CN110378297B - 基于深度学习的遥感图像目标检测方法、装置、及存储介质 - Google Patents
基于深度学习的遥感图像目标检测方法、装置、及存储介质 Download PDFInfo
- Publication number
- CN110378297B CN110378297B CN201910667981.8A CN201910667981A CN110378297B CN 110378297 B CN110378297 B CN 110378297B CN 201910667981 A CN201910667981 A CN 201910667981A CN 110378297 B CN110378297 B CN 110378297B
- Authority
- CN
- China
- Prior art keywords
- image
- scale
- target
- remote sensing
- bidirectional
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于图像处理技术领域，提供了一种基于深度学习的遥感图像目标检测方法，包括：获取待检测的遥感图像，并对所述遥感图像进行预处理；利用预设的多尺度特征提取网络，对预处理后的遥感图像进行多尺度特征提取，得到每个图像尺度对应的特征图像；利用预设的多尺度区域预测网络，分别对每个图像尺度对应的特征图像进行候选区域的预测，得到每个图像尺度对应的候选框标记图像；利用预设的多尺度信息融合网络，将各个图像尺度对应的候选框标记图像进行融合，得到预设图像尺度的检测结果图。通过上述方法，能够有效提高遥感图像目标检测的准确度。
Description
技术领域
本发明属于图像处理技术领域，尤其涉及一种基于深度学习的遥感图像目标检测方法、检测装置及终端设备。
背景技术
随着计算机技术的发展和视觉原理的广泛应用，利用计算机图像处理技术进行目标检测越来越热门。遥感图像的目标检测技术是随着遥感技术的发展而兴起的一项新的技术，因其作用距离远、覆盖范围广、执行效率高等优点，使其具有重要的军事意义和民用价值。
但是在复杂背景(如遮挡条件)下，现有的遥感图像目标检测方法的检测精度较低，限制了遥感图像的目标检测技术的应用范围。
发明内容
有鉴于此，本发明实施例提供了一种基于深度学习的遥感图像目标检测方法、检测装置及终端设备，以解决复杂背景下，现有的遥感图像目标检测方法的检测精度较低的问题。
本发明实施例的第一方面提供了一种基于深度学习的遥感图像目标检测方法，包括：
获取待检测的遥感图像，并对所述遥感图像进行预处理；
利用预设的多尺度特征提取网络，对预处理后的遥感图像进行多尺度特征提取，得到每个图像尺度对应的特征图像；
利用预设的多尺度区域预测网络，分别对每个图像尺度对应的特征图像进行候选区域的预测，得到每个图像尺度对应的候选框标记图像；
利用预设的多尺度信息融合网络，将各个图像尺度对应的候选框标记图像进行融合，得到预设图像尺度的检测结果图。
本发明实施例的第二方面提供了一种基于深度学习的遥感图像目标检测装置，包括：
预处理单元，用于获取待检测的遥感图像，并对所述遥感图像进行预处理；
特征提取单元，用于利用预设的多尺度特征提取网络，对预处理后的遥感图像进行多尺度特征提取，得到每个图像尺度对应的特征图像；
区域预测单元，用于利用预设的多尺度区域预测网络，分别对每个图像尺度对应的特征图像进行候选区域的预测，得到每个图像尺度对应的候选框标记图像；
结果融合单元，用于利用预设的多尺度信息融合网络，将各个图像尺度对应的候选框标记图像进行融合，得到与所述遥感图像的图像尺度相同的检测结果图。
本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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本申请实施例第一方面提供的所述方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被一个或多个处理器执行时实现本申请实施例第一方面提供的所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：
本发明实施例通过获取待检测的遥感图像，并对所述遥感图像进行预处理；利用预设的多尺度特征提取网络，对预处理后的遥感图像进行多尺度特征提取，得到每个图像尺度对应的特征图像，以此获得多个尺度的特征图像，尤其是小尺度的特征图像，进而增强小目标的表征能力；利用预设的多尺度区域预测网络，分别对每个图像尺度对应的特征图像进行候选区域的预测，得到每个图像尺度对应的候选框标记图像；然后利用预设的多尺度信息融合网络，将各个图像尺度对应的候选框标记图像进行融合，得到预设图像尺度的检测结果图。通过上述方法，利用多尺度的特征信息进行目标检测，并将各尺度下的检测结果进行融合，既增强了小目标的特征，又考虑到了目标和背景的关联信息，以此提升了在复杂背景下目标的检测精度。
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他的附图。
图1是本发明实施例提供的基于深度学习的遥感图像目标检测方法的实现流程示意图；
图2是本发明实施例提供的基于深度学习的遥感图像目标检测装置的示意图；
图3是本发明实施例提供的终端设备的示意图；
图4是本发明实施例提供的双向图像金字塔的结构示例图；
图5是本发明实施例提供的检测结果图和优化结果图的示意图；
图6是本发明实施例提供的利用本申请中的基于深度学习的遥感图像目标检测方法进行目标检测的检测结果示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1是本发明实施例提供的基于深度学习的遥感图像目标检测方法的实现流程示意图。如图所示，所述基于深度学习的遥感图像目标检测方法包括以下步骤：
步骤S101，获取待检测的遥感图像，并对所述遥感图像进行预处理。
在实际中，预处理可以包括对待检测的遥感图像的剪裁、翻转等处理，将待检测的遥感图像处理为符合检测要求的图像。
步骤S102，利用预设的多尺度特征提取网络，对预处理后的遥感图像进行多尺度特征提取，得到每个图像尺度对应的特征图像。
在一个实施例中，所述对预处理后的遥感图像进行多尺度特征提取，得到每个图像尺度对应的特征图像，包括：
建立所述预处理后的遥感图像对应的双向图像金字塔，其中，所述双向图像金字塔中不同层级上图像的图像尺度不同、相同层级上图像的图像尺度相同。
分别对所述双向图像金字塔中每一层级上的图像进行特征提取，得到每个图像尺度对应的特征图像。
在一个实施例中，所述双向图像金字塔包括第一子图像、第二子图像和第三子图像。
所述预处理后的遥感图像进行第i次卷积后得到的图像为所述双向图像金字塔的第i+1个层级中的第一子图像。
所述双向图像金字塔的第i个层级中的第一子图像进行第j次卷积处理后得到的图像为所述双向图像金字塔的第i+j个层级中的第二子图像，其中， 0<j≤N-i，所述N为所述双向图像金字塔层级的个数。
所述双向图像金字塔的第i个层级中的第一子图像进行第h次反卷积处理后得到的图像为所述双向图像金字塔的第i－h个层级中的第三子图像，其中， 0<h<i。
参见图4，图4是本发明实施例提供的双向图像金字塔的结构示例图。如图所示，图中的B1->B2->B3->B4方向为双向图像金字塔的一个方向，B1位于双向图像金字塔的第一层级，对B1进行卷积后得到B2，B2位于双向图像金字塔的第二层级，依次类推。
对于B1，还需要进行3次卷积处理。对B1进行第1次卷积处理后得到E11， E11位于双向图像金字塔的第二层级；对E11进行卷积处理后得到E12(即对 B1进行第2次卷积处理),E12位于双向图像金字塔的第三层级；对E12进行卷积处后得到E13(即对B1进行第3次卷积处理)，E13位于双向图像金字塔的第四层级。
相似的，对B2共进行2次的卷积处理得到E21、E22、E23，对B3共进行 1次的卷积处理得到E31，对B4无需进行卷积处理。
但是，对于B4需要进行3次反卷积处理。对B4进行第1次反卷积处理得到D41,D41位于双向图像金字塔的第三层级；对D41进行反卷积处理(即对 B4进行第2次反卷积处理)得到D42，D42位于双向图像金字塔的第二层级；对D42进行反卷积处理(即对B4进行第3次反卷积处理)得到D43，D43位于双向图像金字塔的第一层级。
相似的，对B3共进行2次反卷积处理得到D31、D32；对B2共进行1次反卷积处理得到D21；对B1无需进行反卷积处理。
通过上述方法，可以保证双向图像金字塔的每一层级上图像的图像尺度相同、分辨率相同。这样，既可以得到不同图像尺度下的特征图像，又可以保证每个图像尺度下的特征图像包含有较丰富的特征信息。
步骤S103，利用预设的多尺度区域预测网络，分别对每个图像尺度对应的特征图像进行候选区域的预测，得到每个图像尺度对应的候选框标记图像。
在实际中，多尺度区域预测网络输出的结果为候选框标记图像。当存在目标时，在候选框标记图像上目标对应的位置处标记有候选框，每个候选框处还标记有样本类别的标签。样本类别包括正样本和负样本。其中，正样本通常表示前景图像，即目标；负样本通常表示背景图像。
当然，多尺度区域预测网络是需要事先训练的。训练过程如下实施例所示。
在一个实施例中，在利用预设的多尺度区域预测网络，分别对每个图像尺度对应的特征图像进行候选区域的预测之前，所述方法还包括：
步骤S201，获取样本图像，所述样本图像中包括至少一个目标、每个目标对应的标签框以及每个尺度下特征图像素点对应的预设框。
在实际中，人为的在每个尺度下特征图像素点处设置有预设框，预设框的长宽比例和分辨率均由人为设定。示例性的，可以设定三个长宽比分别为1:1、 1:2、2:1，分辨率分别为32x32、64x64、128x128的预设框。预设框的具体参数、数量等不做限定。
样本图像中还包括人为标记的标签框，即人工在样本图像中对目标进行标记的边框。
步骤S202，分别计算每个目标对应的相对交并比，并根据所述相对交并比为与所述相对交并比对应的目标设置样本类别，得到标记后的样本图像。
在一个实施例中，所述分别计算每个目标对应的相对交并比，包括：
通过
计算当前目标对应的交并比。
通过
计算当前目标对应的相对交并比。
其中，A为当前目标对应的标签框的面积，G为当前目标对应的预设框的面积，IoU为当前目标对应的交并比，RIoU为当前目标对应的相对交并比。
在一个实施例中，所述根据所述相对交并比为与所述相对交并比对应的目标设置样本类别，包括：
若所述交并比大于第一阈值，则判断所述交并比对应的相对交并比是否大于第二阈值。
若所述交并比对应的相对交并比大于第二阈值，则将与所述相对交并比对应的目标的样本类别设置为正样本。
若所述交并比对应的相对交并比小于或等于第二阈值，则将与所述相对交并比对应的目标的样本类别设置为负样本。
步骤S203，利用所述标记后的样本图像对神经网络进行训练，得到训练后的神经网络，并将所述训练后的神经网络作为所述预设的多尺度区域预测网络。
经过实验，多尺度区域预测网络的损失函数可以为：
其中Lcls为分类损失函数，Lreg为回归损失函数，N为样本的数量，pi是样本前景或背景标签。当样本为负样本时不计算回归损失。
分类损失函数定义如下：
Lcls(pi,pi*)＝-log[pi*pi+(1-pi*)(1-pi)]
这是一个经典的交叉熵损失，pi*为类别标签，pi为类别，在多尺度区域预测网络中，pi为二分类即前景和背景。
回归损失函数定义如下：
Lreg(ti,ti*)＝smoothL1(x)
x＝ti-ti*
ti为一个四维向量{tx,ty,tw,th}，tx预测出边界框的左上角横坐标的偏移量值：预设框左上角横坐标和标签框左上角横坐标的差值；ty预测出边界框的左上角纵坐标的偏移量值：预设框左上角纵坐标和标签框左上角纵坐标的差值； tw预测出边界框的宽度的偏移量值：预设框宽度和标签框宽度的差值；th预测出边界框的高度的偏移量值：预设框高度和标签框高度的差值；为ti*为真实预设框和标签框的偏移量。这里的损失函数采用smoothL1函数。
步骤S104，利用预设的多尺度信息融合网络，将各个图像尺度对应的候选框标记图像进行融合，得到预设图像尺度的检测结果图。
在实际中，由多尺度区域预测网络可以得到不同尺度下的候选框标记图，由于各尺度下得到的候选框的大小不一，而且在大尺度的层级中小目标的候选框较多，在小尺度的层级中大目标的候选框较多。为了最大程度的利用图像的特征，可以按照预设的映射规则，为每个候选框选取相应的映射层级。
示例性的，当候选框的分辨率小于32x32时，可以选择使用双向图像金字塔的第一层级中的特征；当候选框的分辨率在32x32到64x64范围内时，可以选择使用双向图像金字塔的第二层级中的特征；当候选框的分辨率在64x64到 128x128范围内时，可以选择使用双向图像金字塔的第三层级中的特征；到那个候选框的分辨率在128x128到256x256范围内时，可以选择使用双向图像金字塔的第四层级中的特征。
通过上述方法，可以保证小目标使用较大尺度的特征图，较大的目标是用较小尺度的特征图，以此保证图像特征信息得以最优利用。
在融合之前，需要将不同尺度的图像进行归一化处理，即将不同尺度的图像调整为相同尺度的图像，最后得到预设图像尺度的检测结果图。这里的预设图像尺度可以为待检测的遥感图像等图像尺度。
经过实验，多尺度信息融合网络的损失函数可以为：
其中Lcls为类别损失函数，和多尺度区域预测网络类别损失函数相同，均为交叉熵损失，此时类别为待分类类别数。回归损失Lreg和多尺度区域预测网络相同，为smoothL1损失。ci为融合后的边界框和标签框的偏移量，ci*为真实的预设框和标签框偏移量。
在本申请中，多尺度特征提取网络、多尺度区域预测网络和多尺度信息融合网络是串联关系。多尺度特征提取网络输出多尺度的特征图像，并输入多尺度区域预测网络中；多尺度区域预测网络输出每个尺度对应的候选框标记图(带有候选框和每个候选框对应的样本标签)，并输入多尺度信息融合网络中；多尺度信息融合网络输出检测结果图，该图中带有候选框、每个候选框对应的类别标签以及每个类别标签对应的类别概率。
其中，类别标签用于表示目标的类别。示例性的，A目标的类别标签为飞机，B目标的类别标签为坦克。类别概率用于表示目标属于该类别的概率。例如，A目标属于飞机的概率为80％，B目标属于坦克的概率为30％。
在一个实施例中，在得到预设图像尺度的检测结果图之后，所述方法还包括：
将所述检测结果图中的任意一个目标作为待优化目标，并获取所述待优化目标对应的每个候选框的类别概率。
根据所述待优化目标对应的每个候选框的类别概率，利用非极大值抑制方法分别计算所述待优化目标对应的每个候选框的检测分数。
删除所述待优化目标对应的所有候选框中除结果框外的候选框，得到优化结果图，其中，所述结果框为最高的检测分数对应的候选框。
参见图5，图5是本发明实施例提供的检测结果图和优化结果图的示意图。图5(a)是检测结果图，图5(b)是优化结果图。从图中可见，检测结果图中同一目标位置处有多个候选框，根据每个候选框的类别概率，利用非极大值抑制方法可以计算出每个候选框的检测分数(如图5(a)中右侧男生头像对应的两个候选框的检测分数分别为0.81、0.67)。将最高的检测分数对应的候选框作为结果框并进行保留，删除除结果框外的候选框，即在图5(b)中右侧男士头像对应的候选框只剩下一个，而该候选框即为检测分数0.81对应的候选框。
参见图6，图6是本发明实施例提供的利用本申请中的基于深度学习的遥感图像目标检测方法进行目标检测的检测结果示意图。如图所示，通过本申请中的基于深度学习的遥感图像目标检测方法，能够较准确地检测出复杂背景下的小目标。
本发明实施例通过获取待检测的遥感图像，并对所述遥感图像进行预处理；利用预设的多尺度特征提取网络，对预处理后的遥感图像进行多尺度特征提取，得到每个图像尺度对应的特征图像，以此获得多个尺度的特征图像，尤其是小尺度的特征图像，进而增强小目标的表征能力；利用预设的多尺度区域预测网络，分别对每个图像尺度对应的特征图像进行候选区域的预测，得到每个图像尺度对应的候选框标记图像；然后利用预设的多尺度信息融合网络，将各个图像尺度对应的候选框标记图像进行融合，得到预设图像尺度的检测结果图。通过上述方法，利用多尺度的特征信息进行目标检测，并将各尺度下的检测结果进行融合，既增强了小目标的特征，又考虑到了目标和背景的关联信息，以此提升了在复杂背景下目标的检测精度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图2是本发明实施例提供的基于深度学习的遥感图像目标检测装置的示意图，为了便于说明，仅示出与本申请实施例相关的部分。
图2所示的基于深度学习的遥感图像目标检测装置可以是内置于现有的终端设备内的软件单元、硬件单元、或软硬结合的单元，也可以作为独立的挂件集成到所述终端设备中，还可以作为独立的终端设备存在。
所述基于深度学习的遥感图像目标检测装置2包括：
预处理单元21，用于获取待检测的遥感图像，并对所述遥感图像进行预处理。
特征提取单元22，用于利用预设的多尺度特征提取网络，对预处理后的遥感图像进行多尺度特征提取，得到每个图像尺度对应的特征图像。
区域预测单元23，用于利用预设的多尺度区域预测网络，分别对每个图像尺度对应的特征图像进行候选区域的预测，得到每个图像尺度对应的候选框标记图像。
结果融合单元24，用于利用预设的多尺度信息融合网络，将各个图像尺度对应的候选框标记图像进行融合，得到与所述遥感图像的图像尺度相同的检测结果图。
可选的，所述特征提取单元22包括：
建立模块，用于建立所述预处理后的遥感图像对应的双向图像金字塔，其中，所述双向图像金字塔中不同层级上图像的图像尺度不同、相同层级上图像的图像尺度相同。
提取模块，用于分别对所述双向图像金字塔中每一层级上的图像进行特征提取，得到每个图像尺度对应的特征图像。
可选的，所述双向图像金字塔包括第一子图像、第二子图像和第三子图像。
所述预处理后的遥感图像进行第i次卷积后得到的图像为所述双向图像金字塔的第i+1个层级中的第一子图像。
所述双向图像金字塔的第i个层级中的第一子图像进行第j次卷积处理后得到的图像为所述双向图像金字塔的第i+j个层级中的第二子图像，其中， 0<j≤N-i，所述N为所述双向图像金字塔层级的个数。
所述双向图像金字塔的第i个层级中的第一子图像进行第h次反卷积处理后得到的图像为所述双向图像金字塔的第i－h个层级中的第三子图像，其中， 0<h<i。
可选的，所述装置2还包括：
获取单元，用于在利用预设的多尺度区域预测网络，分别对每个图像尺度对应的特征图像进行候选区域的预测之前，获取样本图像，所述样本图像中包括至少一个目标、每个目标对应的标签框以及每个尺度下特征图像素点对应的预设框。
计算单元，用于分别计算每个目标对应的相对交并比，并根据所述相对交并比为与所述相对交并比对应的目标设置样本类别，得到标记后的样本图像。
训练单元，用于利用所述标记后的样本图像对神经网络进行训练，得到训练后的神经网络，并将所述训练后的神经网络作为所述预设的多尺度区域预测网络。
可选的，所示计算单元包括：
第一计算模块，用于通过
计算当前目标对应的交并比。
第二计算模块，用于通过
计算当前目标对应的相对交并比。
其中，A为当前目标对应的标签框的面积，G为当前目标对应的预设框的面积，IoU为当前目标对应的交并比，RIoU为当前目标对应的相对交并比。
可选的，所示计算单元还包括：
判断模块，用于若所述交并比大于第一阈值，则判断所述交并比对应的相对交并比是否大于第二阈值。
第一标签模块，用于若所述交并比对应的相对交并比大于第二阈值，则将与所述相对交并比对应的目标的样本类别设置为正样本。
第二标签模块，用于若所述交并比对应的相对交并比小于或等于第二阈值，则将与所述相对交并比对应的目标的样本类别设置为负样本。
可选的，所述装置2还包括：
概率获取单元，用于在得到预设图像尺度的检测结果图之后，将所述检测结果图中的任意一个目标作为待优化目标，并获取所述待优化目标对应的每个候选框的类别概率。
分数计算单元，用于根据所述待优化目标对应的每个候选框的类别概率，利用非极大值抑制方法分别计算所述待优化目标对应的每个候选框的检测分数。
优化单元，用于删除所述待优化目标对应的所有候选框中除结果框外的候选框，得到优化结果图，其中，所述结果框为最高的检测分数对应的候选框。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图3是本发明一实施例提供的终端设备的示意图。如图3所示，该实施例的终端设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32 时实现上述各个基于深度学习的遥感图像目标检测方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，所述处理器30执行所述计算机程序32 时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块21至24的功能。
示例性的，所述计算机程序32可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器30执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序32在所述终端设备3中的执行过程。例如，所述计算机程序32可以被分割成预处理单元、特征提取单元、区域预测单元、结果融合单元，各单元具体功能如下：
预处理单元，用于获取待检测的遥感图像，并对所述遥感图像进行预处理。
特征提取单元，用于利用预设的多尺度特征提取网络，对预处理后的遥感图像进行多尺度特征提取，得到每个图像尺度对应的特征图像。
区域预测单元，用于利用预设的多尺度区域预测网络，分别对每个图像尺度对应的特征图像进行候选区域的预测，得到每个图像尺度对应的候选框标记图像。
结果融合单元，用于利用预设的多尺度信息融合网络，将各个图像尺度对应的候选框标记图像进行融合，得到与所述遥感图像的图像尺度相同的检测结果图。
可选的，所述特征提取单元包括：
建立模块，用于建立所述预处理后的遥感图像对应的双向图像金字塔，其中，所述双向图像金字塔中不同层级上图像的图像尺度不同、相同层级上图像的图像尺度相同。
提取模块，用于分别对所述双向图像金字塔中每一层级上的图像进行特征提取，得到每个图像尺度对应的特征图像。
可选的，所述双向图像金字塔包括第一子图像、第二子图像和第三子图像。
所述预处理后的遥感图像进行第i次卷积后得到的图像为所述双向图像金字塔的第i+1个层级中的第一子图像。
所述双向图像金字塔的第i个层级中的第一子图像进行第j次卷积处理后得到的图像为所述双向图像金字塔的第i+j个层级中的第二子图像，其中， 0<j≤N-i，所述N为所述双向图像金字塔层级的个数。
所述双向图像金字塔的第i个层级中的第一子图像进行第h次反卷积处理后得到的图像为所述双向图像金字塔的第i－h个层级中的第三子图像，其中， 0<h<i。
可选的，所述计算机程序还包括：
获取单元，用于在利用预设的多尺度区域预测网络，分别对每个图像尺度对应的特征图像进行候选区域的预测之前，获取样本图像，所述样本图像中包括至少一个目标、每个目标对应的标签框以及每个尺度下特征图像素点对应的预设框。
计算单元，用于分别计算每个目标对应的相对交并比，并根据所述相对交并比为与所述相对交并比对应的目标设置样本类别，得到标记后的样本图像。
训练单元，用于利用所述标记后的样本图像对神经网络进行训练，得到训练后的神经网络，并将所述训练后的神经网络作为所述预设的多尺度区域预测网络。
可选的，所示计算单元包括：
第一计算模块，用于通过
计算当前目标对应的交并比。
第二计算模块，用于通过
计算当前目标对应的相对交并比。
其中，A为当前目标对应的标签框的面积，G为当前目标对应的预设框的面积，IoU为当前目标对应的交并比，RIoU为当前目标对应的相对交并比。
可选的，所示计算单元还包括：
判断模块，用于若所述交并比大于第一阈值，则判断所述交并比对应的相对交并比是否大于第二阈值。
第一标签模块，用于若所述交并比对应的相对交并比大于第二阈值，则将与所述相对交并比对应的目标的样本类别设置为正样本。
第二标签模块，用于若所述交并比对应的相对交并比小于或等于第二阈值，则将与所述相对交并比对应的目标的样本类别设置为负样本。
可选的，所述计算机程序还包括：
概率获取单元，用于在得到预设图像尺度的检测结果图之后，将所述检测结果图中的任意一个目标作为待优化目标，并获取所述待优化目标对应的每个候选框的类别概率。
分数计算单元，用于根据所述待优化目标对应的每个候选框的类别概率，利用非极大值抑制方法分别计算所述待优化目标对应的每个候选框的检测分数。
优化单元，用于删除所述待优化目标对应的所有候选框中除结果框外的候选框，得到优化结果图，其中，所述结果框为最高的检测分数对应的候选框。
所述终端设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是终端设备3的示例，并不构成对终端设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31可以是所述终端设备3的内部存储单元，例如终端设备3 的硬盘或内存。所述存储器31也可以是所述终端设备3的外部存储设备，例如所述终端设备3上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器31还可以既包括所述终端设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，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。
所述集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述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，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于深度学习的遥感图像目标检测方法，其特征在于，包括：
获取待检测的遥感图像，并对所述遥感图像进行预处理；
利用预设的多尺度特征提取网络，对预处理后的遥感图像进行多尺度特征提取，得到每个图像尺度对应的特征图像；
利用预设的多尺度区域预测网络，分别对每个图像尺度对应的特征图像进行候选区域的预测，得到每个图像尺度对应的候选框标记图像；
利用预设的多尺度信息融合网络，将各个图像尺度对应的候选框标记图像进行融合，得到预设图像尺度的检测结果图；
所述对预处理后的遥感图像进行多尺度特征提取，得到每个图像尺度对应的特征图像，包括：
建立所述预处理后的遥感图像对应的双向图像金字塔，其中，所述双向图像金字塔中不同层级上图像的图像尺度不同、相同层级上图像的图像尺度相同；
分别对所述双向图像金字塔中每一层级上的图像进行特征提取，得到每个图像尺度对应的特征图像；
所述双向图像金字塔包括第一子图像、第二子图像和第三子图像；
所述预处理后的遥感图像进行第i次卷积后得到的图像为所述双向图像金字塔的第i+1个层级中的第一子图像；
所述双向图像金字塔的第i个层级中的第一子图像进行第j次卷积处理后得到的图像为所述双向图像金字塔的第i+j个层级中的第二子图像，其中，0<j≤N-i，所述N为所述双向图像金字塔层级的个数；
所述双向图像金字塔的第i个层级中的第一子图像进行第h次反卷积处理后得到的图像为所述双向图像金字塔的第i－h个层级中的第三子图像，其中，0<h<i。
2.如权利要求1所述的基于深度学习的遥感图像目标检测方法，其特征在于，在利用预设的多尺度区域预测网络，分别对每个图像尺度对应的特征图像进行候选区域的预测之前，所述方法还包括：
获取样本图像，所述样本图像中包括至少一个目标、每个目标对应的标签框以及每个尺度下特征图像素点对应的预设框；
分别计算每个目标对应的相对交并比，并根据所述相对交并比为对应的目标设置样本类别，得到标记后的样本图像；
利用所述标记后的样本图像对神经网络进行训练，得到训练后的神经网络，并将所述训练后的神经网络作为所述预设的多尺度区域预测网络。
3.如权利要求2所述的基于深度学习的遥感图像目标检测方法，其特征在于，所述分别计算每个目标对应的相对交并比，包括：
通过
计算当前目标对应的交并比；
通过
计算当前目标对应的相对交并比；
其中，A为当前目标对应的标签框的面积，G为当前目标对应的预设框的面积，IoU为当前目标对应的交并比，RIoU为当前目标对应的相对交并比。
4.如权利要求3所述的基于深度学习的遥感图像目标检测方法，其特征在于，所述根据所述相对交并比为对应的目标设置样本类别，包括：
若所述交并比大于第一阈值，则判断所述交并比对应的相对交并比是否大于第二阈值；
若所述交并比对应的相对交并比大于第二阈值，则将与所述相对交并比对应的目标的样本类别设置为正样本；
若所述交并比对应的相对交并比小于或等于第二阈值，则将与所述相对交并比对应的目标的样本类别设置为负样本。
5.如权利要求1所述的基于深度学习的遥感图像目标检测方法，其特征在于，在得到预设图像尺度的检测结果图之后，所述方法还包括：
将所述检测结果图中的任意一个目标作为待优化目标，并获取所述待优化目标对应的每个候选框的类别概率；
根据所述待优化目标对应的每个候选框的类别概率，利用非极大值抑制方法分别计算所述待优化目标对应的每个候选框的检测分数；
删除所述待优化目标对应的所有候选框中除结果框外的候选框，得到优化结果图，其中，所述结果框为最高的检测分数对应的候选框。
6.一种基于深度学习的遥感图像目标检测装置，其特征在于，包括：
预处理单元，用于获取待检测的遥感图像，并对所述遥感图像进行预处理；
特征提取单元，用于利用预设的多尺度特征提取网络，对预处理后的遥感图像进行多尺度特征提取，得到每个图像尺度对应的特征图像；
区域预测单元，用于利用预设的多尺度区域预测网络，分别对每个图像尺度对应的特征图像进行候选区域的预测，得到每个图像尺度对应的候选框标记图像；
结果融合单元，用于利用预设的多尺度信息融合网络，将各个图像尺度对应的候选框标记图像进行融合，得到与所述遥感图像的图像尺度相同的检测结果图；
所述特征提取单元包括：
建立模块，用于建立所述预处理后的遥感图像对应的双向图像金字塔，其中，所述双向图像金字塔中不同层级上图像的图像尺度不同、相同层级上图像的图像尺度相同；
提取模块，用于分别对所述双向图像金字塔中每一层级上的图像进行特征提取，得到每个图像尺度对应的特征图像；
所述双向图像金字塔包括第一子图像、第二子图像和第三子图像；
所述预处理后的遥感图像进行第i次卷积后得到的图像为所述双向图像金字塔的第i+1个层级中的第一子图像；
所述双向图像金字塔的第i个层级中的第一子图像进行第j次卷积处理后得到的图像为所述双向图像金字塔的第i+j个层级中的第二子图像，其中，0<j≤N-i，所述N为所述双向图像金字塔层级的个数；
所述双向图像金字塔的第i个层级中的第一子图像进行第h次反卷积处理后得到的图像为所述双向图像金字塔的第i－h个层级中的第三子图像，其中，0<h<i。
7.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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如权利要求1至5任一项所述基于深度学习的遥感图像目标检测方法的步骤。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述基于深度学习的遥感图像目标检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910667981.8A CN110378297B (zh) | 2019-07-23 | 2019-07-23 | 基于深度学习的遥感图像目标检测方法、装置、及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910667981.8A CN110378297B (zh) | 2019-07-23 | 2019-07-23 | 基于深度学习的遥感图像目标检测方法、装置、及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110378297A CN110378297A (zh) | 2019-10-25 |
| CN110378297B true CN110378297B (zh) | 2022-02-11 |
Family
ID=68255235
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910667981.8A Active CN110378297B (zh) | 2019-07-23 | 2019-07-23 | 基于深度学习的遥感图像目标检测方法、装置、及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110378297B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110909615B (zh) * | 2019-10-28 | 2023-03-28 | 西安交通大学 | 基于多尺度输入混合感知神经网络的目标检测方法 |
| CN112749599A (zh) * | 2019-10-31 | 2021-05-04 | 北京金山云网络技术有限公司 | 图像增强方法、装置和服务器 |
| CN110852242A (zh) * | 2019-11-06 | 2020-02-28 | 北京字节跳动网络技术有限公司 | 基于多尺度网络的水印识别方法、装置、设备及存储介质 |
| CN111079560B (zh) * | 2019-11-26 | 2023-09-01 | 深圳市中电数通智慧安全科技股份有限公司 | 一种摔倒监测方法、装置及终端设备 |
| CN111325204B (zh) * | 2020-01-21 | 2023-10-31 | 腾讯科技（深圳）有限公司 | 目标检测方法、装置、电子设备以及存储介质 |
| CN111369513B (zh) * | 2020-02-28 | 2023-10-20 | 广州视源电子科技股份有限公司 | 一种异常检测方法、装置、终端设备及存储介质 |
| CN111797737A (zh) * | 2020-06-22 | 2020-10-20 | 重庆高新区飞马创新研究院 | 遥感目标检测方法及装置 |
| CN111860398B (zh) * | 2020-07-28 | 2022-05-10 | 河北师范大学 | 遥感图像目标检测方法、***及终端设备 |
| CN112487900B (zh) * | 2020-11-20 | 2022-11-15 | 中国人民解放军战略支援部队航天工程大学 | 一种基于特征融合的sar图像舰船目标检测方法 |
| CN116051548B (zh) * | 2023-03-14 | 2023-08-11 | 中国铁塔股份有限公司 | 一种定位方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778835A (zh) * | 2016-11-29 | 2017-05-31 | 武汉大学 | 融合场景信息和深度特征的遥感图像机场目标识别方法 |
| WO2018184195A1 (en) * | 2017-04-07 | 2018-10-11 | Intel Corporation | Joint training of neural networks using multi-scale hard example mining |
| CN108764063A (zh) * | 2018-05-07 | 2018-11-06 | 华中科技大学 | 一种基于特征金字塔的遥感影像时敏目标识别***及方法 |
| CN109190636A (zh) * | 2018-07-30 | 2019-01-11 | 北京航空航天大学 | 一种遥感图像舰船目标信息提取方法 |
| CN109472298A (zh) * | 2018-10-19 | 2019-03-15 | 天津大学 | 用于小尺度目标检测的深度双向特征金字塔增强网络 |
| CN109583425A (zh) * | 2018-12-21 | 2019-04-05 | 西安电子科技大学 | 一种基于深度学习的遥感图像船只集成识别方法 |
| CN109740686A (zh) * | 2019-01-09 | 2019-05-10 | 中南大学 | 一种基于区域池化和特征融合的深度学习图像多标记分类方法 |
| CN109961006A (zh) * | 2019-01-30 | 2019-07-02 | 东华大学 | 一种低像素多目标人脸检测和关键点定位方法以及对齐方法 |
| CN110009010A (zh) * | 2019-03-20 | 2019-07-12 | 西安电子科技大学 | 基于兴趣区域重检测的宽幅光学遥感目标检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7257273B2 (en) * | 2001-04-09 | 2007-08-14 | Mingjing Li | Hierarchical scheme for blur detection in digital image using wavelet transform |
| US10682081B2 (en) * | 2015-12-21 | 2020-06-16 | Outerfacing Technology LLC | Acquiring and processing non-contact functional near-infrared spectroscopy data |
-
2019
- 2019-07-23 CN CN201910667981.8A patent/CN110378297B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778835A (zh) * | 2016-11-29 | 2017-05-31 | 武汉大学 | 融合场景信息和深度特征的遥感图像机场目标识别方法 |
| WO2018184195A1 (en) * | 2017-04-07 | 2018-10-11 | Intel Corporation | Joint training of neural networks using multi-scale hard example mining |
| CN108764063A (zh) * | 2018-05-07 | 2018-11-06 | 华中科技大学 | 一种基于特征金字塔的遥感影像时敏目标识别***及方法 |
| CN109190636A (zh) * | 2018-07-30 | 2019-01-11 | 北京航空航天大学 | 一种遥感图像舰船目标信息提取方法 |
| CN109472298A (zh) * | 2018-10-19 | 2019-03-15 | 天津大学 | 用于小尺度目标检测的深度双向特征金字塔增强网络 |
| CN109583425A (zh) * | 2018-12-21 | 2019-04-05 | 西安电子科技大学 | 一种基于深度学习的遥感图像船只集成识别方法 |
| CN109740686A (zh) * | 2019-01-09 | 2019-05-10 | 中南大学 | 一种基于区域池化和特征融合的深度学习图像多标记分类方法 |
| CN109961006A (zh) * | 2019-01-30 | 2019-07-02 | 东华大学 | 一种低像素多目标人脸检测和关键点定位方法以及对齐方法 |
| CN110009010A (zh) * | 2019-03-20 | 2019-07-12 | 西安电子科技大学 | 基于兴趣区域重检测的宽幅光学遥感目标检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Salient Objects in Clutter: Bringing Salient Object Detection to the Foreground;Deng-Ping Fan等;《ResearchGate》;20180331;第1-14页 * |
| 改进的SSD算法及其对遥感影像小目标检测性能的分析;王俊强等;《光学学报》;20190630;第0628005-1至0628005-10页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110378297A (zh) | 2019-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110378297B (zh) | 基于深度学习的遥感图像目标检测方法、装置、及存储介质 | |
| CN108121986B (zh) | 目标检测方法及装置、计算机装置和计算机可读存储介质 | |
| CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
| CN109918969B (zh) | 人脸检测方法及装置、计算机装置和计算机可读存储介质 | |
| US20210158699A1 (en) | Method, device, readable medium and electronic device for identifying traffic light signal | |
| US20230076266A1 (en) | Data processing system, object detection method, and apparatus thereof | |
| CN108399386A (zh) | 饼图中的信息提取方法及装置 | |
| CN111860398B (zh) | 遥感图像目标检测方法、***及终端设备 | |
| CN108986152B (zh) | 一种基于差分图像的异物检测方法及装置 | |
| CN114359851A (zh) | 无人驾驶目标检测方法、装置、设备及介质 | |
| Cao et al. | Robust vehicle detection by combining deep features with exemplar classification | |
| CN110689043A (zh) | 一种基于多重注意力机制的车辆细粒度识别方法及装置 | |
| CN110852311A (zh) | 一种三维人手关键点定位方法及装置 | |
| CN112949507A (zh) | 人脸检测方法、装置、计算机设备及存储介质 | |
| CN110135446B (zh) | 文本检测方法及计算机存储介质 | |
| CN113761999A (zh) | 一种目标检测方法、装置、电子设备和存储介质 | |
| CN112052845A (zh) | 图像识别方法、装置、设备及存储介质 | |
| CN115239644B (zh) | 混凝土缺陷识别方法、装置、计算机设备和存储介质 | |
| CN111310746A (zh) | 文本行检测方法、模型训练方法、装置、服务器及介质 | |
| CN111461145A (zh) | 一种基于卷积神经网络进行目标检测的方法 | |
| CN104915642A (zh) | 前方车辆测距方法及装置 | |
| CN111027526A (zh) | 一种提高车辆目标检测识别检测效率的方法 | |
| CN110349138B (zh) | 基于实例分割框架的目标物体的检测方法及装置 | |
| CN115100741A (zh) | 一种点云行人距离风险检测方法、***、设备和介质 | |
| CN112560856A (zh) | 车牌检测识别方法、装置、设备及存储介质 |
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 |