CN111476729B - 一种目标识别的方法及装置 - Google Patents
一种目标识别的方法及装置 Download PDFInfo
- Publication number
- CN111476729B CN111476729B CN202010245845.2A CN202010245845A CN111476729B CN 111476729 B CN111476729 B CN 111476729B CN 202010245845 A CN202010245845 A CN 202010245845A CN 111476729 B CN111476729 B CN 111476729B
- Authority
- CN
- China
- Prior art keywords
- image
- processed
- pixel
- pixels
- processing area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 258
- 238000012512 characterization method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 abstract description 26
- 238000010586 diagram Methods 0.000 description 15
- 239000000284 extract Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000003707 image sharpening Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本说明书公开了一种目标识别的方法及装置,可以获取待处理图像,并根据需要识别的目标对象,确定该待处理图像的图像类型。根据该图像类型,加载与该待处理图像相匹配的图像处理模板,并按照该图像处理模板,在该待处理图像中划分出各像素处理区域,针对每个像素处理区域,通过该图像处理模板对该待处理图像中该像素处理区域所包含的像素进行处理,得到该像素处理区域对应的处理后像素,根据各像素处理区域对应的各处理后像素,生成该待处理图像对应的处理后图像。在获取到待处理图像后,可以加载与该待处理图像相适应的图像处理模板,这样可以保证无人驾驶设备对不同图像类型的图像均能进行图像处理,提高对待处理图像进行图像处理的灵活性。
Description
技术领域
本说明书涉及图像处理技术领域,尤其涉及一种目标识别的方法及装置。
背景技术
图像锐化作为一种常用的图像处理方式广泛的应用在各个技术领域中,采用图像锐化对图像数据进行处理,可以使锐化后的图像数据在图像轮廓、灰度跳变等部分变得更为清晰,从而能够有效的保证后续图像分析的准确性。
无人驾驶设备采集到图像数据后,通常需要按照固定模板进行图像锐化处理,以通过锐化后的图像数据进行障碍物识别、交通指示灯识别等目标识别工作。然而在实际应用中,无人驾驶设备使用固定模板通常只能对固定格式的图像数据进行锐化处理,如,若是无人驾驶设备使用的固定模板仅支持黑白图像的锐化处理,则无法对采集到的彩色图像进行锐化处理,这样一来,将无法保证无人驾驶设备对图像数据进行锐化处理的灵活性。
所以,如何能够提供更为灵活的图像锐化的方法,则是一个亟待解决的问题。
发明内容
本说明书提供一种目标识别的方法及装置,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种目标识别的方法,包括:
获取待处理图像;
根据需要识别的目标对象,确定所述待处理图像对应的图像类型;
根据所述图像类型,加载与所述图像类型相匹配的图像处理模板;
按照所述图像处理模板,在所述待处理图像中划分各像素处理区域;
针对每个像素处理区域,通过所述图像处理模板对所述待处理图像中该像素处理区域所包含的像素进行处理,得到该像素处理区域对应的处理后像素;
根据各像素处理区域对应的各处理后像素,生成所述待处理图像对应的处理后图像,并通过所述处理后图像进行目标识别。
可选地,按照所述图像处理模板,在所述待处理图像中划分各像素处理区域,具体包括:
根据所述图像处理模板的尺寸,确定像素处理区域的尺寸;
按照所述像素处理区域的尺寸,在所述待处理图像中划分出各像素处理区域。
可选地,按照所述像素处理区域的尺寸,在所述待处理图像中划分出各像素处理区域,具体包括:
根据所述像素处理区域的尺寸,确定需要处理的像素行的行数N,N为大于1的整数;
针对所述待处理图像中每N行像素,根据所述像素处理区域的尺寸,在该N行像素中划分出各像素处理区域。
可选地,针对所述待处理图像中每N行像素,根据所述像素处理区域的尺寸,在该N行像素中划分出各像素处理区域,具体包括:
从所述待处理图像的该N行像素中提取前N-1行像素并缓存;
将从该N行像素中提取出的第N行像素以及缓存的所述前N-1行像素同步输入到图像处理器中,以使所述图像处理器在该N行像素中划分出各像素处理区域。
可选地,针对每个像素处理区域,通过所述图像处理模板对所述待处理图像中该像素处理区域所包含的像素进行处理,得到该像素处理区域对应的处理后像素,具体包括:
通过所述图像处理模板,确定所述待处理图像中该像素处理区域包含的各像素所对应的区域表征值;
确定该像素处理区域中的中心像素,作为目标像素;
根据所述区域表征值,对所述目标像素的像素值进行调整,得到处理后的目标像素,并将所述处理后的目标像素,作为该像素处理区域对应的处理后像素。
可选地,根据所述区域表征值,对所述目标像素的像素值进行调整,得到处理后的目标像素,具体包括:
确定所述目标像素的像素值与所述区域表征值之间的差值;
若确定所述差值未落入到预设的阈值范围,根据所述差值以及预设的补偿系数,对所述目标像素的像素值进行调整,得到处理后的目标像素。
可选地,所述方法还包括:
若确定所述差值落入到所述阈值范围,不对所述目标像素的像素值进行调整。
可选地,根据各像素处理区域对应的各处理后像素,生成所述待处理图像对应的处理后图像,具体包括:
将各像素处理区域对应的各处理后像素按照各像素处理区域在所述待处理图像中的位置进行排列,得到所述待处理图像对应的处理后图像。
本说明书提供了一种目标识别的装置,包括:
获取模块,用于获取待处理图像;
类型确定模块,用于根据需要识别的目标对象,确定所述待处理图像对应的图像类型;
加载模块,用于根据所述图像类型,加载与所述图像类型相匹配的图像处理模板;
划分模块,用于按照所述图像处理模板,在所述待处理图像中划分各像素处理区域;
处理模块,用于针对每个像素处理区域,通过所述图像处理模板对所述待处理图像中该像素处理区域所包含的像素进行处理,得到该像素处理区域对应的处理后像素;
识别模块,用于根据各像素处理区域对应的各处理后像素,生成所述待处理图像对应的处理后图像,并通过所述处理后图像进行目标识别。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述目标识别的方法。
本说明书提供了一种无人驾驶设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述目标识别的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的目标识别的方法中,可以获取待处理图像,并根据需要识别的目标对象,确定该待处理图像对应的图像类型,而后,根据该图像类型,加载与该图像类型相匹配的图像处理模板,并按照该图像处理模板,在该待处理图像中划分出各像素处理区域,针对每个像素处理区域,通过该图像处理模板对该待处理图像中该像素处理区域所包含的像素进行处理,得到该像素处理区域对应的处理后像素,根据各像素处理区域对应的各处理后像素,生成该待处理图像对应的处理后图像,并通过所述处理后图像进行目标识别。
从上述方法可以看出,由于在获取到待处理图像后,可以根据该待处理图像对应的图像类型,加载与该待处理图像相适应的图像处理模板,这样可以保证无人驾驶设备对不同图像类型的图像均能进行有效的图像处理,从而有效的提高了对待处理图像进行图像处理的灵活性,保证了无人驾驶设备可以基于处理后图像进行目标识别的效率以及准确性。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书提供的一种目标识别的方法流程示意图;
图2为本说明书提供的通过图像处理模板在待处理图像中划分各像素处理区域的示意图;
图3为本说明书提供的无人驾驶设备逐行获取每行像素并划分各像素处理区域的示意图;
图4为本说明书提供的无人驾驶设备在待处理图像的边缘进行像素补偿的示意图;
图5为本说明书提供的一种目标识别的装置示意图;
图6为本说明书提供的对应于图1的无人驾驶设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书中技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书提供的一种目标识别的方法流程示意图,具体包括以下步骤:
S101:获取待处理图像。
在本说明书中,可以获取需要处理的待处理图像,其中,获取该待处理图像并对其进行处理的执行主体可以是指诸如无人机、无人车、机器人等无人驾驶设备。基于此,本说明书提供的图像处理的方法具体可应用于使用无人驾驶设备进行配送的领域,如,使用无人驾驶设备进行快递、物流、外卖等配送的业务场景。而为了保证无人驾驶设备能够在这些业务场景中顺利行进,需要对采集到的图像进行有效的处理,以使无人驾驶设备能够基于处理后的图像进行诸如目标识别、路径规划等操作,并得到更为准确的结果。
无人驾驶设备上设有至少一个图像传感器(如摄像头、照相机、深度相机、红外摄像头等),基于此,无人驾驶设备在行驶的过程中,可以通过设置的图像传感器进行图像采集,从而得到待处理图像。
S102:根据需要识别的目标对象,确定所述待处理图像对应的图像类型。
由于不同图像类型对应的图像处理模板有所不同,所以,无人驾驶设备在获取到上述待处理图像后,需要进一步地确定出该待处理图像的图像类型,以在后续的过程中,加载与该待处理图像相适应的图像处理模板。
在本说明书中,无人驾驶设备可以根据需要识别的目标对象,来确定该待处理图像所对应的图像类型。其中,这里提到的图像类型可以分为两种,一种为灰度图像(即黑白图像),一种为彩色图像。所以,与之对应的图像处理模板也可以分为两种,一种用于对灰度图像进行锐化处理的图像处理模板,一种用于对彩色图像进行锐化处理的图像处理模板。
而无人驾驶设备基于需要识别的目标对象,来确定待处理图像对应的图像类型是指,无人驾驶设备在行驶的过程中,可能需要对周围或是前方不同的目标对象进行识别,以保证无人驾驶设备的安全行驶。例如,在路径规划的过程中,无人驾驶设备需要对周围的障碍物(如障碍物车辆、行人等)进行识别;再例如,无人驾驶设备根据对自身的实时定位,确定将要到达十字路口时,需要对处于十字路口的交通指示灯的状态(如交通指示灯处于红灯状态还是绿灯状态)进行识别。
而对于不同的目标对象,无人驾驶设备所需图像的图像类型也有所不同。例如,为了保证目标识别的效率,无人驾驶设备往往需要采用获取到的灰度图像进行障碍物识别;再例如,无人驾驶设备往往需要基于采集到的彩色图像,对前方的交通指示灯的状态进行识别。
基于此,无人驾驶设备采集到该待处理图像后,可以根据需要识别的目标对象,确定出该待处理图像对应的图像类型,进而在后续过程中记载与该待处理图像相适应的图像处理模板对该待处理图像进行图像处理。
当然,无人驾驶设备也可以通过其他方式,确定出待处理图像的图像类型。例如,无人驾驶设备可以通过采集该待处理图像的图像传感器,确定该待处理图像的图像类型。具体的,无人驾驶设备可以确定出采集该待处理图像的图像传感器,并根据该图像传感器的传感器类型,确定出该待处理图像的图像类型。例如,若是采集该待处理图像所使用的图像传感器为采集灰度图像的传感器,则可以确定出该待处理图像所对应的图像类型为灰度图像,而若是采集该待处理图像所使用的图像传感器为采集彩色图像的传感器,则可以确定出该待处理图像所对应的图像类型为彩色图像。
再例如,无人驾驶设备采集到该待处理图像后,可以确定出该待处理图像中像素的采样颜色种类,若只有一种种类,则可以确定出该待处理图像的图像类型为灰度图像,若确定出有三种种类,则可以确定出该待处理图像的图像类型为彩色图像。其他的方式在此就不详细举例说明了。
S103:根据所述图像类型,加载与所述待处理图像相匹配的图像处理模板。
在无人驾驶设备中可以预先存储有对应各种图像类型的图像处理模板,所以,在确定出待处理图像对应的图像类型后,无人驾驶设备可以加载与该图像类型相匹配的图像处理模板,进而在后续过程中,通过加载的图像处理模板,对待处理图像进行图像处理。例如,若是确定出待处理图像的图像类型为灰度图像,则可以加载适用于灰度图像的图像处理模板。
需要说明的是,不同图像类型对应的图像处理模板并不是不变的,即,一个图像处理模板中涉及的各种参数并不是一直保持不变的。无人驾驶设备的维护人员可以根据实际的图像处理需要,对不同图像类型对应的图像处理模板进行调整,并将调整后的图像处理模板录入到无人驾驶设备中。
S104:按照所述图像处理模板,在所述待处理图像中划分各像素处理区域。
在加载完上述图像处理模板后,无人驾驶设备可以根据该图像处理模板对该待处理图像进行像素处理区域的划分。具体的,对于每个图像处理模板来说,在图像中都对应有一个所能处理的像素处理区域的尺寸,这一尺寸是通过该图像处理模板的尺寸来进行确定的。例如,下面展示了一个用于对灰度图像进行图像处理的图像处理模板:
从这一示例中可以看出,该图像处理模板为5×5的矩阵,所以,无人驾驶设备可以根据该图像处理模板的尺寸,在待处理图像中划分出各5×5的像素处理区域。
在本说明书中,无人驾驶设备可以按照一定的划分顺序在待处理图像中划分出各像素处理区域,如图2所示。
图2为本说明书提供的通过图像处理模板在待处理图像中划分各像素处理区域的示意图。
假设,无人驾驶设备根据待处理图像的图像类型所确定出的图像处理模板为3×3的图像处理模板。无人驾驶设备可以按照该图像处理模板的大小,在待处理图像上按照如图2所示的方向,从左到右,自上而下依次划分出各个像素处理区域。而在后续过程中,可以针对在待处理图像中划分出的每个像素处理区域,通过该图像处理模板,对该像素处理区域中的像素进行图像处理。
当然,无人驾驶设备也可以按照其他的划分顺序在待处理图像中划分出各像素处理区域。例如,无人驾驶设备可以先从上到下的划分出一个纵向的像素处理区域,然后向右移动一个像素单元,再从上到下的划分出一个纵向的像素处理区域,以此类推。其他的划分顺序在此就不详细举例说明了。
在本说明书中,无人驾驶设备可以逐行提取该待处理图像包含的每行像素。相应的,无人驾驶设备在待处理图像中划分各像素处理区域时,需要先根据该像素处理区域的尺寸,确定出在待处理图像中需要处理的像素行的行数N。针对该待处理图像中包含的每N行像素,在监测到提取出该N行像素时,根据该像素处理区域的尺寸,在该N行像素中划分出各像素处理区域。其中,这里提到的N为大于1的整数。
例如,假设无人驾驶设备确定出的图像处理模板的尺寸为5×5的矩阵,相应的,在待处理图像中划分出的各像素处理区域的尺寸也应为5×5的像素区域。进一步地,无人驾驶设备根据确定出的像素处理区域的尺寸(即5×5的像素区域),确定出在待处理图像中需求处理的像素行的行数为5行。基于此,无人驾驶设备在逐行提取出待处理图像的每行像素时,一旦监测到提取出了该待处理图像的5行像素,则可以按照确定出的像素处理区域的尺寸,在这5行像素中划分出各像素处理区域。
针对该待处理图像中每N行像素,无人驾驶设备可以先提取出该N行像素中的前N-1行像素并对这N-1行像素进行缓存,当提取出第N行像素时,可以将缓存的前N-1行像素以及第N行像素同步输入到图像处理器中,以在这N行像素中划分出各像素处理区域。而通过确定出的图像处理模板对这N行像素中各像素处理区域所包含的像素进行图像处理后,无人驾驶设备可以将缓存的该前N-1行像素中的第一行像素进行释放,同时将第N行像素进行缓存,并提取第N+1行像素,如图3所示。
图3为本说明书提供的无人驾驶设备逐行提取每行像素并划分各像素处理区域的示意图。
假设,待处理图像包含有12行像素,无人驾驶设备可以逐行从该待处理图像中提取出这12行像素。而无人驾驶设备确定出的像素处理区域的尺寸为3×3的像素区域,所以,无人驾驶设备可以确定出在该待处理图像中需要处理的像素行的行数为3行。
在图3中,无人驾驶设备可以按照自上而下的顺序,先提取待处理图像的第1行、第2行像素,并将这两行像素进行缓存,当提取出该待处理图像的第3行像素时,可以将缓存的第1行像素、第2行像素与提取出的第3行像素同步输入到图像处理器中,以使图像处理器按照确定出的像素处理区域的尺寸,对这三行像素(第1、2、3行像素)进行划分,得到各像素处理区域,并通过确定出的图像处理模板(即3×3的矩阵),对这三行像素中每个像素处理区域中的像素进行处理。
在完成这三行像素的图像处理后,无人驾驶设备可以将缓存的第1行像素进行释放,并将第3行像素进行缓存。而当提取出该待处理图像的第4行像素时,无人驾驶设备可以将缓存的第2行像素、第3行像素与该第4行像素同步输入到图像处理器中,以使图像处理器按照确定出的像素处理区域的尺寸,对这三行像素(第2、3、4行像素)进行划分,得到各像素处理区域,并通过确定出的图像处理模板,对这三行像素中每个像素处理区域中的像素进行处理,以此类推。
上述提到的图像处理器可以是指设置在无人驾驶设备中用于进行图像处理的处理器,该图像处理器的具体形式可以有多种,例如,现场可编程逻辑门阵列(FieldProgrammable Gate Array,FPGA)。
S105:针对每个像素处理区域,通过所述图像处理模板对所述待处理图像中该像素处理区域所包含的像素进行处理,得到该像素处理区域对应的处理后像素。
无人驾驶设备在获取到的待处理图像中划分出各像素处理区域后,可以针对每个像素处理区域,通过确定出的图像处理模板,对该像素处理区域中的像素进行处理,从而得到该像素处理区域对应的处理后像素。
其中,针对每个像素处理区域,无人驾驶设备可以通过该图像处理模板,确定出该像素处理区域包含的各像素所对应的区域表征值,并确定出该像素处理区域中的中心像素,作为目标像素。而后,无人驾驶设备可以根据该区域表征值,对该目标像素的像素值进行处理,得到处理后的目标像素,进而将该处理后的目标像素,作为该像素处理区域对应的处理后像素。这里提到的区域表征值可以是指将该像素处理区域包含的各像素的像素值与图像处理模板中的参数进行计算后得到的数值。
从这里可以看出,无人驾驶设备通过该图像处理模板对该像素处理区域中的各像素进行处理,其实是通过确定出该像素处理区域对应的区域表征值,重新确定出该像素处理区域中的中心像素的像素值,并将重新确定出的像素值替换掉该像素处理区域中的中心像素的原有像素值,以实现对该像素处理区域包含的像素的图像处理。
在本说明书中,无人驾驶设备确定出该像素处理区域对应的区域表征值后,可以确定出该像素处理区域中目标像素(即该像素处理区域的中心像素)的像素值与该区域表征值之间的差值,并判断该差值是否落入到预设的阈值范围内,若是确定该差值未落入该预设的阈值范围,则可以根据该差值以及预设的补偿系数,对该目标像素的像素值进行调整,得到处理后的目标像素。而若是确定该差值落入到该预设的阈值范围,则无需对该目标像素的像素值进行调整,即,该像素处理区域的中心像素的像素值经过该图像处理模板的处理后,将不会发生变化。
例如,确定出待处理图像的图像类型为灰度图像时,无人驾驶设备可以选取出适合灰度图像的图像处理模板,对该待处理图像中各像素处理区域进行图像处理,其中,无人驾驶设备可以按照下面的公式进行图像处理。
其中,P1为该像素处理区域中目标像素(即中心像素)的像素值,P2为确定出的该像素处理区域对应的区域表征值与该目标像素的像素值之间的差值,Gain为预设的补偿系数,[-S,S]表示预设的阈值范围,而Pout为调整后的目标像素的像素值。
从该公式可以看出,若是该像素处理区域对应的区域表征值与该目标像素的像素值之间的差值落入到该预设的阈值范围,则输出的该像素处理区域对应的处理后像素的像素值还是该像素处理区域内中心像素的像素值,而若是该差值未落入到该预设的阈值范围内,则最终输出的该像素处理区域对应的处理后像素的像素值为对该中心像素的像素值进行调整后的像素值。
S106:根据各像素处理区域对应的各处理后像素,生成所述待处理图像对应的处理后图像,并通过所述处理后图像进行目标识别。
无人驾驶设备对待处理图像中各像素处理区域进行处理后,可以得到的各像素处理区域对应的各处理后像素,即,得到调整后的每个像素处理区域内的中心像素的像素值。而后,无人驾驶设备可以将各像素处理区域对应的各处理后像素按照各像素处理区域在该待处理图像中的位置进行排列,从而得到该待处理图像对应的处理后图像,并根据该处理后图像,进行目标识别。
从上述方法中可以看出,由于在获取到待处理图像后,可以根据该待处理图像的图像类型,加载与该待处理图像相适应的图像处理模板,这样可以保证无人驾驶设备对不同图像类型的图像均能进行有效的图像处理,从而有效的提高了对待处理图像进行图像处理的灵活性,保证了无人驾驶设备可以基于处理后图像进行目标识别的效率以及准确性。
需要说明的是,由于无人驾驶设备调整的是每个像素处理区域内中心像素的像素值,这势必将导致无人驾驶设备无法通过确定出的图像处理模板对位于待处理图像边缘处的一些像素进行图像处理(即调整这些像素的像素值)。为此,在本说明书中,无人驾驶设备可以先在待处理图像的外侧补偿一些像素,进而基于补偿的像素,实现对位于待处理图像边缘处的一些像素的图像处理,如图4所示。
图4为本说明书提供的无人驾驶设备在待处理图像的边缘进行像素补偿的示意图。
在图4中,实线的像素为待处理图像真实的像素,而从图4中可以看出,按照从左向右的顺序,待处理图像第1列像素(即最左侧的一列像素)和第8列像素(即最右侧的一列像素)的像素值将无法得到图像处理模板的调整。同理,按照从上到下的顺序,待处理图像的第1行像素(即最上面的一行像素)和第12行像素(即最下面的一行像素)的像素值也将无法得到图像处理模板的调整。
基于此,无人驾驶设备可以在该待处理图像的周围进行像素补偿,图4中虚线所表示的像素即为补偿像素。这些补偿像素的像素值可以是无人驾驶设备预设的像素值。而通过图4可以看出,将这些补偿像素补偿在待处理图像的周围后,无人驾驶设备即可以通过确定出的图像处理模板,对位于该待处理图像边缘处的像素的像素值实施调整。
需要说明的是,无人驾驶设备可以通过确定出的图像处理模板的尺寸,来确定出补偿像素的数量。例如,基于图4中所示的待处理图像,若是无人驾驶设备确定出的图像处理模板的尺寸为3×3的矩阵,则无人驾驶设备只需按照图4所示的方式,在待处理图像的外侧补偿一圈补偿像素。而若是无人驾驶设备确定出的图像处理模板的尺寸为5×5的矩阵,则无人驾驶设备需要在图4所示的待处理图像的外参补偿两圈补偿像素。
还需说明的是,在本说明书中,无人驾驶设备在对待处理图像进行图像处理时,也可以每隔单位时间从待处理图像中提取出多行像素,并根据后续从该待处理图像中提取出的像素行进行组合,以得到符合图像处理模板尺寸的N行像素。
例如,假设无人驾驶设备可以在每个时钟从待图像处理中提取出2行像素,确定出的图像处理模板为5×5的矩阵,则无人驾驶设备可以在前两个时钟提取出4行像素,并在第三个时钟提取出2行像素后,可以将前两个时钟提取出的4行像素和第三个时钟提取出的2行像素中的第1行像素进行组合,以得到符合5×5的矩阵的5行像素。在后续过程中,无人驾驶设备在一个时钟提取出的像素,均能够与前两个时钟所提取出的4行像素组合成符合5×5的矩阵的5行像素。
以上为本说明书的一个或多个实施例提供的目标识别的方法,基于同样的思路,本说明书还提供了相应的目标识别的装置,如图5所示。
图5为本说明书提供的一种目标识别的装置示意图,具体包括:
获取模块501,用于获取待处理图像;
类型确定模块502,用于根据需要识别的目标对象,确定所述待处理图像对应的图像类型;
加载模块503,用于根据所述图像类型,加载与所述图像类型相匹配的图像处理模板;
划分模块504,用于按照所述图像处理模板,在所述待处理图像中划分各像素处理区域;
处理模块505,用于针对每个像素处理区域,通过所述图像处理模板对所述待处理图像中该像素处理区域所包含的像素进行处理,得到该像素处理区域对应的处理后像素;
识别模块506,用于根据各像素处理区域对应的各处理后像素,生成所述待处理图像对应的处理后图像,并通过所述处理后图像进行目标识别。
可选地,所述划分模块504具体用于,根据所述图像处理模板的尺寸,确定像素处理区域的尺寸;按照所述像素处理区域的尺寸,在所述待处理图像中划分出各像素处理区域。
可选地,所述划分模块504具体用于,根据所述像素处理区域的尺寸,确定需要处理的像素行的行数N,N为大于1的整数;针对所述待处理图像中每N行像素,根据所述像素处理区域的尺寸,在该N行像素中划分出各像素处理区域。
可选地,所述划分模块504具体用于,从所述待处理图像的该N行像素中提取前N-1行像素并缓存;将从该N行像素中提取出的第N行像素以及缓存的所述前N-1行像素同步输入到图像处理器中,以使所述图像处理器在该N行像素中划分出各像素处理区域。
可选地,所述处理模块505具体用于,通过所述图像处理模板,确定所述待处理图像中该像素处理区域包含的各像素所对应的区域表征值;确定该像素处理区域中的中心像素,作为目标像素;根据所述区域表征值,对所述目标像素的像素值进行调整,得到处理后的目标像素,并将所述处理后的目标像素,作为该像素处理区域对应的处理后像素。
可选地,所述处理模块505具体用于,确定所述目标像素的像素值与所述区域表征值之间的差值;若确定所述差值未落入到预设的阈值范围,根据所述差值以及预设的补偿系数,对所述目标像素的像素值进行调整,得到处理后的目标像素。
可选地,所述处理模块505还用于,若确定所述差值落入到所述阈值范围,不对所述目标像素的像素值进行调整。
可选地,所述识别模块506具体用于,将各像素处理区域对应的各处理后像素按照各像素处理区域在所述待处理图像中的位置进行排列,得到所述待处理图像对应的处理后图像。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述目标识别的方法。
本说明书还提供了图6所示的电子设备的示意结构图。如图6所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所示的目标识别的方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、***或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (7)
1.一种目标识别的方法,其特征在于,包括:
获取待处理图像;
根据需要识别的目标对象,确定所述待处理图像对应的图像类型;
根据所述图像类型,加载与所述图像类型相匹配的图像处理模板;
按照所述图像处理模板,在所述待处理图像中划分各像素处理区域;
通过所述图像处理模板,确定所述待处理图像中该像素处理区域包含的各像素所对应的区域表征值;
确定该像素处理区域中的中心像素,作为目标像素;
确定所述目标像素的像素值与所述区域表征值之间的差值;
若确定所述差值未落入到预设的阈值范围,根据所述差值以及预设的补偿系数,对所述目标像素的像素值进行调整,得到处理后的目标像素,并将所述处理后的目标像素,作为该像素处理区域对应的处理后像素;
若确定所述差值落入到所述阈值范围,不对所述目标像素的像素值进行调整;
根据各像素处理区域对应的各处理后像素,生成所述待处理图像对应的处理后图像,并通过所述处理后图像进行目标识别。
2.如权利要求1所述的方法,其特征在于,按照所述图像处理模板,在所述待处理图像中划分各像素处理区域,具体包括:
根据所述图像处理模板的尺寸,确定像素处理区域的尺寸;
按照所述像素处理区域的尺寸,在所述待处理图像中划分出各像素处理区域。
3.如权利要求2所述的方法,其特征在于,按照所述像素处理区域的尺寸,在所述待处理图像中划分出各像素处理区域,具体包括:
根据所述像素处理区域的尺寸,确定需要处理的像素行的行数N,N为大于1的整数;
针对所述待处理图像中每N行像素,根据所述像素处理区域的尺寸,在该N行像素中划分出各像素处理区域。
4.如权利要求3所述的方法,其特征在于,针对所述待处理图像中每N行像素,根据所述像素处理区域的尺寸,在该N行像素中划分出各像素处理区域,具体包括:
从所述待处理图像的该N行像素中提取前N-1行像素并缓存;
将从该N行像素中提取出的第N行像素以及缓存的所述前N-1行像素同步输入到图像处理器中,以使所述图像处理器在该N行像素中划分出各像素处理区域。
5.如权利要求1或4所述的方法,其特征在于,根据各像素处理区域对应的各处理后像素,生成所述待处理图像对应的处理后图像,具体包括:
将各像素处理区域对应的各处理后像素按照各像素处理区域在所述待处理图像中的位置进行排列,得到所述待处理图像对应的处理后图像。
6.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~5任一项所述的方法。
7.一种无人驾驶设备,包括存储器、处理器及存储在存储器上并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程序时实现上述权利要求1~5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010245845.2A CN111476729B (zh) | 2020-03-31 | 2020-03-31 | 一种目标识别的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010245845.2A CN111476729B (zh) | 2020-03-31 | 2020-03-31 | 一种目标识别的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111476729A CN111476729A (zh) | 2020-07-31 |
CN111476729B true CN111476729B (zh) | 2023-06-09 |
Family
ID=71749343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010245845.2A Active CN111476729B (zh) | 2020-03-31 | 2020-03-31 | 一种目标识别的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476729B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784832B (zh) * | 2021-02-09 | 2022-09-09 | 西南科技大学 | 一种物体标记点识别方法及装置 |
CN117252956A (zh) * | 2023-09-04 | 2023-12-19 | 深圳市经纬线科技有限公司 | 图像编辑方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008067134A (ja) * | 2006-09-08 | 2008-03-21 | Seiko Epson Corp | 画像処理装置、印刷装置、画像処理方法、および、画像処理プログラム |
CN106770087A (zh) * | 2016-11-24 | 2017-05-31 | 大连海事大学 | 油污遥感探测模块、***及方法 |
JP2020021228A (ja) * | 2018-07-31 | 2020-02-06 | キヤノン株式会社 | 情報処理装置、情報処理方法およびプログラム |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2012098854A1 (ja) * | 2011-01-20 | 2014-06-09 | 日本電気株式会社 | 画像処理システム、画像処理方法および画像処理用プログラム |
US9349076B1 (en) * | 2013-12-20 | 2016-05-24 | Amazon Technologies, Inc. | Template-based target object detection in an image |
CN108040210B (zh) * | 2015-06-30 | 2020-03-10 | Oppo广东移动通信有限公司 | 一种局部畸变的校正方法及移动终端和相关介质产品 |
CN107891808B (zh) * | 2016-09-30 | 2020-06-19 | 比亚迪股份有限公司 | 行车提醒方法、装置及车辆 |
CN107122737B (zh) * | 2017-04-26 | 2020-07-31 | 聊城大学 | 一种道路交通标志自动检测识别方法 |
CN107578424B (zh) * | 2017-08-04 | 2020-09-29 | 中山大学 | 一种基于时空分类的动态背景差分检测方法、***及装置 |
CN107730445B (zh) * | 2017-10-31 | 2022-02-18 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质和电子设备 |
CN108510556A (zh) * | 2018-03-30 | 2018-09-07 | 百度在线网络技术(北京)有限公司 | 用于处理图像的方法和装置 |
CN110490214B (zh) * | 2018-05-14 | 2023-05-02 | 阿里巴巴集团控股有限公司 | 图像的识别方法及***、存储介质及处理器 |
CN109117846B (zh) * | 2018-08-22 | 2021-11-16 | 北京旷视科技有限公司 | 一种图像处理方法、装置、电子设备和计算机可读介质 |
CN109766898A (zh) * | 2018-12-26 | 2019-05-17 | 平安科技(深圳)有限公司 | 图像文字识别方法、装置、计算机设备及存储介质 |
CN110502986A (zh) * | 2019-07-12 | 2019-11-26 | 平安科技(深圳)有限公司 | 识别图像中人物位置方法、装置、计算机设备和存储介质 |
-
2020
- 2020-03-31 CN CN202010245845.2A patent/CN111476729B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008067134A (ja) * | 2006-09-08 | 2008-03-21 | Seiko Epson Corp | 画像処理装置、印刷装置、画像処理方法、および、画像処理プログラム |
CN106770087A (zh) * | 2016-11-24 | 2017-05-31 | 大连海事大学 | 油污遥感探测模块、***及方法 |
JP2020021228A (ja) * | 2018-07-31 | 2020-02-06 | キヤノン株式会社 | 情報処理装置、情報処理方法およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
CN111476729A (zh) | 2020-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111311709B (zh) | 一种生成高精地图的方法及装置 | |
CN111639682B (zh) | 基于点云数据的地面分割方法及装置 | |
CN111238450B (zh) | 视觉定位方法及装置 | |
CN113887608B (zh) | 一种模型训练的方法、图像检测的方法及装置 | |
CN111476729B (zh) | 一种目标识别的方法及装置 | |
CN111062372B (zh) | 一种预测障碍物轨迹的方法及装置 | |
CN111797711A (zh) | 一种模型训练的方法及装置 | |
CN116309823A (zh) | 一种位姿的确定方法、装置、设备及存储介质 | |
CN111242106A (zh) | 一种面部图像的采集方法、装置、设备及面部识别设备 | |
CN117197781B (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
CN112990099B (zh) | 一种车道线检测的方法以及装置 | |
CN111426299B (zh) | 一种基于目标物的景深进行测距的方法及装置 | |
CN112861831A (zh) | 一种目标物的识别方法、装置、存储介质及电子设备 | |
CN112561961A (zh) | 一种实例追踪的方法及装置 | |
CN113887351B (zh) | 一种用于无人驾驶的障碍物检测方法及障碍物检测装置 | |
CN112734851B (zh) | 一种位姿确定的方法以及装置 | |
CN114332189A (zh) | 一种高精地图构建方法、装置、存储介质及电子设备 | |
CN114863206A (zh) | 一种模型训练的方法、目标检测的方法及装置 | |
CN116740197B (zh) | 一种外参的标定方法、装置、存储介质及电子设备 | |
CN112036462B (zh) | 一种模型训练以及目标检测的方法及装置 | |
CN111798536B (zh) | 一种定位地图的构建方法及装置 | |
CN112631312B (zh) | 一种无人设备的控制方法、装置、存储介质及电子设备 | |
CN113205144B (zh) | 一种模型训练的方法及装置 | |
CN116363390B (zh) | 一种红外弱小目标检测方法、装置、存储介质及电子设备 | |
CN113640823B (zh) | 一种基于激光反射率底图进行地图绘制的方法及装置 |
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 |