CN113658196A - 红外图像中船舶的检测方法、装置、电子设备和介质 - Google Patents
红外图像中船舶的检测方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN113658196A CN113658196A CN202110949228.5A CN202110949228A CN113658196A CN 113658196 A CN113658196 A CN 113658196A CN 202110949228 A CN202110949228 A CN 202110949228A CN 113658196 A CN113658196 A CN 113658196A
- Authority
- CN
- China
- Prior art keywords
- image
- ship
- detection
- edge
- filtering
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 claims abstract description 112
- 238000001914 filtration Methods 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 50
- 238000003708 edge detection Methods 0.000 claims abstract description 24
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 230000004044 response Effects 0.000 claims abstract description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 5
- 238000004891 communication Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000005429 filling process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001085205 Prenanthella exigua Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了红外图像中船舶的检测方法、装置、电子设备和介质。该方法的一具体实施方式包括:获取红外图像;将红外图像输入至预先训练的船舶检测模型,得到检测图像和目标像素值;响应于确定检测图像中不包括感兴趣区域框,或目标像素值小于等于预定阈值,对检测图像进行滤波处理,得到滤波图像;对滤波图像进行边缘检测,得到边缘特征信息;基于边缘特征信息,对滤波图像进行膨胀处理;对膨胀处理后的滤波图像进行漫水填充处理;对颜色填充后的滤波图像进行阈值分割,得到船舶区域图像;基于船舶区域图像,确定船舶位置信息。该实施方式可以提高复杂场景中船舶检测结果的召回率。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及红外图像中船舶的检测方法、装置、电子设备和介质。
背景技术
目标检测,也叫目标提取,是一种基于目标几何和统计特征的图像分割。在对无人机航拍的红外图像中的目标进行实时处理中,发挥着重要的作用。现有的对图像中船舶的检测,通常是单一的采用目标检测模型或者基于边缘的传统图像检测算法对船舶进行检测。
然而,当采用上述方式时经常会存在如下技术问题:
第一,目标检测模型在图像分辨率较低或者图像尺寸较小时,难以检测到图像中的目标,从而,使得船舶检测结果的召回率较低。
第二,在对船舶图像进行初步检测后,得到的边缘特征的明显度较低,从而,导致在对图像做进一步处理后得到的信息准确度较低,进而,导致最终确定的船舶位置信息与实际的船舶位置信息的贴合度较低。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了红外图像中船舶的检测方法、装置、电子设备和介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种红外图像中船舶的检测方法,该方法包括:获取拍摄终端发送的红外图像;将上述红外图像输入至预先训练的船舶检测模型,得到检测图像和目标像素值;确定上述检测图像中是否包括感兴趣区域框,且目标像素值是否大于第一预定阈值,响应于上述检测图像中不包括感兴趣区域框,或目标像素值小于等于预定阈值,对上述检测图像进行滤波处理,得到滤波图像;对上述滤波图像进行边缘检测,得到边缘特征信息;基于上述边缘特征信息,对上述滤波图像进行膨胀处理,得到膨胀处理后的滤波图像;对上述膨胀处理后的滤波图像进行漫水填充处理,得到颜色填充后的滤波图像;对上述颜色填充后的滤波图像进行阈值分割,得到船舶区域图像;基于上述船舶区域图像,确定船舶位置信息。
第二方面,本公开的一些实施例提供了一种红外图像中船舶的检测装置,装置包括:获取单元,被配置成获取拍摄终端发送的红外图像;输入单元,被配置成将上述红外图像输入至预先训练的船舶检测模型,得到检测图像和目标像素值;第一确定单元,被配置成确定上述检测图像中是否包括感兴趣区域框,且目标像素值是否大于第一预定阈值;滤波处理单元,被配置成响应于上述检测图像中不包括感兴趣区域框,或目标像素值小于等于预定阈值,对上述检测图像进行滤波处理,得到滤波图像;边缘检测单元,被配置成对上述滤波图像进行边缘检测,得到边缘特征信息;膨胀处理单元,被配置成基于上述边缘特征信息,对上述滤波图像进行膨胀处理,得到膨胀处理后的滤波图像;漫水填充处理单元,被配置成对上述膨胀处理后的滤波图像进行漫水填充处理,得到颜色填充后的滤波图像;阈值分割单元,被配置成对上述颜色填充后的滤波图像进行阈值分割,得到船舶区域图像;第二确定单元,被配置成基于上述船舶区域图像,确定船舶位置信息。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的红外图像中船舶的检测方法对船舶图像进行检测,提高了船舶检测结果的召回率。具体来说,造成船舶检测结果的召回率较低的原因在于:目标检测模型在图像分辨率较低或者图像尺寸较小时,难以检测到图像中的目标。基于此,本公开的一些实施例的红外图像中船舶的检测方法,首先,可以获取拍摄终端发送的红外图像。由此,可以为后续步骤提供数据基础。其次,可以将上述红外图像输入至预先训练的船舶检测模型,得到检测图像和目标像素值,并确定上述检测图像中是否包括感兴趣区域框,且目标像素值是否大于第一预定阈值。由此,可以确定检测图像中包括的船舶图像是否便于识别。然后,可以响应于上述检测图像中不包括感兴趣区域框,或目标像素值小于等于预定阈值,对上述检测图像进行滤波处理,得到滤波图像。由此,可以在确定检测图像中包括的船舶图像不易识别后,对图像进行滤波处理,从而,实现对图像的减噪,便于后续对船舶区域的识别。接着,可以对上述滤波图像进行边缘检测,得到边缘特征信息。由此,可以确定船舶区域的边缘。之后,可以基于上述边缘特征信息,对上述滤波图像进行膨胀处理,得到膨胀处理后的滤波图像,并对上述膨胀处理后的滤波图像进行漫水填充处理,得到颜色填充后的滤波图像。由此,可以使得测试图像中的船舶区域更加明显,有利于船舶区域的识别。而后,可以对上述颜色填充后的滤波图像进行阈值分割,得到船舶区域图像。由此,可以得到准确度较高的船舶区域。最后,基于上述船舶区域图像,确定船舶位置信息。由此,通过将目标检测模型和基于边缘的传统图像检测算法进行融合来进行图像中船舶的识别,在图像分辨率较低或者图像尺寸较小时,也可以检测到图像中的船舶,从而,提高了船舶检测结果的召回率。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的红外图像中船舶的检测方法的一个应用场景的示意图;
图2是根据本公开的红外图像中船舶的检测方法的一些实施例的流程图;
图3是根据本公开的红外图像中船舶的检测装置的一些实施例的结构示意图;
图4是根据本公开的红外图像中船舶的检测方法的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开的一些实施例的红外图像中船舶的检测方法的一个应用场景的示意图100。
在图1的应用场景中,首先,计算设备101可以获取拍摄终端发送的红外图像102。然后,计算设备101可以将上述红外图像102输入至预先训练的船舶检测模型103,得到检测图像104和目标像素值105。之后,计算设备101可以确定上述检测图像104中是否包括感兴趣区域框,且目标像素值105是否大于第一预定阈值。接着,计算设备101可以响应于上述检测图像104中不包括感兴趣区域框,或目标像素值105小于等于预定阈值,对上述检测图像104进行滤波处理,得到滤波图像106。而后,计算设备101可以对上述滤波图像106进行边缘检测,得到边缘特征信息107。之后,计算设备101可以基于上述边缘特征信息107,对上述滤波图像进行膨胀处理,得到膨胀处理后的滤波图像108。接着,计算设备101可以对上述膨胀处理后的滤波图像108进行漫水填充处理,得到颜色填充后的滤波图像109。而后,计算设备101可以对上述颜色填充后的滤波图像109进行阈值分割,得到船舶区域图像110。最后,计算设备101可以基于上述船舶区域图像110,确定船舶位置信息111。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的计算设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的计算设备。
继续参考图2,示出了根据本公开的红外图像中船舶的检测方法的一些实施例的流程200。该红外图像中船舶的检测方法,包括以下步骤:
步骤201,获取拍摄终端发送的红外图像。
在一些实施例中,红外图像中船舶的检测方法的执行主体(如图1所示的计算设备101)可以通过有线连接方式或者无线连接方式获取拍摄终端发送的红外图像。其中,上述红外图像可以是无人机拍摄的包括船舶图像的红外图像。
步骤202,将红外图像输入至预先训练的船舶检测模型,得到检测图像和目标像素值。
在一些实施例中,上述执行主体可以将上述红外图像输入至预先训练的船舶检测模型,得到检测图像和目标像素值。其中,上述预先训练的船舶检测模型可以是能够输出带有感兴趣区域框的图像的模型。同时,还可以输出的输入图像的相关信息(例如,图像的最大像素值、图像的类别信息等等)。上述预先训练的船舶检测模型可以是由CNN(Convolutional Neural Networks,卷积神经网络)、RNN(Recurrent Neural Networks,循环神经网络)或DNN(Deep Neural Networks,深度神经网络)训练得到的网络模型。上述检测图像可以是带有感兴趣区域框的图像或者是不带有感兴趣区域框的图像。上述目标像素值可以是将红外图像输入至预先训练的船舶检测模型后,检测到的最大的像素值。
步骤203,确定检测图像中是否包括感兴趣区域框,且目标像素值是否大于第一预定阈值。
在一些实施例中,上述执行主体可以确定上述检测图像中是否包括感兴趣区域框,且目标像素值是否大于第一预定阈值。其中,在输入的红外图像中的船舶图像的分辨率低于第三预定阈值,或者红外图像中的船舶图像的尺寸低于第四预定阈值的情况下,将上述红外图像输入至预先训练的船舶检测模型得到的检测图像可能识别不出船舶,从而,预先训练的船舶检测模型输出的检测图像可能不包括感兴趣区域框。在上述预先训练的船舶检测模型输出的目标像素值小于等于第一预定阈值的情况下,可能难以确定船舶位置信息。上述感兴趣区域框的数量可以是一个或者多个。上述目标像素值可以是将红外图像输入至预先训练的船舶检测模型后,检测到的最大的像素值。
作为示例,上述第一预定阈值可以是12×12的区域的大小,如12×12pixel的区域大小。pixel表示像素。例如,一张图片的分辨率为1920×1080dpi。dpi表示点每英寸。12×12pixel中的12是指分辨率的概率。
步骤204,响应于检测图像中不包括感兴趣区域框,或目标像素值小于等于预定阈值,对检测图像进行滤波处理,得到滤波图像。
在一些实施例中,上述执行主体可以响应于上述检测图像中不包括感兴趣区域框,或目标像素值小于等于预定阈值,对上述检测图像进行滤波处理,得到滤波图像。其中,滤波处理可以是通过改变检测图像的像素点的值进行图像减噪的处理。
作为示例,上述执行主体可以调用OpenCV中的GaussianBlur()函数进行滤波处理。OpenCV是一个开源的跨平台计算机视觉和机器学习软件库。
作为另一个示例,上述对上述检测图像进行滤波处理可以采用高斯滤波对上述检测图像进行减噪处理。高斯滤波是一种线性平滑滤波,适用于消除高斯噪声,可以广泛应用于图像处理的减噪过程。
在一些实施例的一些可选的实现方式中,在上述响应于上述检测图像中不包括感兴趣区域框,或目标像素值小于等于预定阈值,对上述检测图像进行滤波处理,得到滤波图像之前,还可以包括以下步骤:
响应于上述检测图像中包括感兴趣区域框,且目标像素值大于第一预定阈值,确定船舶位置信息。其中,上述船舶位置信息可以包括轮廓左上角坐标点、轮廓右上角坐标点、轮廓高度值和轮廓宽度值。上述轮廓左上角坐标点可以是长方形包围框的左上角的坐标点。上述轮廓右上角坐标点可以是长方形包围框的右上角的坐标点。轮廓高度值可以是长方形包围框的高度值。轮廓宽度值可以是长方形包围框的宽度值。长方形包围框可以是包围船舶图像的包围框。
步骤205,对滤波图像进行边缘检测,得到边缘特征信息。
在一些实施例中,上述执行主体可以采用Canny边缘检测算法对上述滤波图像进行边缘检测,得到边缘特征信息。其中,上述Canny边缘检测算法是用于计算图像边缘的算法。
作为示例,上述执行主体可以调用OpenCV中的Canny()函数实现边缘检测。
在一些实施例的一些可选的实现方式中,上述对上述滤波图像进行边缘检测,得到边缘特征信息,可以包括以下步骤:
第一步,确定上述滤波图像中每个像素点的梯度幅值,得到梯度幅值集合。
第二步,从上述梯度幅值集合中筛选出满足第一预设条件的梯度幅值作为边缘幅值,得到边缘幅值集合。其中,上述第一预设条件可以是梯度幅值大于预定阈值。在实际中,区域边缘的梯度幅值要大于其他区域的梯度幅值,通过筛选大于预定阈值的梯度幅值,可以初步确定目标区域的边缘。上述目标区域可以是船舶图像的区域。
第三步,将上述边缘幅值集合确定为边缘特征信息。其中,上述边缘特征信息对应上述滤波图像中的至少一个像素点。
作为示例,上述边缘特征信息可以是船舶区域的特征信息,即围成船舶区域的像素点的集合。
步骤206,基于边缘特征信息,对滤波图像进行膨胀处理,得到膨胀处理后的滤波图像。
在一些实施例中,上述执行主体可以基于上述边缘特征信息,对上述滤波图像进行膨胀处理,得到膨胀处理后的滤波图像。其中,上述膨胀处理可以是将像素值添加到图像中的对象感知边界,从而,扩大图像中的明亮白色区域。
作为示例,上述图像中的对象感知边界可以是船舶区域的边缘。上述执行主体可以调用OpenCV中的dilate()函数实现膨胀处理。
在一些实施例的一些可选的实现方式中,上述对上述滤波图像进行边缘检测,得到边缘特征信息,可以包括以下步骤:
第一步,将上述边缘特征信息对应的上述滤波图像中的至少一个像素点确定为边缘点集合。
第二步,对上述滤波图像中的各个像素点的像素值进行二进制转换,得到二进制数据集合。其中,上述二进制数据集合中的二进制数据是包括0或1的数据。
第三步,对上述滤波图像中的上述边缘点集合对应的二进制数据进行赋值,得到赋值滤波图像。其中,上述赋值滤波图像包括二进制数据赋值后的边缘点集合。
作为示例,边缘特征信息所确定的船舶区域明显度低于预定阈值,可以对船舶区域的边缘对应的像素点的值进行赋值,从而,可以使得船舶区域的边缘的明显度提高。
第四步,将包括联通点集合的赋值滤波图像确定为膨胀处理后的滤波图像。其中,上述联通点集合是上述赋值滤波图像中的二进制数据赋值后的边缘点集合。
步骤207,对膨胀处理后的滤波图像进行漫水填充处理,得到颜色填充后的滤波图像。
在一些实施例中,上述执行主体可以对上述膨胀处理后的滤波图像进行漫水填充处理,得到颜色填充后的滤波图像。其中,上述漫水填充处理可以是用特定的颜色填充联通区域,通过设置可联通区域对应的像素的上下限以及连通方式来达到不同的填充效果的处理。
作为示例,上述联通区域可以是红外图像中的船舶区域。上述执行主体可以调用OpenCV中的floodFill()函数实现颜色填充。
在一些实施例的一些可选的实现方式中,上述对上述滤波图像进行边缘检测,得到边缘特征信息,可以包括以下步骤:
第一步,将上述膨胀处理后的滤波图像中的上述联通点集合中满足第二预设条件的联通点进行连接以生成联通区域,得到联通滤波图像。其中,上述联通滤波图像可以是包括上述联通区域的滤波图像。上述连通区域可以是上述联通点集合中满足第二预设条件的联通点进行连接形成的区域。上述第二预设条件可以是联通点的像素值大于预定阈值。
第二步,对上述联通滤波图像包括的联通区域进行预定颜色填充,得到颜色填充后的滤波图像。
上述步骤206和步骤207作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“在对船舶图像进行初步检测后,得到的边缘特征的明显度较低,从而,导致在对图像做进一步处理后得到的信息准确度较低,进而,导致最终确定的船舶位置信息与实际的船舶位置信息的贴合度较低”。导致确定的船舶位置信息与实际的船舶位置信息的贴合度较低的原因往往如下:在对船舶图像进行初步检测后,得到的边缘特征的明显度较低,从而,导致在对图像做进一步处理后得到的信息准确度较低。如果解决了上述原因,就能达到提高确定的船舶位置信息与实际的船舶位置信息的贴合度的效果。为了达到这一效果,首先,可以对上述滤波图像中的各个像素点的像素值进行二进制转换,得到二进制数据集合。由此,可以便于后续的对像素的赋值处理。然后,可以对上述滤波图像中的上述边缘点集合对应的二进制数据进行赋值,得到赋值滤波图像。由此,可以使得船舶区域的边缘的像素值为1,从而,可以将船舶区域的边缘与检测图像中的其他区域进行区分。之后,可以将上述膨胀处理后的滤波图像中的上述联通点集合中满足第二预设条件的联通点进行连接以生成联通区域,得到联通滤波图像。由此,可以得到船舶区域的边缘围成的船舶区域。最后,对上述联通滤波图像包括的联通区域进行预定颜色填充,得到颜色填充后的滤波图像。由此,可以在对船舶图像进行初步检测得到明显度较低的边缘特征后,使得船舶区域更加明显,从而,提高了最终确定的船舶位置信息与实际的船舶位置信息的贴合度。
步骤208,对颜色填充后的滤波图像进行阈值分割,得到船舶区域图像。
在一些实施例中,上述执行主体可以对上述颜色填充后的滤波图像进行阈值分割,得到船舶区域图像。其中,上述阈值分割可以是基于区域的图像分割技术。上述阈值分割可以将图像中的像素点分为若干类,从而实现区域分割。
在一些实施例的一些可选的实现方式中,上述对上述颜色填充后的滤波图像进行阈值分割,得到船舶区域图像,可以包括以下步骤:
第一步,从上述颜色填充后的滤波图像中筛选出像素值大于第二预定阈值的像素点作为船舶像素点,得到船舶像素点集合。其中,在颜色填充后的滤波图像中,颜色填充区域与其他区域的像素值和饱和度不同,可以根据像素值和饱和度的不同,确定船舶区域对应的像素点。
第二步,将上述船舶像素点集合对应的图像区域确定为船舶区域图像。
步骤209,基于船舶区域图像,确定船舶位置信息。
在一些实施例中,上述执行主体可以基于上述船舶区域图像,确定船舶位置信息。
在一些实施例的一些可选的实现方式中,上述基于上述船舶区域图像,确定船舶位置信息,可以包括以下步骤:
第一步,提取上述船舶区域图像的轮廓信息,得到船舶轮廓信息。其中,上述船舶轮廓信息包括轮廓左上角坐标点、轮廓右上角坐标点、轮廓高度值和轮廓宽度值。上述轮廓左上角坐标点可以是长方形包围框的左上角的坐标点。上述轮廓右上角坐标点可以是长方形包围框的右上角的坐标点。轮廓高度值可以是长方形包围框的高度值。轮廓宽度值可以是长方形包围框的宽度值。长方形包围框可以是包围船舶图像的包围框。
作为示例,上述联通区域可以是红外图像中的船舶区域。上述执行主体可以调用OpenCV中的findContours()函数提取上述船舶区域图像的轮廓信息。
第二步,将上述船舶轮廓信息确定为船舶位置信息。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的红外图像中船舶的检测方法对船舶图像进行检测,提高了船舶检测结果的召回率。具体来说,造成船舶检测结果的召回率较低的原因在于:目标检测模型在图像分辨率较低或者图像尺寸较小时,难以检测到图像中的目标。基于此,本公开的一些实施例的红外图像中船舶的检测方法,首先,可以获取拍摄终端发送的红外图像。由此,可以为后续步骤提供数据基础。其次,可以将上述红外图像输入至预先训练的船舶检测模型,得到检测图像和目标像素值,并确定上述检测图像中是否包括感兴趣区域框,且目标像素值是否大于第一预定阈值。由此,可以确定检测图像中包括的船舶图像是否便于识别。然后,可以响应于上述检测图像中不包括感兴趣区域框,或目标像素值小于等于预定阈值,对上述检测图像进行滤波处理,得到滤波图像。由此,可以在确定检测图像中包括的船舶图像不易识别后,对图像进行滤波处理,从而,实现对图像的减噪,便于后续对船舶区域的识别。接着,可以对上述滤波图像进行边缘检测,得到边缘特征信息。由此,可以确定船舶区域的边缘。之后,可以基于上述边缘特征信息,对上述滤波图像进行膨胀处理,得到膨胀处理后的滤波图像,并对上述膨胀处理后的滤波图像进行漫水填充处理,得到颜色填充后的滤波图像。由此,可以使得测试图像中的船舶区域更加明显,有利于船舶区域的识别。而后,可以对上述颜色填充后的滤波图像进行阈值分割,得到船舶区域图像。由此,可以得到准确度较高的船舶区域。最后,基于上述船舶区域图像,确定船舶位置信息。由此,通过将目标检测模型和基于边缘的传统图像检测算法进行融合来进行图像中船舶的识别,在图像分辨率较低或者图像尺寸较小时,也可以检测到图像中的船舶,从而,提高了船舶检测结果的召回率。
进一步参考图3,作为对上述各图上述方法的实现,本公开提供了一种红外图像中船舶的检测装置的一些实施例,这些装置实施例与图2上述的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,一些实施例的红外图像中船舶的检测装置300包括:获取单元301、输入单元302、第一确定单元303、滤波处理单元304、边缘检测单元305、膨胀处理单元306、漫水填充处理单元307、阈值分割单元308和第二确定单元309。其中,获取单元301,被配置成获取拍摄终端发送的红外图像;输入单元302,被配置成将上述红外图像输入至预先训练的船舶检测模型,得到检测图像和目标像素值;第一确定单元303,被配置成确定上述检测图像中是否包括感兴趣区域框,且目标像素值是否大于第一预定阈值;滤波处理单元304,被配置成响应于上述检测图像中不包括感兴趣区域框,或目标像素值小于等于预定阈值,对上述检测图像进行滤波处理,得到滤波图像;边缘检测单元305,被配置成对上述滤波图像进行边缘检测,得到边缘特征信息;膨胀处理单元306,被配置成基于上述边缘特征信息,对上述滤波图像进行膨胀处理,得到膨胀处理后的滤波图像;漫水填充处理单元307,被配置成对上述膨胀处理后的滤波图像进行漫水填充处理,得到颜色填充后的滤波图像;阈值分割单元308,被配置成对上述颜色填充后的滤波图像进行阈值分割,得到船舶区域图像;第二确定单元309,被配置成基于上述船舶区域图像,确定船舶位置信息。
可以理解的是,该装置300中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置300及其中包含的单元,在此不再赘述。
下面参考图4,其示出了适于用来实现本公开的一些实施例的电子设备(例如,图1中的计算设备101)400的结构示意图。图4示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图4所示,电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM 402被安装。在该计算机程序被处理装置401执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载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(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,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。而在本公开的一些实施例中,计算机可读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程序代码。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,该计算机可读信号介质可以发送、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程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取拍摄终端发送的红外图像;将上述红外图像输入至预先训练的船舶检测模型,得到检测图像和目标像素值;确定上述检测图像中是否包括感兴趣区域框,且目标像素值是否大于第一预定阈值,响应于上述检测图像中不包括感兴趣区域框,或目标像素值小于等于预定阈值,对上述检测图像进行滤波处理,得到滤波图像;对上述滤波图像进行边缘检测,得到边缘特征信息;基于上述边缘特征信息,对上述滤波图像进行膨胀处理,得到膨胀处理后的滤波图像;对上述膨胀处理后的滤波图像进行漫水填充处理,得到颜色填充后的滤波图像;对上述颜色填充后的滤波图像进行阈值分割,得到船舶区域图像;基于上述船舶区域图像,确定船舶位置信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、输入单元、第一确定单元、滤波处理单元、边缘检测单元、膨胀处理单元、漫水填充处理单元、阈值分割单元和第二确定单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取拍摄终端发送的红外图像的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种红外图像中船舶的检测方法,包括:
获取拍摄终端发送的红外图像;
将所述红外图像输入至预先训练的船舶检测模型,得到检测图像和目标像素值;
确定所述检测图像中是否包括感兴趣区域框,且目标像素值是否大于第一预定阈值;
响应于所述检测图像中不包括感兴趣区域框,或目标像素值小于等于预定阈值,对所述检测图像进行滤波处理,得到滤波图像;
对所述滤波图像进行边缘检测,得到边缘特征信息;
基于所述边缘特征信息,对所述滤波图像进行膨胀处理,得到膨胀处理后的滤波图像;
对所述膨胀处理后的滤波图像进行漫水填充处理,得到颜色填充后的滤波图像;
对所述颜色填充后的滤波图像进行阈值分割,得到船舶区域图像;
基于所述船舶区域图像,确定船舶位置信息。
2.根据权利要求1所述的方法,其中,在所述响应于所述检测图像中不包括感兴趣区域框,或目标像素值小于等于预定阈值,对所述检测图像进行滤波处理,得到滤波图像之前,所述方法还包括:
响应于所述检测图像中包括感兴趣区域框,且目标像素值大于第一预定阈值,确定船舶位置信息。
3.根据权利要求2所述的方法,其中,所述对所述滤波图像进行边缘检测,得到边缘特征信息,包括:
确定所述滤波图像中每个像素点的梯度幅值,得到梯度幅值集合;
从所述梯度幅值集合中筛选出满足第一预设条件的梯度幅值作为边缘幅值,得到边缘幅值集合;
将所述边缘幅值集合确定为边缘特征信息,其中,所述边缘特征信息对应所述滤波图像中的至少一个像素点。
4.根据权利要求3所述的方法,其中,所述基于所述边缘特征信息,对所述滤波图像进行膨胀处理,得到膨胀处理后的滤波图像,包括:
将所述边缘特征信息对应的所述滤波图像中的至少一个像素点确定为边缘点集合;
对所述滤波图像中的各个像素点的像素值进行二进制转换,得到二进制数据集合;
对所述滤波图像中的所述边缘点集合对应的二进制数据进行赋值,得到赋值滤波图像,其中,所述赋值滤波图像包括二进制数据赋值后的边缘点集合;
将包括联通点集合的赋值滤波图像确定为膨胀处理后的滤波图像,其中,所述联通点集合是所述赋值滤波图像中的二进制数据赋值后的边缘点集合。
5.根据权利要求4所述的方法,其中,所述对所述膨胀处理后的滤波图像进行漫水填充处理,得到颜色填充后的滤波图像,包括:
将所述膨胀处理后的滤波图像中的所述联通点集合中满足第二预设条件的联通点进行连接以生成联通区域,得到联通滤波图像,其中,所述联通滤波图像是包括所述联通区域的滤波图像,所述连通区域是所述联通点集合中满足第二预设条件的联通点进行连接形成的区域;
对所述联通滤波图像包括的联通区域进行预定颜色填充,得到颜色填充后的滤波图像。
6.根据权利要求5所述的方法,其中,所述对所述颜色填充后的滤波图像进行阈值分割,得到船舶区域图像,包括:
从所述颜色填充后的滤波图像中筛选出像素值大于第二预定阈值的像素点作为船舶像素点,得到船舶像素点集合;
将所述船舶像素点集合对应的图像区域确定为船舶区域图像。
7.根据权利要求6所述的方法,其中,所述基于所述船舶区域图像,确定船舶位置信息,包括:
提取所述船舶区域图像的轮廓信息,得到船舶轮廓信息,其中,所述船舶轮廓信息包括轮廓左上角坐标点、轮廓右上角坐标点、轮廓高度值和轮廓宽度值;
将所述船舶轮廓信息确定为船舶位置信息。
8.一种红外图像中船舶的检测装置,包括:
获取单元,被配置成获取拍摄终端发送的红外图像;
输入单元,被配置成将所述红外图像输入至预先训练的船舶检测模型,得到检测图像和目标像素值;
第一确定单元,被配置成确定所述检测图像中是否包括感兴趣区域框,且目标像素值是否大于第一预定阈值;
滤波处理单元,被配置成响应于所述检测图像中不包括感兴趣区域框,或目标像素值小于等于预定阈值,对所述检测图像进行滤波处理,得到滤波图像;
边缘检测单元,被配置成对所述滤波图像进行边缘检测,得到边缘特征信息;
膨胀处理单元,被配置成基于所述边缘特征信息,对所述滤波图像进行膨胀处理,得到膨胀处理后的滤波图像;
漫水填充处理单元,被配置成对所述膨胀处理后的滤波图像进行漫水填充处理,得到颜色填充后的滤波图像;
阈值分割单元,被配置成对所述颜色填充后的滤波图像进行阈值分割,得到船舶区域图像;
第二确定单元,被配置成基于所述船舶区域图像,确定船舶位置信息。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110949228.5A CN113658196A (zh) | 2021-08-18 | 2021-08-18 | 红外图像中船舶的检测方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110949228.5A CN113658196A (zh) | 2021-08-18 | 2021-08-18 | 红外图像中船舶的检测方法、装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113658196A true CN113658196A (zh) | 2021-11-16 |
Family
ID=78481014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110949228.5A Pending CN113658196A (zh) | 2021-08-18 | 2021-08-18 | 红外图像中船舶的检测方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113658196A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114994671A (zh) * | 2022-05-31 | 2022-09-02 | 南京慧尔视智能科技有限公司 | 基于雷达图像的目标检测方法、装置、设备及介质 |
CN115082810A (zh) * | 2022-07-28 | 2022-09-20 | 中国科学院空天信息创新研究院 | 同步轨道卫星红外图像船舶检测方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030039402A1 (en) * | 2001-08-24 | 2003-02-27 | Robins David R. | Method and apparatus for detection and removal of scanned image scratches and dust |
WO2020113989A1 (en) * | 2018-12-03 | 2020-06-11 | Zhejiang Dahua Technology Co., Ltd. | Method and system for image processing |
CN112464933A (zh) * | 2020-11-30 | 2021-03-09 | 南京莱斯电子设备有限公司 | 一种地基凝视红外成像弱小目标智能识别方法 |
-
2021
- 2021-08-18 CN CN202110949228.5A patent/CN113658196A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030039402A1 (en) * | 2001-08-24 | 2003-02-27 | Robins David R. | Method and apparatus for detection and removal of scanned image scratches and dust |
WO2020113989A1 (en) * | 2018-12-03 | 2020-06-11 | Zhejiang Dahua Technology Co., Ltd. | Method and system for image processing |
CN112464933A (zh) * | 2020-11-30 | 2021-03-09 | 南京莱斯电子设备有限公司 | 一种地基凝视红外成像弱小目标智能识别方法 |
Non-Patent Citations (2)
Title |
---|
SHUAI TAO; MINEICHI KUDO; HIDETOSHI NONAKA; JUN TOYAMA: "Camera view usage of binary infrared sensors for activity recognition", 《PROCEEDINGS OF THE 21ST INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR2012)》, 31 December 2012 (2012-12-31) * |
徐大琦;倪国强;许廷发;: "中高分辨力遥感图像中飞机目标自动识别算法研究", 光学技术, no. 06, 20 November 2006 (2006-11-20) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114994671A (zh) * | 2022-05-31 | 2022-09-02 | 南京慧尔视智能科技有限公司 | 基于雷达图像的目标检测方法、装置、设备及介质 |
CN114994671B (zh) * | 2022-05-31 | 2023-11-28 | 南京慧尔视智能科技有限公司 | 基于雷达图像的目标检测方法、装置、设备及介质 |
CN115082810A (zh) * | 2022-07-28 | 2022-09-20 | 中国科学院空天信息创新研究院 | 同步轨道卫星红外图像船舶检测方法、装置、设备及介质 |
CN115082810B (zh) * | 2022-07-28 | 2022-11-08 | 中国科学院空天信息创新研究院 | 同步轨道卫星红外图像船舶检测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111369427B (zh) | 图像处理方法、装置、可读介质和电子设备 | |
CN112733820B (zh) | 障碍物信息生成方法、装置、电子设备和计算机可读介质 | |
CN107622504B (zh) | 用于处理图片的方法和装置 | |
CN110930296A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN110062157B (zh) | 渲染图像的方法、装置、电子设备和计算机可读存储介质 | |
CN110059623B (zh) | 用于生成信息的方法和装置 | |
CN110211195B (zh) | 生成图像集合的方法、装置、电子设备和计算机可读存储介质 | |
CN108053444B (zh) | 瞳孔定位方法及装置、设备和存储介质 | |
CN113658196A (zh) | 红外图像中船舶的检测方法、装置、电子设备和介质 | |
CN111783777B (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN114399814B (zh) | 一种基于深度学习的遮挡物移除和三维重建方法 | |
CN111757100A (zh) | 相机运动变化量的确定方法、装置、电子设备和介质 | |
CN115272182A (zh) | 车道线检测方法、装置、电子设备和计算机可读介质 | |
CN109615620B (zh) | 图像压缩度识别方法、装置、设备及计算机可读存储介质 | |
CN115731341A (zh) | 三维人头重建方法、装置、设备及介质 | |
CN112085733B (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN108256477B (zh) | 一种用于检测人脸的方法和装置 | |
CN114120423A (zh) | 人脸图像检测方法、装置、电子设备和计算机可读介质 | |
CN111784709B (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN115100536A (zh) | 建筑物识别方法、装置、电子设备和计算机可读介质 | |
CN110348374B (zh) | 车辆检测方法、装置、电子设备及存储介质 | |
CN111784710B (zh) | 图像处理方法、装置、电子设备和介质 | |
CN116993637B (zh) | 用于车道线检测的图像数据处理方法、装置、设备和介质 | |
CN111815656B (zh) | 视频处理方法、装置、电子设备和计算机可读介质 | |
CN115841151B (zh) | 模型训练方法、装置、电子设备和计算机可读介质 |
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 |