化步骤的流程示意图；
图19为沙漠场景下采用本技术方案的识别结果；
图20为草地场景下采用本技术方案的识别结果；
图21为山脉场景下采用本技术方案的识别结果；
图22为城市场景下采用本技术方案的识别结果
图23为一个实施例中目标识别装置的结构框图；
图24为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的目标识别方法，可以应用于如图1所示的应用环境中。其中，图像采集装置10与计算机设备20相连接。其中，图像采集装置10与计算机设备20可以设置为一体式终端，该一体式终端可以包含但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑。该图像采集装置10与计算机设备20还可以是分别独立设置的图像采集装置10(例如相机)与服务器。该图像采集装置10通过网络与服务器通信连接，该服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
可选地，该计算机设备20包含至少一个处理器21与存储器22。
其中，该计算机设备20内的存储器22内存储有识别算法，处理器21可以调用并运行存储器22内的识别算法，对输入的待识别图像进行处理。
其中，图像采集装置10获取到若干待识别图像后，将待识别图像输入至计算机设备20，计算机设备20内的处理器21调用并运行存储器22内的识别算法，对输入的待识别图像进行特征点提取，得到特征点集，之后，处理器21基于特征点集可以确定候选目标区域，处理器21将候选目标区域输入训练好的分类器进行识别，从而可以识别出目标。
在一个实施例中，如图2所示，提供了一种目标识别方法，以该方法应用于图1为例进行说明，包括以下步骤：
步骤201，对待识别图像进行特征点提取，得到特征点集；
其中，待识别图像是具有颜色、纹理、空间关系、形状的图像，包括了需要识别的目标及非目标。
其中，特征点提取是利用计算机提取图像中的信息，决定每个图像中的点是否属于一个图像特征，特征点提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域，而特征点集是被分为不同的子集的点的集合。其中，特征点集包括了特征点的位置和尺度。
步骤202，基于所述特征点集，确定候选目标区域；
上述步骤201～202所描述的确定候选目标区域为BRISK特征点检测算法。
步骤203，将所述候选目标区域输入训练好的分类器进行识别，识别出所述目标。
训练好的分类器是利用成熟的库函数训练的具有分类判别功能的模型。
在本发明实施例中，处理器21将候选目标区域送入训练好的分类器中进行分类判决，并将判决出的包括目标的候选目标区域映射回待识别图像中显示，从而在待识别图像中，可以准确识别出目标。
上述目标识别方法，对待识别图像进行特征点提取，得到特征点集，基于特征点集确定候选目标区域，将候选目标区域输入训练好的分类器进行识别，识别出目标。其中，通过特征点提取确定候选目标区域，该方法可以降低候选窗口数量，候选窗口数量的减少有利于目标识别，达到识别率高且虚警低的效果。此外，该方法不需要巨大的样本数据以及很高的资源和计算能力，因此，对硬件要求不高，能够在嵌入式平台上实现。
作为一种可选的实施方式，如图3所示，为步骤201的细化步骤的流程示意图，具体包括：
步骤2011，根据所述待识别图像，建立尺度空间；
其中，尺度空间是通过对原始图像进行尺度变换，获得原始图像多尺度下的尺度空间表示序列，尺度空间将传统的单尺度视觉信息处理技术纳入尺度不断变化的动态构架中，更容易获得图像的本质特征。尺度空间生成的目的是模拟原始图像的多尺度特征。
在本发明实施例中，构造n个octave层(用ci表示)和n个intra-octave层(用di表示)，例如，n＝4，i＝{0,1,...,n-1}，假设有待识别图像img，octave层的产生包括：c0层就是img原图像，c1层是c0层的2倍下采样，c2层是c1层的2倍下采样，以此类推；intra-octave层的产生包括：d0层是img的1.5倍下采样，d1层是d0层的2倍下采样(即img的2*1.5倍下采样)，d2层是d1层的2倍下采样，以此类推，则ci层、di层与img原图像的尺度关系用t表示为：t(ci)＝2i，t(di)＝2i×1.5。
其中，由于n＝4，所以一共可以得到8张图，octave层之间尺度(缩放因子)是2倍关系，intra-octave层之间尺度(缩放因子)也是2倍关系。
步骤2012，对所述尺度空间进行特征点提取，得到特征点集。
其中，关于特征点提取及特征点集的描述见步骤201，此处不再加以赘述。
其中，按照步骤2011中的例子，在本发明实施例中，对步骤2011中得到的8张图进行特征点提取，得到特征点集。
上述目标识别方法，处理器21根据待识别图像，建立尺度空间，对尺度空间进行特征点提取，得到特征点集，之后处理器21基于特征点集确定候选目标区域，将候选目标区域输入训练好的分类器进行识别，识别出目标。其中，通过特征点提取的方法来确定候选目标区域，因为该方法运算简单快速，对尺度、旋转和平移、光照具有不变性等优点，利用该方法可以降低候选窗口数量，候选窗口数量的减少有利于目标识别，达到识别率高且虚警低的效果。此外，该方法不需要巨大的样本数据以及很高的资源和计算能力，因此，对硬件要求不高，能够在嵌入式平台上实现。
作为一种可选的实施方式，如图4所示，为步骤2012的细化步骤的流程示意图，具体包括：
步骤20121，对所述尺度空间进行角点检测，得到兴趣点集；
其中，角点是图像很重要的特征，对图像图形的理解和分析有很重要的作用。目前的角点检测算法可归纳为3类：基于灰度图像的角点检测、基于二值图像的角点检测、基于轮廓曲线的角点检测。
其中，兴趣点指的是图像中具有特殊性质的像素点，是图像的重要特征。它具有旋转不变性和不随光照条件变化的优点。这类点被大量用于解决物体识别，图像匹配，视觉跟踪，三维重建等问题。
其中，对尺度空间进行角点检测本质上是对建立了尺度空间后空间中的图进行角点检测。在本发明实施例中，建立尺度空间后得到8张图，对这8张图进行FAST9-16角点检测，得到具有角点信息的8张图，对img原图像进行一次FAST5-8角点检测(当做d(-1)层，虚拟层)，总共会得到9幅有角点信息的图像，其中，角点信息所构成的集合即为兴趣点集。
步骤20122，对所述兴趣点集中的兴趣点进行非极大值抑制，得到极值点集；
其中，非极大值抑制就是抑制不是极大值的元素，可以理解为局部最大搜索。例如，在行人检测中，滑动窗口经提取特征，经分类器分类识别后，每个窗口都会得到一个分数。但是滑动窗口会导致很多窗口与其他窗口存在包含或者大部分交叉的情况。这时就需要用到非极大值抑制来选取那些邻域里分数最高(是行人的概率最大)，并且抑制那些分数低的窗口。
其中，极值点集是极值点的集合，极值点是得分值符合要求的兴趣点，要求在位置空间(8邻域点)和尺度空间(上下层2*9个点)，共26个邻域点的FAST的得分值要最大，否则不能当做极值点。
在本发明实施例中，初步确定兴趣点集后，需要对兴趣点集中的兴趣点进行非极大值抑制，滤除一部分不稳定的兴趣点，则得到的即为极值点集。
步骤20123，获取所述极值点集中的每个极值点所在层上的图像块，对所述图像块的边缘位置进行亚像素插值，得到所述特征点集。
其中，亚像素是将像素这个基本单位再进行细分，它是比像素还小的单位，从而提高了图像分辨率。亚像素插值是对过度变化的区域的像素所在行或列进行插值。
在本发明实施例中，得到极值点集后，该极值点集中的极值点还比较粗糙，需要进一步精确定位，精确定位后便可得到特征点集。
在本发明实施例中，进过上述步骤20121～步骤20123，得到了极值点集的位置和尺度，在极值点所在层及其上下层所对应的位置，对FAST得分值(共3个)进行二维二次函数插值(x、y方向)，得到真正意义上的得分极值点及其精确的坐标位置(作为特征点位置)，再对尺度方向进行一维插值，得到极值点所对应的尺度(作为特征点尺度)，将具有精确的坐标位置(特征点位置)和极值点所对应的尺度(特征点尺度)的点作为特征点集。
其中，BRISK特征点检测的方法来提取候选目标区域
上述目标识别方法，处理器21对尺度空间进行角点检测，得到兴趣点集，对兴趣点集中的兴趣点进行非极大值抑制，得到极值点集，获取极值点集中的每个极值点所在层上的图像块，对图像块的边缘位置进行亚像素插值，得到特征点集。之后处理器21基于包含了特征点位置和特征点尺度的特征点集，确定候选目标区域，将候选目标区域输入训练好的分类器进行识别，识别出目标。其中，通过特征点提取的方法来确定候选目标区域，因为该方法运算简单快速，对尺度、旋转和平移、光照具有不变性等优点，利用该方法可以降低候选窗口数量，候选窗口数量的减少有利于目标识别，达到识别率高且虚警低的效果。此外，该方法不需要巨大的样本数据以及很高的资源和计算能力，因此，对硬件要求不高，能够在嵌入式平台上实现。
作为一种可选的实施方式，如图5所示，所述特征点集包括特征点位置和特征点尺度，图5为步骤202的细化步骤的流程示意图，具体包括：
步骤2021，以所述特征点位置为区域中心，所述特征点尺度为区域半径，在所述待识别图像中截取出第一区域；
在本发明实施例中，以特征点位置为区域中心，特征点尺度为区域半径，在待识别图像中截取出第一区域。可选的，以特征点位置为区域中心，特征点尺度为区域半径，先确定一个圆形区域，将该圆形区域的外接正方形作为待识别图像中需要截取的区域，即第一区域。
步骤2022，将所述第一区域作为所述候选目标区域。
在本发明实施例中，将第一区域作为待输入训练好的分类器的候选目标区域，方便训练好的分类器的判决，有利于处理器21的计算。
上述目标识别方法，处理器21获得特征点集后，特征点集包括特征点位置和特征点尺度，以特征点位置为区域中心，特征点尺度为区域半径，在待识别图像中截取出第一区域，将第一区域作为候选目标区域，之后，将第一区域(即候选目标区域)输入训练好的分类器中，从而可以准确快速识别出目标。可选的，第一区域为正方形区域，在分类器判决过程中，正方形有利于训练好的分类器的判决，从而有利于处理器21的计算。
其中，若目标为较大的目标，则作为一种可选的实施方式，如图6所示，所述特征点集包括特征点位置和特征点尺度，图6为步骤202的另一细化步骤的流程示意图，具体包括：
步骤2023，以所述特征点位置为区域中心，所述特征点尺度为区域半径，在所述待识别图像中截取出第二区域；
在本发明实施例中，以特征点位置为区域中心，特征点尺度为区域半径，在待识别图像中截取出第二区域。可选的，以特征点位置为区域中心，特征点尺度为区域半径，先确定一个圆形区域，将该圆形区域的外接正方形作为待识别图像中需要截取的区域，即第二区域。
步骤2024，将所述正方形区域作为所述目标的边缘区域；
在本发明实施例中，若目标为大目标(处理器21计算出目标的面积大于预设尺度)，则通过步骤2023获得的是目标的边缘区域。
步骤2025，将边缘联通的边缘区域进行合并，将合并后的区域作为所述候选目标区域。
在本发明实施例中，通过对目标的边缘区域进行整合分析，将边缘联通的边缘区域进行合并，将合并后的区域作为候选目标区域。
在本发明实施例中，以特征点位置为区域中心，特征点尺度为区域半径，在待识别图像中截取出第二区域，将第二区域作为目标的边缘区域，将边缘联通的边缘区域进行合并，将合并后的区域作为候选目标区域，只要确定出候选目标区域，将候选目标区域输入训练好的分类器，便可以识别出目标。通过上述合并方法，可以识别出任意尺度的目标。可选的，第二区域为正方形区域，在分类器判决过程中，正方形有利于训练好的分类器的判决，从而有利于处理器21的计算。
作为一种可选的实施方式，如图7所示，为步骤202的细化步骤的流程示意图，具体包括：
步骤2026，对所述特征点集中的特征点进行特征点描述，获得矢量描述子；
其中，特征点描述就是获得特征点集中的特征点的特征描述子。
其中，矢量描述子是二值比特矢量描述子，其包括了特征点的位置和尺度。
步骤2027，基于所述矢量描述子，确定候选目标区域；
上述目标识别方法，基于矢量描述子，确定候选目标区域，将候选目标区域输入训练好的分类器进行识别，识别出目标。其中，通过特征点提取确定候选目标区域，该方法可以降低候选窗口数量，候选窗口数量的减少有利于目标识别，达到识别率高且虚警低的效果。此外，该方法不需要巨大的样本数据以及很高的资源和计算能力，因此，对硬件要求不高，能够在嵌入式平台上实现。
作为一种可选的实施方式，如图8所示，为步骤2026的细化步骤的流程示意图，具体包括：
步骤20261，对所述特征点集中的特征点进行采样及滤波，得到采样点；
在本发明实施例中，得到了特征点集即表示得到了特征点集中的每个特征点的位置和尺度，处理器21需要对特征点进行特征点描述。首先，处理器21对特征点进行采样及滤波，得到滤波后的采样点。
步骤20262，对所述采样点进行特征方向赋值及描述，获得所述矢量描述子。
其中，特征方向赋值是基于图像局部的梯度方向，分配给每个特征点位置一个或多个方向，从而提供这些特征的不变性。
其中，对采样点进行描述指在每个采样点周围的邻域内，在选定的尺度上测量图像的局部梯度。
上述目标识别方法，处理器21基于矢量描述子可以确定出候选目标区域，将候选目标区域输入训练好的分类器进行识别，识别出目标。其中，通过特征点提取的方法来确定候选目标区域，因为该方法运算简单快速，对尺度、旋转和平移、光照具有不变性等优点，利用该方法可以降低候选窗口数量，候选窗口数量的减少有利于目标识别，达到识别率高且虚警低的效果。此外，该方法不需要巨大的样本数据以及很高的资源和计算能力，因此，对硬件要求不高，能够在嵌入式平台上实现。
作为一种可选的实施方式，如图9所示，为步骤20261的细化步骤的流程示意图，具体包括：
步骤202611，对所述特征点集中的特征点进行采样，得到初始采样点；
在本发明实施例中，处理器21对特征点进行采样，具体如图10所示：在每个特征点邻域内使用确定的采样模式(可选邻域均匀采样模式)，以特征点为中心，构建不同半径的同心圆，在每个圆上获取一定数目的等间隔采样点，得到初始采样点(所有初始采样点包括特征点，一共N个)，其中，小的黑色圆表示采样位置。
步骤202612，对所述初始采样点进行高斯滤波，得到高斯平滑后的采样点。
在本发明实施例中，由于上述步骤202611中的邻域均匀采样模式会引起混叠效应，所以需要对同心圆上的初始采样点进行高斯滤波，得到高斯平滑后的采样点。其中，如图10所示，大的虚线圆半径对应于平滑该初始采样点的灰度值所用的高斯核的标准差，其模式尺度为1。
上述目标识别方法，通过特征点提取的方法来确定候选目标区域，因为该方法运算简单快速，对尺度、旋转和平移、光照具有不变性等优点，利用该方法可以降低候选窗口数量，候选窗口数量的减少有利于目标识别，达到识别率高且虚警低的效果。此外，该方法不需要巨大的样本数据以及很高的资源和计算能力，因此，对硬件要求不高，能够在嵌入式平台上实现。
作为一种可选的实施方式，如图11所示，为步骤20262的细化步骤的流程示意图，具体包括：
步骤202621，对所述高斯平滑后的采样点进行局部梯度计算，确定所述特征点的主方向；
在本发明实施例中，假设有N个采样点，则采样点两两组合成一对，共有N(N-1)/2种组合方式，所有组合方式的集合称作采样点对，对于待识别图像(img原图)中的每一个特征点来说，考虑所有采样点对，定义短距离点对和长距离点对，之后利用长距离点对可以确定特征点的主方向。
步骤202622，将所述特征点周围的采样区域旋转到所述主方向，得到新的采样区域；
在本发明实施例中，要解决旋转不变性，则需要对特征点周围的采样区域进行旋转，将特征点周围的采样区域旋转到主方向，旋转后得到新的采样区域。
步骤202623，对所述新的采样区域进行采样，得到新的采样点；
在本发明实施例中，步骤202623中的采样方法和上述步骤202611中所述的方法一致，此处不再加以赘述。
步骤202624，对所述新的采样点进行编码，得到所述矢量描述子。
在本发明实施例中，由新的采样点可得到N(N-1)/2对采样点对，可以得到N(N-1)/2个距离的集合(包含长、短距离子集)，对短距离子集中的短距离点对进行二进制编码，通过执行所有短距离点对的灰度比较，可以得到矢量描述子。
上述目标识别方法，通过特征点提取的方法来确定候选目标区域，因为该方法运算简单快速，对尺度、旋转和平移、光照具有不变性等优点，利用该方法可以降低候选窗口数量，候选窗口数量的减少有利于目标识别，达到识别率高且虚警低的效果。此外，该方法不需要巨大的样本数据以及很高的资源和计算能力，因此，对硬件要求不高，能够在嵌入式平台上实现。
作为一种可选的实施方式，如图12所示，所述矢量描述子包括特征点位置和特征点尺度，图12为步骤2027的细化步骤的流程示意图，具体包括：
步骤20271，以所述特征点位置为区域中心，所述特征点尺度为区域半径，在所述待识别图像中截取出第三区域；
在本发明实施例中，以特征点位置为区域中心，特征点尺度为区域半径，在待识别图像中截取出第三区域。可选的，以特征点位置为区域中心，特征点尺度为区域半径，先确定一个圆形区域，将该圆形区域的外接正方形作为待识别图像中需要截取的区域，即第三区域。
步骤20272，将所述第三区域作为所述候选目标区域。
在本发明实施例中，将第三区域作为待输入训练好的分类器的候选目标区域，方便训练好的分类器的判决，有利于处理器21的计算。
上述目标识别方法，处理器21获得到待识别图像的矢量描述子后，矢量描述子包括特征点位置和特征点尺度，以特征点位置为区域中心，特征点尺度为区域半径，在待识别图像中截取出第三区域，将第三区域作为候选目标区域，之后，将第三区域(即候选目标区域)输入训练好的分类器中，从而可以准确快速识别出目标。可选的，第三区域为正方形区域，在分类器判决过程中，正方形有利于训练好的分类器的判决，从而有利于处理器21的计算。
其中，若目标为较大的目标，则作为一种可选的实施方式，如图13所示，所述矢量描述子包括特征点位置和特征点尺度，图13为步骤2027的另一细化步骤的流程示意图，具体包括：
步骤20273，以所述特征点位置为区域中心，所述特征点尺度为区域半径，在所述待识别图像中截取出第四区域；
在本发明实施例中，以特征点位置为区域中心，特征点尺度为区域半径，在待识别图像中截取出第四区域。可选的，以特征点位置为区域中心，特征点尺度为区域半径，先确定一个圆形区域，将该圆形区域的外接正方形作为待识别图像中需要截取的区域，即第四区域。
步骤20274，将所述正方形区域作为所述目标的边缘区域；
在本发明实施例中，若目标为大目标(处理器21计算出目标的面积大于预设尺度)，则通过步骤20273获得的是目标的边缘区域。
步骤20275，将边缘联通的边缘区域进行合并，将合并后的区域作为所述候选目标区域。
在本发明实施例中，通过对目标的边缘区域进行整合分析，将边缘联通的边缘区域进行合并，将合并后的区域作为候选目标区域。
在本发明实施例中，以特征点位置为区域中心，特征点尺度为区域半径，在待识别图像中截取出第四区域，将第四区域作为目标的边缘区域，将边缘联通的边缘区域进行合并，将合并后的区域作为候选目标区域，只要确定出候选目标区域，将候选目标区域输入训练好的分类器，便可以识别出目标。通过上述合并方法，可以识别出任意尺度的目标。可选的，第四区域为正方形区域，在分类器判决过程中，正方形有利于训练好的分类器的判决，从而有利于处理器21的计算。
在另一个实施例中，如图14所示，提供了一种目标识别方法，以该方法应用于图1为例进行说明，包括以下步骤：
步骤301，采集训练样本；
其中，训练样本是训练数学模型的参数，利用训练样本对预设的数学模型进行训练，可以得到稳定的被需要的模型***。在本发明实施例中，在步骤203将候选目标区域输入训练好的分类器进行识别之前，需要利用训练样本对预设的数学模型进行训练，得到训练好的分类器，这样在将候选目标区域输入训练好的分类器进行识别时，才可以准确的识别出目标，而在得到训练好的分类器之前，需要先采集到训练样本。
步骤302，对所述训练样本进行特征值计算，得到弱分类器；
在本发明实施例中，利用现有的特征特征提取方法对训练样本进行特征提取，得到若干特征，对上述若干特征进行积分计算，得到训练样本积分图，利用训练样本积分图可以得到对应的矩形特征，而矩形特征的值称为特征值，每一个特征值对应着一个弱分类器。
其中，弱分类器定义如下：
其中，hj表示弱分类器的值，θj为阈值，pj为偏置，fj(x)为特征值。
在本发明实施例中，对训练样本进行Haar-like特征提取，其中，Haar-like特征是一种统计特征，Haar-like矩形特征模板如图15所示。Haar-like特征模板分别描述了线性、边缘和对角线特征，这些特征模板在图像中可以生成大量的矩形特征，其个数由图像大小决定。为了快速计算矩形特征值，采用积分图像来加速运算，所谓积分图像指的是图像中每一个像素的值为将原图像中任意点左上方的全部像素灰度值之和相加得到的值，使用积分图像可以方便计算出原图像中任意矩形区域内像素点之和，提高计算速度。在本发明实施例中，对训练样本进行Haar-like特征提取，可以快速简单计算出特征值，得到弱分类器。
步骤303，对所述弱分类器进行训练，生成级联分类器；
在本发明实施例中，根据迭代算法，对弱分类器进行训练，生成强分类器，对强分类器进行训练，生成级联分类器。
步骤304，将所述级联分类器作为所述训练好的分类器。
在本发明实施例中，采集训练样本，对训练样本进行特征值计算，得到弱分类器，对弱分类器进行训练，生成级联分类器，将级联分类器作为训练好的分类器，利用上述方法得到的分类器可快速准确的从待识别图像中识别出目标。
作为一种可选的实施方式，如图16所示，为步骤301的细化步骤的流程示意图，具体包括：
步骤3011，基于待训练图像，确定目标区域及非目标区域；
其中，目标区域指待训练图像中包含用户指定的目标的区域。例如，用户指定的目标为车辆，则将所有的待训练图像中的车所在的区域作为目标区域，将待训练图像中排除目标区域的其他区域作为非目标区域。其中，可手动或利用处理器21自动标注待训练图像中目标所在区域(目标区域)以及非目标区域。
步骤3012，对所述目标区域进行特征点提取，得到目标区域特征点集，对所述非目标区域进行特征点提取，得到非目标区域特征点集；其中，所述目标区域特征点集包括目标区域特征点位置和目标区域特征点尺度，所述非目标区域特征点集包括非目标区域特征点位置和非目标区域特征点尺度；
在本发明实施例中，步骤3012中的进行特征点提取，得到特征点集的方法和上述步骤201中描述的方法一致，此处不再加以赘述。
步骤3013，以所述目标区域特征点位置为区域中心，所述目标区域特征点尺度为区域半径，在所述待训练图像中截取出第五区域，作为所述训练样本中的正样本；
在本发明实施例中，以目标区域特征点位置为区域中心，目标区域特征点尺度为区域半径，在待训练图像中截取出第五区域，作为训练样本中的正样本。
可选的，以目标区域特征点位置为区域中心，目标区域特征点尺度为区域半径，先确定一个圆形区域，将该圆形区域的外接正方形作为待训练图像中需要截取的区域，即第五区域。
步骤3014，以所述非目标区域特征点位置为区域中心，所述非目标区域特征点尺度为区域半径，在所述待训练图像中截取出第六区域，作为所述训练样本中的负样本。
在本发明实施例中，以非目标区域特征点位置为区域中心，非目标区域特征点尺度为区域半径，在待训练图像中截取出第六区域，作为训练样本中的负样本。
可选的，以非目标区域特征点位置为区域中心，非目标区域特征点尺度为区域半径，先确定一个圆形区域，将该圆形区域的外接正方形作为待训练图像中需要截取的区域，即第六区域。
上述目标识别方法，手动或利用处理器21自动标注出待训练图像中目标所在区域(即目标区域)以及非目标区域，之后对目标区域和非目标区域进行特征提取等操作，得到正负样本，利用上述方法选取正负样本的方式，极大的减少了人工标注的时间。
作为一种可选的实施方式，如图17所示，为步骤301的另一细化步骤的流程示意图，具体包括：
步骤3015，基于待训练图像，确定目标区域及非目标区域；
步骤3016，对所述目标区域进行特征点提取，得到目标区域特征点集，对所述非目标区域进行特征点提取，得到非目标区域特征点集；
步骤3017，对所述目标区域特征点集中的目标区域特征点进行特征点描述，获得目标区域矢量描述子，对所述非目标区域特征点集中的非目标区域特征点进行特征点描述，获得非目标区域矢量描述子，其中，所述目标区域矢量描述子包括目标区域特征点位置和目标区域特征点尺度，所述非目标区域矢量描述子包括非目标区域特征点位置和非目标区域特征点尺度；
在本发明实施例中，步骤3017中的特征点描述的方法和上述步骤2021中描述的方法一致，此处不再加以赘述。
步骤3018，以所述目标区域特征点位置为区域中心，所述目标区域特征点尺度为区域半径，在所述待训练图像中截取出第七区域，作为所述训练样本中的正样本；
其中，以目标区域特征点位置为区域中心，目标区域特征点尺度为区域半径，在待训练图像中截取出第七区域，作为训练样本中的正样本。可选的，以目标区域特征点位置为区域中心，目标区域特征点尺度为区域半径，先确定一个圆形区域，将该圆形区域的外接正方形作为待训练图像中需要截取的区域。
步骤3019，以所述非目标区域特征点位置为区域中心，所述非目标区域特征点尺度为区域半径，在所述待训练图像中截取出第四区域，作为所述训练样本中的负样本。
在本发明实施例中，以非目标区域特征点位置为区域中心，非目标区域特征点尺度为区域半径，在待训练图像中截取出第八区域，作为训练样本中的负样本。可选的，以非目标区域特征点位置为区域中心，非目标区域特征点尺度为区域半径，先确定一个圆形区域，将该圆形区域的外接正方形作为待训练图像中需要截取的区域，即第八区域。
上述目标识别方法，手动或利用处理器21自动标注出待训练图像中目标所在区域(即目标区域)以及非目标区域，之后对目标区域和非目标区域进行特征提取等操作，得到正负样本，利用上述方法选取正负样本的方式，极大的减少了人工标注的时间。
作为一种可选的实施方式，如图18所示，为步骤303的细化步骤的流程示意图，具体包括：
步骤3031，根据迭代算法，对所述弱分类器进行训练，生成强分类器；
其中，给定训练样本和训练的最大循环次数，初始化样本权重为1/n(即为训练样本的初始概率分布)，训练样本的概率分布相当下，训练弱分类器，计算弱分类器的错误率，之后选取合适阈值，使得误差最小，更新样本权重经T次循环后，得到T个弱分类器，按更新的权重叠加，最终得到强分类器。
需要说明的是，在对弱分类器进行训练之前，需要对弱分类器进行筛选，因为为了准确识别出目标，采集了大量的训练样本，则获得的弱分类器数量过多，如果将过多的弱分类器全部用于检测，将会产生巨大的计算量。因此，利用Adaboost学习算法从大量的弱分类器中选出对分类有利的弱分类器，用于构造强分类器。
步骤3032，对所述强分类器进行训练，生成所述级联分类器。
其中，以级联的方式，从简单到复杂逐步串联强分类器，形成级联分类器。
上述目标识别方法，采集训练样本，对训练样本进行特征值计算，得到弱分类器，对弱分类器进行训练，生成级联分类器，将级联分类器作为训练好的分类器，利用上述方法得到的分类器可以快速准确的从待识别图像中识别出目标。
在本发明实施例中，为了验证上述技术途径的有效性及可行性，现对不同场景(沙漠、草地、山脉、城市)数据进行测试，假设目标为装甲车辆，仿真结果如图19～图22所示。在图19～图22中，矩形框表示识别出的目标，圆圈中心表示利用BRISK特征点检测获得的特征点位置，圆圈半径表示特征点尺度。其中，图19表示沙漠场景下采用本技术方案的识别结果；图20表示草地场景下采用本技术方案的识别结果；图21表示山脉场景下采用本技术方案的识别结果；图22表示城市场景下采用本技术方案的识别结果。从图19～图22中可以看出，通过特征点检测获得的候选区域除了目标本身外，还包含部分虚假目标区域(图中圆圈区域，例如，树木、山脉、建筑物等)。经过训练好的分类器进行分类识别后，可准确识别出真实的目标，最小可识别目标像素大小为12*12，识别率达到90％，虚警率低于10％。
应该理解的是，虽然图2-9、图11-14及图16-18的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-9、图11-14及图16-18中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行。
在一个实施例中，如图23所示，提供了一种目标识别装置，包括：特征提取模块401、区域确定模块402和识别模块403，其中：特征提取模块401，用于对待识别图像进行特征点提取，得到特征点集；区域确定模块402，用于基于所述特征点集，确定候选目标区域；识别模块403，用于将所述候选目标区域输入训练好的分类器进行识别，识别出所述目标。
在一个实施例中，所述特征提取模块1901具体用于：根据所述待识别图像，建立尺度空间；对所述尺度空间进行特征点提取，得到特征点集。
在一个实施例中，所述特征提取模块1901具体用于：对所述尺度空间进行角点检测，得到兴趣点集；对所述兴趣点集中的兴趣点进行非极大值抑制，得到极值点集；获取所述极值点集中的每个极值点所在层上的图像块，对所述图像块的边缘位置进行亚像素插值，得到所述特征点集。
在一个实施例中，所述区域确定模块402具体用于：以所述特征点位置为区域中心，所述特征点尺度为区域半径，在所述待识别图像中截取出第一区域；将所述第一区域作为所述候选目标区域。
在一个实施例中，所述区域确定模块402具体用于：以所述特征点位置为区域中心，所述特征点尺度为区域半径，在所述待识别图像中截取出第二区域；将所述第二区域作为所述目标的边缘区域；将边缘联通的边缘区域进行合并，将合并后的区域作为所述候选目标区域。
在另一个实施例中，提供了一种目标识别装置，目标识别装置还包括：训练样本采集模块、弱分类器获取模块、级联分类器获取模块和确定模块，其中：训练样本采集模块，用于采集训练样本；弱分类器获取模块，用于对所述训练样本进行特征值计算，得到弱分类器；级联分类器获取模块，用于对所述弱分类器进行训练，生成级联分类器；确定模块，用于将所述级联分类器作为所述训练好的分类器。
在一个实施例中，所述训练样本采集模块具体用于：基于待训练图像，确定目标区域及非目标区域；对所述目标区域进行特征点提取，得到目标区域特征点集，对所述非目标区域进行特征点提取，得到非目标区域特征点集；其中，所述目标区域特征点集包括目标区域特征点位置和目标区域特征点尺度，所述非目标区域特征点集包括非目标区域特征点位置和非目标区域特征点尺度；以所述目标区域特征点位置为区域中心，所述目标区域特征点尺度为区域半径，在所述待训练图像中截取出第五区域，作为所述训练样本中的正样本；以所述非目标区域特征点位置为区域中心，所述非目标区域特征点尺度为区域半径，在所述待训练图像中截取出第六区域，作为所述训练样本中的负样本。
在一个实施例中，所述级联分类器获取模块具体用于：根据迭代算法，对所述弱分类器进行训练，生成强分类器；对所述强分类器进行训练，生成所述级联分类器。
关于目标识别装置的具体限定可以参见上文中对于目标识别方法的限定，在此不再赘述。上述目标识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图24所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。非易失性存储介质存储有操作***、计算机程序和数据库。内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。计算机设备的数据库用于存储图像数据。计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种目标识别方法。本领域技术人员可以理解，图24中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器及处理器，所述存储器上存储有可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任意一个实施例中的方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任意一个实施例中的方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (18)
1.一种目标识别方法，其特征在于，所述方法包括：
对待识别图像进行特征点提取，得到特征点集；
基于所述特征点集，确定候选目标区域；
将所述候选目标区域输入训练好的分类器进行识别，识别出所述目标。
2.根据权利要求1所述的方法，其特征在于，所述对待识别图像进行特征点提取，得到特征点集，包括：
根据所述待识别图像，建立尺度空间；
对所述尺度空间进行特征点提取，得到特征点集。
3.根据权利要求2所述的方法，其特征在于，所述对所述尺度空间进行特征点提取，得到特征点集，包括：
对所述尺度空间进行角点检测，得到兴趣点集；
对所述兴趣点集中的兴趣点进行非极大值抑制，得到极值点集；
获取所述极值点集中的每个极值点所在层上的图像块，对所述图像块的边缘位置进行亚像素插值，得到所述特征点集。
4.根据权利要求1所述的方法，其特征在于，所述特征点集包括特征点位置和特征点尺度；
所述基于所述特征点集，确定候选目标区域，包括：
以所述特征点位置为区域中心，所述特征点尺度为区域半径，在所述待识别图像中截取出第一区域；
将所述第一区域作为所述候选目标区域。
5.根据权利要求1所述的方法，其特征在于，所述特征点集包括特征点位置和特征点尺度；
所述基于所述特征点集，确定候选目标区域，包括：
以所述特征点位置为区域中心，所述特征点尺度为区域半径，在所述待识别图像中截取出第二区域；
将所述第二区域作为所述目标的边缘区域；
将边缘联通的边缘区域进行合并，将合并后的区域作为所述候选目标区域。
6.根据权利要求1所述的方法，其特征在于，所述基于所述特征点集，确定候选目标区域，包括：
对所述特征点集中的特征点进行特征点描述，获得矢量描述子；
基于所述矢量描述子，确定所述候选目标区域。
7.根据权利要求6所述的方法，其特征在于，所述对所述特征点集中的特征点进行特征点描述，获得矢量描述子，包括：
对所述特征点集中的特征点进行采样及滤波，得到采样点；
对所述采样点进行特征方向赋值及描述，获得所述矢量描述子。
8.根据权利要求7所述的方法，其特征在于，所述对所述特征点集中的特征点进行采样及滤波，得到采样点，包括：
对所述特征点集中的特征点进行采样，得到初始采样点；
对所述初始采样点进行高斯滤波，得到高斯平滑后的采样点。
9.根据权利要求7所述的方法，其特征在于，所述对所述采样点进行特征方向赋值及描述，获得所述矢量描述子，包括：
对所述高斯平滑后的采样点进行局部梯度计算，确定所述特征点的主方向；
将所述特征点周围的采样区域旋转到所述主方向，得到新的采样区域；
对所述新的采样区域进行采样，得到新的采样点；
对所述新的采样点进行编码，得到所述矢量描述子。
10.根据权利要求6所述的方法，其特征在于，所述矢量描述子包括特征点位置和特征点尺度；
所述基于所述矢量描述子，确定候选目标区域，包括：
以所述特征点位置为区域中心，所述特征点尺度为区域半径，在所述待识别图像中截取出第三区域；
将所述第三区域作为所述候选目标区域。
11.根据权利要求6所述的方法，其特征在于，所述矢量描述子包括特征点位置和特征点尺度；
所述基于所述矢量描述子，确定候选目标区域，包括：
以所述特征点位置为区域中心，所述特征点尺度为区域半径，在所述待识别图像中截取出第四区域；
将所述第四区域作为所述目标的边缘区域；
将边缘联通的边缘区域进行合并，将合并后的区域作为所述候选目标区域。
12.根据权利要求1或6所述的方法，其特征在于，所述将所述候选目标区域输入训练好的分类器进行识别，识别出所述目标之前，还包括：
采集训练样本；
对所述训练样本进行特征值计算，得到弱分类器；
对所述弱分类器进行训练，生成级联分类器；
将所述级联分类器作为所述训练好的分类器。
13.根据权利要求12所述的方法，其特征在于，所述采集训练样本，包括：
基于待训练图像，确定目标区域及非目标区域；
对所述目标区域进行特征点提取，得到目标区域特征点集，对所述非目标区域进行特征点提取，得到非目标区域特征点集；其中，所述目标区域特征点集包括目标区域特征点位置和目标区域特征点尺度，所述非目标区域特征点集包括非目标区域特征点位置和非目标区域特征点尺度；
以所述目标区域特征点位置为区域中心，所述目标区域特征点尺度为区域半径，在所述待训练图像中截取出第五区域，作为所述训练样本中的正样本；
以所述非目标区域特征点位置为区域中心，所述非目标区域特征点尺度为区域半径，在所述待训练图像中截取出第六区域，作为所述训练样本中的负样本。
14.根据权利要求12所述的方法，其特征在于，所述采集训练样本，包括：
基于待训练图像，确定目标区域及非目标区域；
对所述目标区域进行特征点提取，得到目标区域特征点集，对所述非目标区域进行特征点提取，得到非目标区域特征点集；
对所述目标区域特征点集中的目标区域特征点进行特征点描述，获得目标区域矢量描述子，对所述非目标区域特征点集中的非目标区域特征点进行特征点描述，获得非目标区域矢量描述子；其中，所述目标区域矢量描述子包括目标区域特征点位置和目标区域特征点尺度，所述非目标区域矢量描述子包括非目标区域特征点位置和非目标区域特征点尺度；
以所述目标区域特征点位置为区域中心，所述目标区域特征点尺度为区域半径，在所述待训练图像中截取出第七区域，作为所述训练样本中的正样本；
以所述非目标区域特征点位置为区域中心，所述非目标区域特征点尺度为区域半径，在所述待训练图像中截取出第八区域，作为所述训练样本中的负样本。
15.根据权利要求12所述的方法，其特征在于，所述对所述弱分类器进行训练，生成级联分类器，包括：
根据迭代算法，对所述弱分类器进行训练，生成强分类器；
对所述强分类器进行训练，生成所述级联分类器。
16.一种目标识别装置，其特征在于，所述装置包括：
特征提取模块，用于对待识别图像进行特征点提取，得到特征点集；
区域确定模块，用于基于所述特征点集，确定候选目标区域；
识别模块，用于将所述候选目标区域输入训练好的分类器进行识别，识别出所述目标。
17.一种计算机设备，包括存储器及处理器，所述存储器上存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至15中任一项所述方法的步骤。
18.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至15中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811408741.8A CN109711416B (zh) | 2018-11-23 | 2018-11-23 | 目标识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811408741.8A CN109711416B (zh) | 2018-11-23 | 2018-11-23 | 目标识别方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109711416A true CN109711416A (zh) | 2019-05-03 |
| CN109711416B CN109711416B (zh) | 2021-08-06 |
Family
ID=66255064
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811408741.8A Active CN109711416B (zh) | 2018-11-23 | 2018-11-23 | 目标识别方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109711416B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110689535A (zh) * | 2019-09-29 | 2020-01-14 | 歌尔股份有限公司 | 一种工件识别方法、装置及电子设备和存储介质 |
| CN110705575A (zh) * | 2019-09-27 | 2020-01-17 | Oppo广东移动通信有限公司 | 定位方法及装置、设备、存储介质 |
| CN110738250A (zh) * | 2019-10-09 | 2020-01-31 | 陈浩能 | 果蔬新鲜度识别方法及相关产品 |
| CN111083441A (zh) * | 2019-12-18 | 2020-04-28 | 广州穗能通能源科技有限责任公司 | 工地监控方法、装置、计算机设备和存储介质 |
| CN111476231A (zh) * | 2020-06-22 | 2020-07-31 | 努比亚技术有限公司 | 一种图像区域识别方法、设备及计算机可读存储介质 |
| CN112132163A (zh) * | 2020-09-21 | 2020-12-25 | 杭州睿琪软件有限公司 | 识别对象边缘的方法、***及计算机可读存储介质 |
| CN113139504A (zh) * | 2021-05-11 | 2021-07-20 | 支付宝(杭州)信息技术有限公司 | 身份识别方法以及装置 |
| CN114363448A (zh) * | 2020-09-29 | 2022-04-15 | 北京小米移动软件有限公司 | 屏幕小窗口的亮度控制方法、装置、终端及存储介质 |
| CN116704224A (zh) * | 2023-08-08 | 2023-09-05 | 深圳卡尔文科技有限公司 | 一种基于深度学习的标志物识别方法及识别装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101957916A (zh) * | 2010-02-11 | 2011-01-26 | 中国人民解放军国防科学技术大学 | 使用m进小波提取图像仿射不变特征的方法 |
| CN102799879A (zh) * | 2012-07-12 | 2012-11-28 | 中国科学技术大学 | 从自然场景图像中识别多言语、多字体文字的方法 |
| CN103455797A (zh) * | 2013-09-07 | 2013-12-18 | 西安电子科技大学 | 航拍视频中运动小目标的检测与跟踪方法 |
| CN106778731A (zh) * | 2017-01-13 | 2017-05-31 | 深圳市华尊科技股份有限公司 | 一种车牌定位方法及终端 |
| CN107316036A (zh) * | 2017-06-09 | 2017-11-03 | 广州大学 | 一种基于级联分类器的害虫识别方法 |
| CN108256518A (zh) * | 2017-11-30 | 2018-07-06 | 北京元心科技有限公司 | 文字区域检测方法及装置 |
| CN108830311A (zh) * | 2018-06-01 | 2018-11-16 | 南京邮电大学 | 一种基于Adaboost的红外图像光伏阵列识别方法 |
-
2018
- 2018-11-23 CN CN201811408741.8A patent/CN109711416B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101957916A (zh) * | 2010-02-11 | 2011-01-26 | 中国人民解放军国防科学技术大学 | 使用m进小波提取图像仿射不变特征的方法 |
| CN102799879A (zh) * | 2012-07-12 | 2012-11-28 | 中国科学技术大学 | 从自然场景图像中识别多言语、多字体文字的方法 |
| CN103455797A (zh) * | 2013-09-07 | 2013-12-18 | 西安电子科技大学 | 航拍视频中运动小目标的检测与跟踪方法 |
| CN106778731A (zh) * | 2017-01-13 | 2017-05-31 | 深圳市华尊科技股份有限公司 | 一种车牌定位方法及终端 |
| CN107316036A (zh) * | 2017-06-09 | 2017-11-03 | 广州大学 | 一种基于级联分类器的害虫识别方法 |
| CN108256518A (zh) * | 2017-11-30 | 2018-07-06 | 北京元心科技有限公司 | 文字区域检测方法及装置 |
| CN108830311A (zh) * | 2018-06-01 | 2018-11-16 | 南京邮电大学 | 一种基于Adaboost的红外图像光伏阵列识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张海燕: ""基于学习的目标检测方法研究与应用"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 邓云翔: ""基于SVM和SURF的无人驾驶车野外水体检测与跟踪"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110705575A (zh) * | 2019-09-27 | 2020-01-17 | Oppo广东移动通信有限公司 | 定位方法及装置、设备、存储介质 |
| CN110689535B (zh) * | 2019-09-29 | 2022-05-17 | 歌尔股份有限公司 | 一种工件识别方法、装置及电子设备和存储介质 |
| CN110689535A (zh) * | 2019-09-29 | 2020-01-14 | 歌尔股份有限公司 | 一种工件识别方法、装置及电子设备和存储介质 |
| CN110738250A (zh) * | 2019-10-09 | 2020-01-31 | 陈浩能 | 果蔬新鲜度识别方法及相关产品 |
| CN110738250B (zh) * | 2019-10-09 | 2024-02-27 | 陈浩能 | 果蔬新鲜度识别方法及相关产品 |
| CN111083441A (zh) * | 2019-12-18 | 2020-04-28 | 广州穗能通能源科技有限责任公司 | 工地监控方法、装置、计算机设备和存储介质 |
| CN111476231A (zh) * | 2020-06-22 | 2020-07-31 | 努比亚技术有限公司 | 一种图像区域识别方法、设备及计算机可读存储介质 |
| CN111476231B (zh) * | 2020-06-22 | 2024-01-12 | 努比亚技术有限公司 | 一种图像区域识别方法、设备及计算机可读存储介质 |
| CN112132163A (zh) * | 2020-09-21 | 2020-12-25 | 杭州睿琪软件有限公司 | 识别对象边缘的方法、***及计算机可读存储介质 |
| CN112132163B (zh) * | 2020-09-21 | 2024-04-02 | 杭州睿琪软件有限公司 | 识别对象边缘的方法、***及计算机可读存储介质 |
| CN114363448A (zh) * | 2020-09-29 | 2022-04-15 | 北京小米移动软件有限公司 | 屏幕小窗口的亮度控制方法、装置、终端及存储介质 |
| CN114363448B (zh) * | 2020-09-29 | 2024-05-24 | 北京小米移动软件有限公司 | 屏幕小窗口的亮度控制方法、装置、终端及存储介质 |
| CN113139504A (zh) * | 2021-05-11 | 2021-07-20 | 支付宝(杭州)信息技术有限公司 | 身份识别方法以及装置 |
| CN113139504B (zh) * | 2021-05-11 | 2023-02-17 | 支付宝(杭州)信息技术有限公司 | 身份识别方法、装置、设备及存储介质 |
| CN116704224A (zh) * | 2023-08-08 | 2023-09-05 | 深圳卡尔文科技有限公司 | 一种基于深度学习的标志物识别方法及识别装置 |
| CN116704224B (zh) * | 2023-08-08 | 2023-11-17 | 深圳卡尔文科技有限公司 | 一种基于深度学习的标志物识别方法及识别装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109711416B (zh) | 2021-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109711416A (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
| Luo et al. | Traffic sign recognition using a multi-task convolutional neural network | |
| Li et al. | Cross-layer attention network for small object detection in remote sensing imagery | |
| Tian et al. | A dual neural network for object detection in UAV images | |
| CN111160269A (zh) | 一种人脸关键点检测方法及装置 | |
| CN112215180B (zh) | 一种活体检测方法及装置 | |
| CN108875600A (zh) | 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质 | |
| Wu et al. | Real-time traffic sign detection and classification towards real traffic scene | |
| CN106204651B (zh) | 一种基于改进的判决与生成联合模型的目标跟踪方法 | |
| Jiang et al. | Application of a fast RCNN based on upper and lower layers in face recognition | |
| Wang et al. | Accurate playground localisation based on multi-feature extraction and cascade classifier in optical remote sensing images | |
| Yan et al. | 3MNet: Multi-task, multi-level and multi-channel feature aggregation network for salient object detection | |
| Xie et al. | A method of small face detection based on CNN | |
| Li et al. | Chinese face dataset for face recognition in an uncontrolled classroom environment | |
| Li et al. | An improved PCB defect detector based on feature pyramid networks | |
| CN108108648A (zh) | 一种新型的手势识别***装置及方法 | |
| CN110910497A (zh) | 实现增强现实地图的方法和*** | |
| Tsai et al. | A one-shot face detection and recognition using deep learning method for access control system | |
| Xiao et al. | Pedestrian Detection Using Visual Saliency and Deep Learning. | |
| Laptev et al. | Integrating Traditional Machine Learning and Neural Networks for Image Processing | |
| Wang et al. | GAN-STD: small target detection based on generative adversarial network | |
| Xiuling et al. | Starting from the structure: A review of small object detection based on deep learning | |
| Gupta et al. | Hand skin classification from other skin objects using multi-direction 3D color-texture feature and cascaded neural network classifier | |
| Liu et al. | TFPGAN: Tiny face detection with prior information and GAN | |
| Goenetxea et al. | Efficient Multi-task based Facial Landmark and Gesture Detection in Monocular Images. |
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 |