CN112132215A - 一种识别物体类型的方法、装置及计算机可读存储介质 - Google Patents
一种识别物体类型的方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112132215A CN112132215A CN202011004689.7A CN202011004689A CN112132215A CN 112132215 A CN112132215 A CN 112132215A CN 202011004689 A CN202011004689 A CN 202011004689A CN 112132215 A CN112132215 A CN 112132215A
- Authority
- CN
- China
- Prior art keywords
- matrix
- image
- identifying
- type
- size
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims abstract description 185
- 238000011176 pooling Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 36
- 230000004913 activation Effects 0.000 claims abstract description 28
- 238000010586 diagram Methods 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims description 19
- 230000001629 suppression Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 238000005520 cutting process Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 230000001537 neural effect Effects 0.000 claims description 7
- 230000003121 nonmonotonic effect Effects 0.000 claims description 7
- 238000000638 solvent extraction Methods 0.000 claims description 7
- 230000005764 inhibitory process Effects 0.000 claims description 6
- 238000004883 computer application Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于计算机应用技术领域,提供了识别物体类型的方法及装置,包括:将待识别图像输入由至少两个骨干网组成的级联网络中,得到图像中的目标物体对应的第一矩阵;将所述第一矩阵输入候选区域网络中,通过特征聚类的方式,得到所述第一矩阵中的候选框特征图对应的第二矩阵;对所述第二矩阵进行基于兴趣的池化处理,得到第三矩阵;对所述第三矩阵进行全连接和激活处理,得到目标物体对应的特征图;基于所述特征图,识别所述目标物体的类型。本实施例中通过上述步骤可以得到比较全面的目标物体的特征,提高了特征识别的全面性和精确性。
Description
技术领域
本申请属于计算机应用技术领域,尤其涉及一种识别物体类型的方法、装置及计算机可读存储介质。
背景技术
车辆款型是车辆的一种属性,也是车辆身份认证中不可或缺的重要信息,对车款的自动识别,成为城市智能交通管理***中的重要环节之一。相关技术中一般通过图像识别的方式来检测车辆的类型或者款式,但是在实际应用中,由于车辆行驶环境容易发生变化,例如雾霾、雨天、夜间等环境下,这对车款识别的精确度造成一定的干扰,很容易造成车款识别不精确、效率较低的问题。
发明内容
本申请实施例提供了识别物体类型的方法及装置,可以解决车款识别不精确、效率较低的问题。
第一方面,本申请实施例提供了一种识别物体类型的方法,包括:将待识别图像输入由至少两个骨干网组成的级联网络中,得到图像中的目标物体对应的第一矩阵;将所述第一矩阵输入候选区域网络中,通过特征聚类的方式,得到所述第一矩阵中的候选框特征图对应的第二矩阵;对所述第二矩阵进行基于兴趣的池化处理,得到第三矩阵;对所述第三矩阵进行全连接和激活处理,得到目标物体对应的特征图;基于所述特征图,识别所述目标物体的类型。
在第一方面的一种可能的实现方式中,所述将待识别图像输入由至少两个骨干网组成的级联网络中,得到图像中的目标物体对应的第一矩阵之前,还包括:获取所述待识别图像的尺寸;基于所述尺寸和设定尺寸,对所述待识别图像的大小进行调整,得到调整之后的待识别图像。
在第一方面的一种可能的实现方式中,所述将待识别图像输入由至少两个骨干网组成的级联网络中,得到图像中的目标物体对应的第一矩阵,包括:将所述待识别图像分别输入各骨干网对应的特征提取网络中,得到所述各骨干网对应的输出矩阵;对所述输出特征进行分块,得到预设数量的矩阵块;从所述矩阵块中提取出最大像素值,得到各输出矩阵对应的池化矩阵;将所述各骨干网对应的池化矩阵进行求和,得到所述第一矩阵。
在第一方面的一种可能的实现方式中,所述将所述第一矩阵输入候选区域网络中,通过特征聚类的方式,得到所述第一矩阵中的候选框特征图对应的第二矩阵,包括:将所述第一矩阵输入卷积网络中,得到第一卷积结果,并对所述第一卷积结果进行非单调神经激活处理,得到第二卷积结果;对所述第二卷积结果进行基于分类的卷积映射激活得到第三卷积结果,对所述第二卷积结果进行基于回归的卷积处理,得到第四卷积结果;将所述第三卷积结果和第四卷积结果进行非极大值抑制,得到抑制结果;对所述抑制结果进行切割,得到预设数量的候选框特征图对应的矩阵。
在第一方面的一种可能的实现方式中,所述对所述第二矩阵进行基于兴趣的池化处理,得到第三矩阵,包括:对所述第二矩阵进行分块处理,得到各第二矩阵对应的区块;对所述区块进行最大池化处理,选取所述区块的设定区域中的最大值,得到所述第三矩阵。
在第一方面的一种可能的实现方式中,所述方法还包括:基于拍摄得到的车辆图像,对其中的车款类型进行识别,得到车款类型标识;基于所述车款类型标识模拟车辆的行进场景。
第二方面,本申请实施例提供了一种识别物体类型的装置,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以下步骤:将待识别图像输入由至少两个骨干网组成的级联网络中,得到图像中的目标物体对应的第一矩阵;将所述第一矩阵输入候选区域网络中,通过特征聚类的方式,得到所述第一矩阵中的候选框特征图对应的第二矩阵;对所述第二矩阵进行基于兴趣的池化处理,得到第三矩阵;对所述第三矩阵进行全连接和激活处理,得到目标物体对应的特征图;基于所述特征图,识别所述目标物体的类型。
在第二方面的一种可能的实现方式中,所述将待识别图像输入由至少两个骨干网组成的级联网络中,得到图像中的目标物体对应的第一矩阵之前,还包括:获取所述待识别图像的尺寸;基于所述尺寸和设定尺寸,对所述待识别图像的大小进行调整,得到调整之后的待识别图像。
在第二方面的一种可能的实现方式中,所述将待识别图像输入由至少两个骨干网组成的级联网络中,得到图像中的目标物体对应的第一矩阵,包括:将所述待识别图像分别输入各骨干网对应的特征提取网络中,得到所述各骨干网对应的输出矩阵;对所述输出特征进行分块,得到预设数量的矩阵块;从所述矩阵块中提取出最大像素值,得到各输出矩阵对应的池化矩阵;将所述各骨干网对应的池化矩阵进行求和,得到所述第一矩阵。
在第二方面的一种可能的实现方式中,所述将所述第一矩阵输入候选区域网络中,通过特征聚类的方式,得到所述第一矩阵中的候选框特征图对应的第二矩阵,包括:将所述第一矩阵输入卷积网络中,得到第一卷积结果,并对所述第一卷积结果进行非单调神经激活处理,得到第二卷积结果;对所述第二卷积结果进行基于分类的卷积映射激活得到第三卷积结果,对所述第二卷积结果进行基于回归的卷积处理,得到第四卷积结果;将所述第三卷积结果和第四卷积结果进行非极大值抑制,得到抑制结果;对所述抑制结果进行切割,得到预设数量的候选框特征图对应的矩阵。
在第二方面的一种可能的实现方式中,所述对所述第二矩阵进行基于兴趣的池化处理,得到第三矩阵,包括:对所述第二矩阵进行分块处理,得到各第二矩阵对应的区块;对所述区块进行最大池化处理,选取所述区块的设定区域中的最大值,得到所述第三矩阵。
在第二方面的一种可能的实现方式中,所述方法还包括:基于拍摄得到的车辆图像,对其中的车款类型进行识别,得到车款类型标识;基于所述车款类型标识模拟车辆的行进场景。
第三方面,本申请实施例提供了一种识别物体类型的装置,包括:第一矩阵单元,用于将待识别图像输入由至少两个骨干网组成的级联网络中,得到图像中的目标物体对应的第一矩阵;第二矩阵单元,用于将所述第一矩阵输入候选区域网络中,通过特征聚类的方式,得到所述第一矩阵中的候选框特征图对应的第二矩阵;第三矩阵单元,用于对所述第二矩阵进行基于兴趣的池化处理,得到第三矩阵;特征图单元,用于对所述第三矩阵进行全连接和激活处理,得到目标物体对应的特征图;识别单元,用于基于所述特征图,识别所述目标物体的类型。
在第三方面的一种可能的实现方式中,所述装置还包括:尺寸获取单元,用于获取所述待识别图像的尺寸;尺寸调整单元,用于基于所述尺寸和设定尺寸,对所述待识别图像的大小进行调整,得到调整之后的待识别图像。
在第三方面的一种可能的实现方式中,所述第一矩阵单元用于:将所述待识别图像分别输入各骨干网对应的特征提取网络中,得到所述各骨干网对应的输出矩阵;对所述输出特征进行分块,得到预设数量的矩阵块;从所述矩阵块中提取出最大像素值,得到各输出矩阵对应的池化矩阵;将所述各骨干网对应的池化矩阵进行求和,得到所述第一矩阵。
在第三方面的一种可能的实现方式中,所述第二矩阵单元用于:将所述第一矩阵输入卷积网络中,得到第一卷积结果,并对所述第一卷积结果进行非单调神经激活处理,得到第二卷积结果;对所述第二卷积结果进行基于分类的卷积映射激活得到第三卷积结果,对所述第二卷积结果进行基于回归的卷积处理,得到第四卷积结果;将所述第三卷积结果和第四卷积结果进行非极大值抑制,得到抑制结果;对所述抑制结果进行切割,得到预设数量的候选框特征图对应的矩阵。
在第三方面的一种可能的实现方式中,所述第三矩阵单元用于:对所述第二矩阵进行分块处理,得到各第二矩阵对应的区块;对所述区块进行最大池化处理,选取所述区块的设定区域中的最大值,得到所述第三矩阵。
在第三方面的一种可能的实现方式中所述装置还包括:车款识别单元,用于基于拍摄得到的车辆图像,对其中的车款类型进行识别,得到车款类型标识;场景模拟单元,用于基于所述车款类型标识模拟车辆的行进场景。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一项所述的识别物体类型的方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是:本申请实施例中,通过对待识别图像进行处理,得到大小一致的待识别图像,并通过多个骨干网组成的级联网络生成目标物体对应的第一矩阵,在对第一矩阵中的候选框特征图进行特征聚类得到第二矩阵,并对第二矩阵进行基于兴趣的池化处理得到第三矩阵,最后对第三矩阵进行全连接和激活处理,得到目标物体对应的特征图,以基于特征图对目标物体的类型进行识别。本实施例中通过上述步骤可以得到比较全面的目标物体的特征,提高了特征识别的全面性和精确性。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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是本申请实施例一提供的识别物体类型的方法的流程图;
图2为本申请实施例提供的一种多骨干级联网络的图像特征提取的示意图;
图3为本申请实施例提供的一种基于候选区域网络对矩阵进行特征聚类的示意图;
图4为本申请实施例提供的一种对矩阵进行池化的示意图;
图5为本申请实施例提出的基于级联多骨干的车款识别算法的示意图;
图6是本申请实施例四提供的识别物体类型的装置的示意图;
图7是本申请实施例四提供的识别物体类型的设备的示意图。
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,以便透彻理解本申请实施例。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申请。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申请的描述。
应当理解,当在本申请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,在本申请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。
如在本申请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]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
参见图1,图1是本申请实施例提供的一种识别物体类型的方法的流程图。本实施例中识别物体类型的方法的执行主体为具有识别物体类型的功能的装置,包括但不限于计算机、服务器、平板电脑或者终端等装置。如图所示的识别物体类型的方法可以包括以下步骤:
S110:将所述待识别图像输入由至少两个骨干网组成的级联网络中,得到图像中的目标物体对应的第一矩阵。
在本申请一实施例中,在进行识别目标物体的类型之前,先获取目标物体的图像,作为带识别图像。在获取到待识别图像之后,可以先对待识别图像进行预处理,得到待识别图像。其中,预处理过程可以包括图像大小的调整、图像灰度的调整等等。
进一步的,在本申请一实施例中,在该步骤之前还可以包括如下步骤:获取所述待识别图像的尺寸;基于所述尺寸和设定尺寸,对所述待识别图像的大小进行调整,得到调整之后的待识别图像。
具体的,由于带识别图像的大小不同,或者相机拍摄过程中的焦距等不一致,容易造成图像大小不一致的情况,基于上述情况,本实施例中可以通过设定尺寸,对待识别图像的尺寸进行调整,得到待识别图像。
示例性的,本实施例中可以首先将原始的待识别输入图像在保证宽高比的情况下变换尺寸,得到预设尺寸的待识别图像。例如本实施例中的预设尺寸可以为1000*600,也可以配置为其他尺寸等等。可以通过拉宽、压缩或者裁剪的方式,得到对应大小尺寸的待识别图像。
在本申请一实施例中,在获取到待识别图像之后,通过预设的至少两个骨干网组成的级联网络,将待识别图像输入到至少两个骨干网络组成的级联网络中,以对待识别图像中的目标物体进行处理,得到包含目标物体特征的第一矩阵。
进一步的,步骤S110中具体包括如下步骤:将所述待识别图像分别输入各骨干网对应的特征提取网络中,得到所述各骨干网对应的输出矩阵;对所述输出特征进行分块,得到预设数量的矩阵块;从所述矩阵块中提取出最大像素值,得到各输出矩阵对应的池化矩阵;将所述各骨干网对应的池化矩阵进行求和,得到所述第一矩阵。
在本申请一实施例中,然后经过多骨架(backbone)级联网络(CascadeNet)提取图像中的车辆特征并得到特征图矩阵FMap。
图2为本申请实施例提供的一种多骨干级联网络的图像特征提取的示意图。
如图2所示,其中,输入210表示原始输入图像经过尺寸变化之后的待识别图像对应的输出矩阵,骨架1(Backbone_1)(220)、骨架2(Backbone_2)、骨架n(Backbone_n)分别表示n个不同的特征提取网络。
示例性的,Backbone_1可以表示DarkNet53,Backbone_2可以表示ResNet50,Backbone_n可以表示EfficientNet等等。Block_1、Block_2、Block_n表示分块操作,得到区块1~n(230),最大池化操作(240)可以包括MaxPooling_1、MaxPooling_2、MaxPooling_n等,最后通过求和操作(250)得到输出结果。
具体的,在DarkNet53网络结构中,可以由1*1与3*3卷积构成,其中包括了53个卷积层;在Resnet50网络结构中,首先对输入做了卷积操作,之后包含4个残差快,最后进行全连接操作以便于进行分类任务;EfficientNet是对至少两个网络的复合,将网络宽度和网络深度以及图像像素大小进行一个复合融合,然后达到一个比较好的网络。
示例性的,假设n取3,输入矩阵大小为1000*600*512,经过Backbone_1、Backbone_2、Backbone_3后的输出矩阵大小分别为300*400*128、500*600*256、700*800*512,然后执行分块处理,其中分块大小可配置,比如分成60*40块;之后进行最大池化,即每块中取最大像素值,操作分别得到的输出矩阵大小为60*40*128、60*40*256、60*40*512;最后将得到的这三个输出矩阵进行求和得到最终的输出矩阵,大小为60*40*(128+256+512)=60*40*896。
S120:将所述第一矩阵输入候选区域网络中,通过特征聚类的方式,得到所述第一矩阵中的候选框特征图对应的第二矩阵。
在本申请一实施例中,在得到包含目标图像的第一矩阵之后,将第一矩阵输入候选区域网络中,以对目标图像对应的第一矩阵通过特征聚类的方式,得到第一矩阵中的各个候选框特征图对应的第二矩阵。
具体的,步骤S120中的过程详细包括如下步骤:将所述第一矩阵输入卷积网络中,得到第一卷积结果,并对所述第一卷积结果进行非单调神经激活处理,得到第二卷积结果;对所述第二卷积结果进行基于分类的卷积映射激活得到第三卷积结果,对所述第二卷积结果进行基于回归的卷积处理,得到第四卷积结果;将所述第三卷积结果和第四卷积结果进行非极大值抑制,得到抑制结果;对所述抑制结果进行切割,得到预设数量的候选框特征图对应的矩阵。
在本申请一实施例中,特征图FMap上执行候选区域网络RPN网络并利用预先使用kmeans++聚类得到的锚箱生成所有候选框CBox。具体的,本实施例中kmeans++算法聚类锚箱的时候使用的距离函数为1-IOU,其中,IOU=I/U,I表示两个锚箱的交集面积,U表示两个锚箱的并集面积。
在本申请一实施例中,kmeans++是对原始kmeans聚类算法的一种改进,主要是将kmeans中k个初始聚类中心的随机选择方式改进为轮盘选择,例如k为9个。
图3为本申请实施例提供的一种基于候选区域网络对矩阵进行特征聚类的示意图。
具体执行流程如图3所示,其中,输入310为特征图矩阵FMap,通过卷积+非单调神经激活函数(CM)(320)、分类、回归、卷积+映射激活函数(CS)(330)、卷积(340)、非极大值抑制(NMS)(350)、利用NMS筛选后得到的候选框的坐标在输入特征图上进行切割360。
在本申请一实施例中,假设输入矩阵大小为60*40*512,则执行CM得到的矩阵大小仍为60*40*512,接着再经过cls和reg两个分支中的CS、Conv操作后得到所有候选框的分类矩阵和坐标矩阵,大小分别为60*40*(9*2)=60*40*18(9表示的是锚箱个数、2表示的是前景和背景二分类)、60*40*(9*4)=60*40*36(9表示的是锚箱个数、4表示的是每个锚箱的坐标(即锚箱的中心点坐标x,y以及锚箱的宽高w,h)),然后对所有候选框执行NMS(将所有候选框按照分类概率降序排序,保留概率最高的候选框并删除与之重叠(即IOU>0.5)的其他候选框)删除冗余的框并保留前n(可配置,比如取300)个候选框,最后将筛选后的n个候选框在输入特征图FMap上执行Cut(切割)操作得到最终的输出矩阵Output(即候选框特征图矩阵)。
在切割过程中,假设输入矩阵Input的大小为60*40*512,经过NMS筛选出的300个候选框中的一个候选框的坐标为(9,15,20,30),则Cut操作表示在输入矩阵,即特征图FMap上的(9,15)位置处切割出宽高为(20,30)的候选框(即候选框特征图矩阵,大小为20*30*512)。类似地,最后可以得到300个不同大小的候选框特征图矩阵。
S130:对所述第二矩阵进行基于兴趣的池化处理,得到第三矩阵。
在本申请一实施例中,在得到第二矩阵之后,对第二矩阵进行基于兴趣的池化处理,得到第三矩阵。具体的处理过程为:对所述第二矩阵进行分块处理,得到各第二矩阵对应的区块;对所述区块进行最大池化处理,选取所述区块的设定区域中的最大值,得到所述第三矩阵。
图4为本申请实施例提供的一种对矩阵进行池化的示意图。
如图4所示,在本申请一实施例中,输入410为上一步骤中筛选后的所有候选框CBox。紧接着执行RoIPooling操作,将上一步骤中得到的所有不同大小的候选框CBox,统一分块为预设大小(420),例如7*7大小。示例性的,对于300个候选框进行统一大小时,即将300个M*N*512大小的候选框特征图矩阵统一成1个300*7*7*512的候选框特征图矩阵。假设Input(即CBox)共有300个候选框,例如,其中一个候选框的大小为20*30*512,首先执行分块(420)操作将该矩阵20*30*512划分成7*7固定大小的块并进行取整,每块大小为:(20/7)*(30/7)=2.86*4.29=2*4;然后对每块执行最大池化(430)操作,即只保留2*4=8个像素点中值最大的那个像素点。最后得到最终的输出矩阵,大小为7*7*512,这是一个候选框经过RoIPooling操作后得到的最终输出矩阵。由于总共有300个,所以最终的输出矩阵(440)大小为300*7*7*512。
S140:对所述第三矩阵进行全连接和激活处理,得到目标物体对应的特征图。
在本申请一实施例中,然后再经过两层FCR(全连接+Relu激活函数)以及两个不同分支FC(全连接)、FCS(全连接+Softmax激活函数)分别进行车辆检测框的回归(reg)与车辆款型的分类(cls),得到车辆对应的特征图。
S150:基于所述特征图,识别所述目标物体的类型。
在本申请一实施例中,最后将特征图上预测得到的车辆坐标映射为原始输入图像上的坐标,从而实现图像的车款识别。
在本申请一实施例中,将原先的特征提取网络由单backbone网络改进成多backbone的级联网络,显著增强了雾霾、雨天、夜间、车侧面等困难场景下的特征表达能力,从而提高了车款识别的整体准确率和召回率;将锚箱的获取方式由原先的人工设定改进为kmeans++自动聚类得出,大大改善了锚箱的生成质量,从而提高了检测框的定位精度,进一步提高了车款识别的整体准确率和召回率。
图5为本申请实施例提出的基于级联多骨干的车款识别算法的示意图。
在本申请一实施例中,如图5所示,通过对待识别图像510进行尺寸变换520,并将原先的特征提取网络由单骨干网络改进成多骨干的级联网络530,显著增强了雾霾、雨天、夜间、车侧面等困难场景下的特征表达能力,从而提高了车款识别的整体准确率和召回率;在通过级联网络530得到特征图矩阵540之后,将锚箱的获取方式由原先的人工设定改进为kmeans++自动聚类得出,通过将特征图矩阵FMap540输入候选区域网络RPN(550)中,得到候选框CBox(560),最后对其进行池化处理570和全连接修正激活FCR(580),即全连接激活FCS(590)和全连接FC(511),大大改善了锚箱的生成质量,从而提高了检测框的定位精度,进一步提高了车款识别的整体准确率和召回率。
本申请实施例中,通过对待识别图像进行处理,得到大小一致的待识别图像,并通过多个骨干网组成的级联网络生成目标物体对应的第一矩阵,在对第一矩阵中的候选框特征图进行特征聚类得到第二矩阵,并对第二矩阵进行基于兴趣的池化处理得到第三矩阵,最后对第三矩阵进行全连接和激活处理,得到目标物体对应的特征图,以基于特征图对目标物体的类型进行识别。本实施例中通过上述步骤可以得到比较全面的目标物体的特征,提高了特征识别的全面性和精确性。
参见图6,图6是本申请实施例提供的一种识别物体类型的装置的示意图。识别物体类型的装置600可以为智能手机、平板电脑等移动终端。本实施例的识别物体类型的装置600包括的各单元用于执行图1对应的实施例中的各步骤,具体请参阅图1及图1对应的实施例中的相关描述,此处不赘述。本实施例的识别物体类型的装置600包括:第一矩阵单元601,用于将待识别图像输入由至少两个骨干网组成的级联网络中,得到图像中的目标物体对应的第一矩阵;第二矩阵单元602,用于将所述第一矩阵输入候选区域网络中,通过特征聚类的方式,得到所述第一矩阵中的候选框特征图对应的第二矩阵;第三矩阵单元603,用于对所述第二矩阵进行基于兴趣的池化处理,得到第三矩阵;特征图单元604,用于对所述第三矩阵进行全连接和激活处理,得到目标物体对应的特征图;识别单元605,用于基于所述特征图,识别所述目标物体的类型。
在本申请一实施例中,所述装置600还包括:尺寸获取单元,用于获取所述待识别图像的尺寸;尺寸调整单元,用于基于所述尺寸和设定尺寸,对所述待识别图像的大小进行调整,得到调整之后的待识别图像。
在本申请一实施例中,所述第一矩阵单元601用于:将所述待识别图像分别输入各骨干网对应的特征提取网络中,得到所述各骨干网对应的输出矩阵;对所述输出特征进行分块,得到预设数量的矩阵块;从所述矩阵块中提取出最大像素值,得到各输出矩阵对应的池化矩阵;将所述各骨干网对应的池化矩阵进行求和,得到所述第一矩阵。
在本申请一实施例中,所述第二矩阵单元602用于:将所述第一矩阵输入卷积网络中,得到第一卷积结果,并对所述第一卷积结果进行非单调神经激活处理,得到第二卷积结果;对所述第二卷积结果进行基于分类的卷积映射激活得到第三卷积结果,对所述第二卷积结果进行基于回归的卷积处理,得到第四卷积结果;将所述第三卷积结果和第四卷积结果进行非极大值抑制,得到抑制结果;对所述抑制结果进行切割,得到预设数量的候选框特征图对应的矩阵。
在本申请一实施例中,所述第三矩阵单元603用于:对所述第二矩阵进行分块处理,得到各第二矩阵对应的区块;对所述区块进行最大池化处理,选取所述区块的设定区域中的最大值,得到所述第三矩阵。
在本申请一实施例中,所述装置还包括:车款识别单元,用于基于拍摄得到的车辆图像,对其中的车款类型进行识别,得到车款类型标识;场景模拟单元,用于基于所述车款类型标识模拟车辆的行进场景。
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,而不应对本申请实施例的实施过程构成任何限定。
图7是本申请实施例提供的识别物体类型的设备的示意图。如图7所示,该实施例的识别物体类型的设备7包括:处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72。所述处理器70执行所述计算机程序72时实现上述各个识别物体类型的方法实施例中的步骤,例如图1所示的步骤。或者,所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能。
示例性的,所述计算机程序72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71中,并由所述处理器70执行,以完成本申请。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72在所述识别物体类型的装置7中的执行过程。
所述识别物体类型的装置7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70、存储器71。本领域技术人员可以理解,图7仅仅是识别物体类型的装置7的示例,并不构成对识别物体类型的装置7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70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71可以是所述识别物体类型的装置7的内部存储单元,例如识别物体类型的装置7的硬盘或内存。所述存储器71也可以是所述识别物体类型的装置7的外部存储设备,例如所述识别物体类型的装置7上配备的插接式硬盘,智能存储卡(Smart MediaCard,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card,FC)等。进一步地,所述存储器71还可以既包括所述识别物体类型的装置7的内部存储单元也包括外部存储设备。所述存储器71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71还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例提供了一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述识别物体类型的方法。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
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。
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。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。
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,本申请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。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种识别物体类型的方法,其特征在于,包括:
将待识别图像输入由至少两个骨干网组成的级联网络中,得到图像中的目标物体对应的第一矩阵;
将所述第一矩阵输入候选区域网络中,通过特征聚类的方式,得到所述第一矩阵中的候选框特征图对应的第二矩阵;
对所述第二矩阵进行基于兴趣的池化处理,得到第三矩阵;
对所述第三矩阵进行全连接和激活处理,得到目标物体对应的特征图;
基于所述特征图,识别所述目标物体的类型。
2.如权利要求1所述的识别物体类型的方法,其特征在于,所述将待识别图像输入由至少两个骨干网组成的级联网络中,得到图像中的目标物体对应的第一矩阵之前,还包括:
获取所述待识别图像的尺寸;
基于所述尺寸和设定尺寸,对所述待识别图像的大小进行调整,得到调整之后的待识别图像。
3.如权利要求1所述的识别物体类型的方法,其特征在于,所述将待识别图像输入由至少两个骨干网组成的级联网络中,得到图像中的目标物体对应的第一矩阵,包括:
将所述待识别图像分别输入各骨干网对应的特征提取网络中,得到所述各骨干网对应的输出矩阵;
对所述输出特征进行分块,得到预设数量的矩阵块;
从所述矩阵块中提取出最大像素值,得到各输出矩阵对应的池化矩阵;
将所述各骨干网对应的池化矩阵进行求和,得到所述第一矩阵。
4.如权利要求1所述的识别物体类型的方法,其特征在于,所述将所述第一矩阵输入候选区域网络中,通过特征聚类的方式,得到所述第一矩阵中的候选框特征图对应的第二矩阵,包括:
将所述第一矩阵输入卷积网络中,得到第一卷积结果,并对所述第一卷积结果进行非单调神经激活处理,得到第二卷积结果;
对所述第二卷积结果进行基于分类的卷积映射激活得到第三卷积结果,对所述第二卷积结果进行基于回归的卷积处理,得到第四卷积结果;
将所述第三卷积结果和第四卷积结果进行非极大值抑制,得到抑制结果;
对所述抑制结果进行切割,得到预设数量的候选框特征图对应的矩阵。
5.如权利要求1所述的识别物体类型的方法,其特征在于,对所述第二矩阵进行基于兴趣的池化处理,得到第三矩阵,包括:
对所述第二矩阵进行分块处理,得到各第二矩阵对应的区块;
对所述区块进行最大池化处理,选取所述区块的设定区域中的最大值,得到所述第三矩阵。
6.如权利要求1所述的识别物体类型的方法,其特征在于,所述方法还包括:
基于拍摄得到的车辆图像,对其中的车款类型进行识别,得到车款类型标识;
基于所述车款类型标识模拟车辆的行进场景。
7.一种识别物体类型的装置,其特征在于,包括:
第一矩阵单元,用于将待识别图像输入由至少两个骨干网组成的级联网络中,得到图像中的目标物体对应的第一矩阵;
第二矩阵单元,用于将所述第一矩阵输入候选区域网络中,通过特征聚类的方式,得到所述第一矩阵中的候选框特征图对应的第二矩阵;
第三矩阵单元,用于对所述第二矩阵进行基于兴趣的池化处理,得到第三矩阵;
特征图单元,用于对所述第三矩阵进行全连接和激活处理,得到目标物体对应的特征图;
识别单元,用于基于所述特征图,识别所述目标物体的类型。
8.如如权利要求7所述的识别物体类型的装置,其特征在于,所述装置还包括:
尺寸获取单元,用于获取所述待识别图像的尺寸;
尺寸调整单元,用于基于所述尺寸和设定尺寸,对所述待识别图像的大小进行调整,得到调整之后的待识别图像。
9.一种识别物体类型的设备,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6任一项所述方法的步骤。
10.一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6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011004689.7A CN112132215B (zh) | 2020-09-22 | 2020-09-22 | 一种识别物体类型的方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011004689.7A CN112132215B (zh) | 2020-09-22 | 2020-09-22 | 一种识别物体类型的方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112132215A true CN112132215A (zh) | 2020-12-25 |
CN112132215B CN112132215B (zh) | 2024-04-16 |
Family
ID=73842649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011004689.7A Active CN112132215B (zh) | 2020-09-22 | 2020-09-22 | 一种识别物体类型的方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132215B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733652A (zh) * | 2020-12-31 | 2021-04-30 | 深圳赛安特技术服务有限公司 | 图像目标识别方法、装置、计算机设备及可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384112A (zh) * | 2016-09-08 | 2017-02-08 | 西安电子科技大学 | 基于多通道多尺度与级联过滤器的快速图像文本检测方法 |
US20180068198A1 (en) * | 2016-09-06 | 2018-03-08 | Carnegie Mellon University | Methods and Software for Detecting Objects in an Image Using Contextual Multiscale Fast Region-Based Convolutional Neural Network |
CN109284757A (zh) * | 2018-08-31 | 2019-01-29 | 湖南星汉数智科技有限公司 | 一种车牌识别方法、装置、计算机装置及计算机可读存储介质 |
CN109919045A (zh) * | 2019-02-18 | 2019-06-21 | 北京联合大学 | 基于级联卷积网络的小尺度行人检测识别方法 |
CN110070536A (zh) * | 2019-04-24 | 2019-07-30 | 南京邮电大学 | 一种基于深度学习的pcb板元器件检测方法 |
CN110717481A (zh) * | 2019-12-12 | 2020-01-21 | 浙江鹏信信息科技股份有限公司 | 一种利用级联卷积神经网络实现人脸检测的方法 |
CN111199543A (zh) * | 2020-01-07 | 2020-05-26 | 南京航空航天大学 | 一种基于卷积神经网络的冰柜表面缺陷检测 |
-
2020
- 2020-09-22 CN CN202011004689.7A patent/CN112132215B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180068198A1 (en) * | 2016-09-06 | 2018-03-08 | Carnegie Mellon University | Methods and Software for Detecting Objects in an Image Using Contextual Multiscale Fast Region-Based Convolutional Neural Network |
CN106384112A (zh) * | 2016-09-08 | 2017-02-08 | 西安电子科技大学 | 基于多通道多尺度与级联过滤器的快速图像文本检测方法 |
CN109284757A (zh) * | 2018-08-31 | 2019-01-29 | 湖南星汉数智科技有限公司 | 一种车牌识别方法、装置、计算机装置及计算机可读存储介质 |
CN109919045A (zh) * | 2019-02-18 | 2019-06-21 | 北京联合大学 | 基于级联卷积网络的小尺度行人检测识别方法 |
CN110070536A (zh) * | 2019-04-24 | 2019-07-30 | 南京邮电大学 | 一种基于深度学习的pcb板元器件检测方法 |
CN110717481A (zh) * | 2019-12-12 | 2020-01-21 | 浙江鹏信信息科技股份有限公司 | 一种利用级联卷积神经网络实现人脸检测的方法 |
CN111199543A (zh) * | 2020-01-07 | 2020-05-26 | 南京航空航天大学 | 一种基于卷积神经网络的冰柜表面缺陷检测 |
Non-Patent Citations (4)
Title |
---|
ZHUANGZHUANG TIAN ET AL.: "Cascaded Detection Framework Based on a Novel Backbone Network and Feature Fusion", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》, vol. 12, no. 09, 3 July 2019 (2019-07-03) * |
张文超 等: "多级细粒度特征融合的端到端车牌识别研究", 《沈阳理工大学学报》, vol. 37, no. 05, 31 October 2018 (2018-10-31) * |
韩烨: "基于计算机视觉的高铁接触网支持装置零部件分类提取与缺陷检测", 《中国博士学位论文全文数据库 工程科技Ⅱ辑(月刊)》, no. 03, 15 March 2020 (2020-03-15) * |
黄万军: "关于特定目标的智能识别和分拣技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑(月刊)》, no. 07, 15 July 2020 (2020-07-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733652A (zh) * | 2020-12-31 | 2021-04-30 | 深圳赛安特技术服务有限公司 | 图像目标识别方法、装置、计算机设备及可读存储介质 |
CN112733652B (zh) * | 2020-12-31 | 2024-04-19 | 深圳赛安特技术服务有限公司 | 图像目标识别方法、装置、计算机设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112132215B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944450B (zh) | 一种车牌识别方法及装置 | |
CN111797983A (zh) | 一种神经网络构建方法以及装置 | |
CN111950723A (zh) | 神经网络模型训练方法、图像处理方法、装置及终端设备 | |
CN114359851A (zh) | 无人驾驶目标检测方法、装置、设备及介质 | |
CN110148117B (zh) | 基于电力图像的电力设备缺陷识别方法、装置与存储介质 | |
CN112215179B (zh) | 车内人脸识别方法、设备、装置及存储介质 | |
CN116403094B (zh) | 一种嵌入式图像识别方法及*** | |
CN111582054A (zh) | 点云数据处理方法及装置、障碍物检测方法及装置 | |
CN107704797B (zh) | 基于安防视频中行人和车辆的实时检测方法和***及设备 | |
CN112488297B (zh) | 一种神经网络剪枝方法、模型生成方法及装置 | |
CN111553946A (zh) | 用于去除地面点云的方法及装置、障碍物检测方法及装置 | |
CN112132216B (zh) | 车型识别方法、装置、电子设备及存储介质 | |
CN114332702A (zh) | 目标区域的检测方法和装置、存储介质及电子设备 | |
CN112241646A (zh) | 车道线识别方法、装置、计算机设备和存储介质 | |
CN109871767A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
CN114648709A (zh) | 一种确定图像差异信息的方法与设备 | |
CN115995042A (zh) | 一种视频sar运动目标检测方法及装置 | |
CN111145196A (zh) | 图像分割方法、装置及服务器 | |
CN112132215B (zh) | 一种识别物体类型的方法、装置及计算机可读存储介质 | |
CN112583900B (zh) | 云计算的数据处理方法及相关产品 | |
CN111709377B (zh) | 特征提取方法、目标重识别方法、装置及电子设备 | |
CN112733652B (zh) | 图像目标识别方法、装置、计算机设备及可读存储介质 | |
CN112215188A (zh) | 交警姿态识别方法、装置、设备及存储介质 | |
CN115830342A (zh) | 检测框的确定方法、装置、存储介质及电子装置 | |
CN114463512B (zh) | 点云数据的处理方法、矢量化方法及装置 |
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 |