CN113705660A - 目标识别方法及相关设备 - Google Patents
目标识别方法及相关设备 Download PDFInfo
- Publication number
- CN113705660A CN113705660A CN202110981210.3A CN202110981210A CN113705660A CN 113705660 A CN113705660 A CN 113705660A CN 202110981210 A CN202110981210 A CN 202110981210A CN 113705660 A CN113705660 A CN 113705660A
- Authority
- CN
- China
- Prior art keywords
- target
- target image
- acquiring
- image
- gradient
- 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 56
- 238000012706 support-vector machine Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000004590 computer program Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000005764 inhibitory process Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 2
- 230000002829 reductive effect Effects 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 230000003313 weakening effect Effects 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种目标识别方法及相关设备。该方法包括:获取目标图像中各像素点的方向梯度;获取目标图像单元的方向梯度直方图,基于支持向量机和目标图块的方向梯度直方图获取所述目标对象。通过合理地设置目标对象的梯度可大大减少图像预处理的运算量,从而在无需提升处理器处理能力的前提下,提升目标识别的处理速度。
Description
技术领域
本说明书涉及图像处理领域,更具体地说,本发明涉及一种目标识别方法及相关设备。
背景技术
目标识别需要解决的问题是判断图像中是否包含某类目标,识别并定位出给定图像中的目标,通常的方法有特征学习、分类算法等,这些算法虽然精度较高,但是大规模的数据处理对处理器的性能提出了很大的要求,那么如何在无需高性能处理器的前提下快速准确地对目标进行识别成为了一个需要解决的问题。
因此,有必要提出一种目标识别方法,以至少部分地解决现有技术中存在的问题。
发明内容
在发明内容部分中引入了一系列简化形式的概念,这将在具体实施方式部分中进一步详细说明。本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征,更不意味着试图确定所要求保护的技术方案的保护范围。
为至少部分地解决上述问题,第一方面,本发明提出一种目标识别方法,上述方法包括:
获取目标图像中各像素点的方向梯度,其中,上述目标图像为包括目标对象的图像,上述方向梯度包括梯度方向和梯度大小;
获取目标图像单元的方向梯度直方图,其中,上述目标图像单元包括第一预设数量个像素;
基于支持向量机和目标图块的方向梯度直方图获取上述目标对象,其中,上述目标图块包含第二预设数量个上述目标图像单元。
可选的,上述方法还包括:
基于图像缩放算法获取上述目标图像。
可选的,上述基于图像缩放算法获取上述目标图像,包括:
基于双线性插值缩放算法获取目标图像。
可选的,上述获取目标图像中各像素点的方向梯度,包括:
获取目标图像各像素点的0度,26度,45度,64度,90度,116度,135度和153度共8个方向的方向梯度。
可选的,上述基于支持向量机和目标图块的方向梯度直方图获取上述目标对象,包括:
基于滑窗搜索获取目标图像块的方向梯度直方图;
基于上述目标图块的上述方向梯度直方图和上述支持向量机获取上述目标图块与上述目标对象的关联度;
基于多个上述目标图块与上述目标对象的关联度,获取上述目标对象。
可选的,上述基于多个上述目标图块与上述目标对象的关联度,获取上述目标对象,包括:
利用非极大值抑制法基于上述目标图块的目标关联度获取上述目标对象。
可选的,上述第二预设数量是由上述目标对象大小决定的。
第二方面,本发明还提出一种目标识别装置,包括:
获取单元,用于获取目标图像中各像素点的方向梯度,其中,所述目标图像为包括目标对象的图像,所述方向梯度包括梯度方向和梯度大小;
计算单元,用于获取目标图像单元的方向梯度直方图,其中,所述目标图像单元包括第一预设数量个像素;
识别单元,用于基于支持向量机和目标图块的方向梯度直方图获取所述目标对象,其中,所述目标图块包含第二预设数量个所述目标图像单元。
第三方面,一种电子设备,包括:储存器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序,上述处理器用于执行存储器中存储的计算机程序时实现如上述的第一方面任一项的目标识别方法的步骤。
第四方面,本发明还提出一种计算机可读存储介质,其上存储有计算机程序,上述计算机程序被处理器执行时实现第一方面上述任一项的目标识别方法。
综上,上述目标识别方法包括获取目标图像中各像素点的方向梯度,获取目标图像单元的方向梯度直方图,基于支持向量机和目标图块的方向梯度直方图获取所述目标对象,通过上述方法合理设置方向梯度的方向,并通过滑窗搜索的方法对目标图像采用支持向量机法对目标图块关联度进行分析,通过关联度获取目标对象。通过合理地设置目标对象的梯度可大大减少图像预处理的运算量,从而在无需提升处理器处理能力的前提下,提升目标识别的处理速度。
本发明的目标识别方法,本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本说明书的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本申请实施例提供的一种可能的目标识别流程示意图;
图2为本申请实施例提供的一种可能的梯度方向示意图;
图3为本申请实施例提供的一种可能的目标识别装置示意图;
图4为本申请实施例提供的一种可能电子设备示意图。
具体实施方式
本申请实施例提供了一种目标识别方法及相关设备,可以实现目标对象的快速识别。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。
请参阅图1,为本申请实施例提供的一种可能目标识别流程示意图,具体可以包括:S110-S130。
S110,获取目标图像中各像素点的方向梯度,其中,上述目标图像为包括目标对象的图像,上述方向梯度包括梯度方向和梯度大小;
具体的,对于输入的彩色图像首先进行灰度化处理,可以进一步降低运算量,基于灰度化处理后的图像计算方向梯度;
S120,获取目标图像单元的方向梯度直方图,其中,上述目标图像单元包括第一预设数量个像素;
具体的,将目标图像划分为若干个目标图像单元,目标图像均分为第一预设数量个目标图像单元,计算目标图像单元内每个像素的方向梯度,对目标图像单元内像素的梯度按预设的梯度方向进行统计,得到目标图像单元的方向梯度直方图。
S130,基于支持向量机和目标图块的方向梯度直方图获取上述目标对象,其中,上述目标图块包含第二预设数量个上述目标图像单元。
具体的,将第二预设数量个目标图像单元合并为一个目标图块,对目标图块梯度直方图做归一化处理,目的是减小光照和背景变化对梯度值产生影响,通过支持向量机的推断进行分类,综合分类结果可得到哪些块包含目标,将这些块进行合并即可得到目标图像,
综上,本方法通过灰度化计算,降低了运算量,设置合理大小的目标图像单元和目标图块,并将目标图块梯度直方图做归一化处理,以减小光照和背景对识别结果造成影响,通过支持向量机的分类及相关算法的运用可较快较好地识别出目标对象。
在一些示例中,上述方法还包括:
基于图像缩放算法获取上述目标图像,
具体的,图像的缩放,在于检测出图像中不同大小的目标。图像缩放算法有多种,有双线性插值,双三次插值,样条插值等,经算法的验证得出,采用不同的图像缩放算法,只要图像的清晰度足够,采用上述目标识别法都可以得到基本相同目标对象。
在一些示例中,上述基于图像缩放算法获取上述目标图像,包括:
基于双线性插值缩放算法获取目标图像。
具体的,为了使目标识别更为准确高效,本发明选用双线性插值缩放图像。双线性插值缩放算法,其实原理就是双线性插值。双线性插值,是从一次线性插值扩展开来的。将一维的一次线性插值,扩展为二维的,由两个一次线性插值组成的线性插值,即双线性插值。双线性内插值算法缩放后的图像质量较高,在缩小倍率比较高时,还算比较好保存了质量。并且双线性插值算法简单易实现,无插值考虑插值的计算顺序,双线性插值的计算公式如下:
其中I[x,y]表示插值点在(x,y)处的灰度值,xf和yf分别表示插值点(x,y)到像素点(xi,yi)的水平距离和垂直距离。
I[x,y]=I[xi,yi](1-xf)(1-yf)+I[xi+1,yi]xf(1-yf)+I[xi,yi+1](1-xf)yf+I[xi+1,yi+1]xfyf
通过双线性插值能够很好的保证图像的质量。
请参阅图2,图2为本申请实施例提供的一种可能的梯度方向示意图,在一些示例中,上述获取目标图像中各像素点的方向梯度,包括:
获取目标图像各像素点的0度,26度,45度,64度,90度,116度,135度和153度共8个方向的方向梯度。
具体的,本实施例提供了一种改进的梯度直方图算法,通过该算法计算图像中每个像素点的梯度方向和大小,主要是为了捕获轮廓信息,同时进一步弱化光照的干扰。精细梯度方向的计算如下面8个公式给出,包括了0度,26度,45度,64度,90度,116度,135度和153度共8个方向的梯度,如图2所示,其中黑色实心点为真实像素,白色空心点为虚拟像素,虚拟像素可以通过线性插值得到。8个方向的梯度计算如下述8个公式给出,其中26度,64度,116度和153度四个方向需要通过插值得到虚拟像素来进行计算。
G0(x,y)=P(x+1,y)-P(x-1,y)
G26(x,y)=0.5[P(x+1,y)+P(x+1,y)-P(x-1,y)-P(x-1,y+1)]
G45(x,y)=P(x+1,y-1)-P(x-1,y+1)
G64(x,y)=0.5[P(x-1,y+1)+P(x,y+1)-P(x,y-1)-P(x+1,y-1)]
G90(x,y)=P(x,y+1)-P(x,y-1)
G116(x,y)=0.5[P(x,y+1)+P(x+1,y+1)-P(x,y-1)-P(x-1,y-1)]
G135(x,y)=P(x+1,y+1)-P(x-1,y-1)
G153(x,y)=0.5[P(x+1,y+1)+P(x+1,y)-P(x-1,y-1)-P(x-1,y)]
得到像素点8个方向的梯度后,需要找到幅度最大的梯度方向,把幅度大小计入直方图的统计。现有的技术是计算0度和90度的梯度大小,然后使用反正切三角函数来计算出梯度的方向,在计算反正切三角函数计算时需要采用坐标旋转数字计算方法(CoordinateRotation Digital Computer,CORDIC)算法进行计算,此方法与本实施例相比精度较差,且实现起来复杂,延时较大。本实施例采用了上述8个方向的像素直接计算梯度大小,采用加法器就能实现上述运算,综上,本方案的处理速度快,处理精度高。
在一些示例中,上述基于支持向量机和目标图块的方向梯度直方图获取上述目标对象,包括:
基于滑窗搜索获取目标图像块的方向梯度直方图;
基于上述目标图块的上述方向梯度直方图和上述支持向量机获取上述目标图块与上述目标对象的关联度;
基于多个上述目标图块与上述目标对象的关联度,获取上述目标对象。
具体的,支持向量机(Support Vector Machine,SVM)是一种线性分类器,是机器学习中分类器性能最好的分类器之一,算法运用结构风险最小化原理达到最优的分类效果。SVM是针对线性可分情况进行分析,对于线性不可分的情况,则通过使用核变换的方法进行非线性的映射,将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分。
根据目标对象的大小合理地设置滑窗的大小与滑动的步长,过大会导致获取目标对象的位置不准确,过小会造成计算时间过长,造成运算资源的浪费。采用滑窗搜索,通过支持向量机对滑动框内图像进行识别,得到每个滑动框内图像与目标对象的关联度,目标对象在滑窗搜索时被多个滑动框包括,而且检测出来的框大小、位置都会有所重叠。因此需要对所有尺度上所有的检测目标进行目标的合并,以减少相同目标被多次检出结果。本实施例基于滑动框内图像和目标对象的关联度将上述的多个图像框进行合并,有效地将层叠的框合并显示,并且正确的显示目标的位置,能够较好地获取目标对象。
在一些示例中,上述基于多个上述目标图块与上述目标对象的关联度,获取上述目标对象,包括:
利用非极大值抑制法基于上述目标图块的目标关联度获取上述目标对象。
具体的,非极大值抑制法的基本原理是抑制不是极大值的元素,可以理解为局部最大搜索,在获取目标对象时,滑动窗口提取方向梯度直方图特征,经支持向量机分类器分类识别后,每个滑动窗口会得到一个与目标对象的关联度得分。但是滑动窗口会导致很多窗口与其他窗口存在包含或者大部分交叉的情况。这时利用非极大值抑制法来选取那些关联度得分最高的,并抑制哪些分数低的窗口,逐步迭代完成目标对象的识别。
在一些示例中,上述第二预设数量是由上述目标对象大小决定的。
具体的,假设需要处理的图片是一张人物风景照,当目标对象为人的全身图像时,此时第二预设数量应至少包括整个全身图像的大小,且数量越小识别越精确,当目标对象为人的面部是,此时第二预设数量至少包括面部图像的大小且数量越小识别越精确,两次识别目标大小不一样,第二预设数量也就不同,很容易理解的,当目标对象是面部时的第二预设数量要小于目标对象是全身时的第二预设数量。
请参阅图3,本申请实施例中目标识别装置的一个实施例,可以包括:
获取单元201,用于获取目标图像中各像素点的方向梯度,其中,所述目标图像为包括目标对象的图像,所述方向梯度包括梯度方向和梯度大小;
计算单元202,用于获取目标图像单元的方向梯度直方图,其中,所述目标图像单元包括第一预设数量个像素;
识别单元203,用于基于支持向量机和目标图块的方向梯度直方图获取所述目标对象,其中,所述目标图块包含第二预设数量个所述目标图像单元。
请参阅图4,图4为本申请实施例提供的电子设备的实施例示意图。
如图4所示,本申请实施例还提供一种电子设备300,包括存储器310、处理器320及存储在存储器320上并可在处理器上运行的计算机程序311,处理器320执行计算机程序311时实现上述目标识别的任一方法的步骤。
由于本实施例所介绍的电子设备为实施本申请实施例中一种目标识别装置所采用的设备,故而基于本申请实施例中所介绍的方法,本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式,所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍,只要本领域所属技术人员实施本申请实施例中的方法所采用的设备,都属于本申请所欲保护的范围。
在具体实施过程中,该计算机程序311被处理器执行时可以实现图1对应的实施例中任一实施方式。
需要说明的是,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细描述的部分,可以参见其它实施例的相关描述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述。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、嵌入式计算机或者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。
本申请实施例还提供了一种计算机程序产品,该计算机程序产品包括计算机软件指令,当计算机软件指令在处理设备上运行时,使得处理设备执行如图1对应实施例中的目标识别中的流程。
计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,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信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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,在本申请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。
集成的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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,以上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该,或者对其中部分技术特征进行等同替换;而这些修该或者替换,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。
Claims (10)
1.一种目标识别方法,其特征在于,包括:
获取目标图像中各像素点的方向梯度,其中,所述目标图像为包括目标对象的图像,所述方向梯度包括梯度方向和梯度大小;
获取目标图像单元的方向梯度直方图,其中,所述目标图像单元包括第一预设数量个像素;
基于支持向量机和目标图块的方向梯度直方图获取所述目标对象,其中,所述目标图块包含第二预设数量个所述目标图像单元。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
基于图像缩放算法获取所述目标图像。
3.如权利要求2所述的方法,其特征在于,所述基于图像缩放算法获取所述目标图像,包括:
基于双线性插值缩放算法获取目标图像。
4.如权利要求1所述的方法,其特征在于,所述获取目标图像中各像素点的方向梯度,包括:
获取目标图像各像素点的0度,26度,45度,64度,90度,116度,135度和153度共8个方向的方向梯度。
5.如权利要求1所述的方法,其特征在于,所述基于支持向量机和目标图块的方向梯度直方图获取所述目标对象,包括:
基于滑窗搜索获取目标图像块的方向梯度直方图;
基于所述目标图块的所述方向梯度直方图和所述支持向量机获取所述目标图块与所述目标对象的关联度;
基于多个所述目标图块与所述目标对象的关联度,获取所述目标对象。
6.如权利要求5所述的方法,其特征在于,所述基于多个所述目标图块与所述目标对象的关联度,获取所述目标对象,包括:
利用非极大值抑制法基于所述目标图块的目标关联度获取所述目标对象。
7.如权利要求1所述的方法,其特征在于,所述第二预设数量是由所述目标对象大小决定的。
8.一种目标检测装置,其特征在于,包括:
获取单元,用于获取目标图像中各像素点的方向梯度,其中,所述目标图像为包括目标对象的图像,所述方向梯度包括梯度方向和梯度大小;
计算单元,用于获取目标图像单元的方向梯度直方图,其中,所述目标图像单元包括第一预设数量个像素;
识别单元,用于基于支持向量机和目标图块的方向梯度直方图获取所述目标对象,其中,所述目标图块包含第二预设数量个所述目标图像单元。
9.一种电子设备,包括:储存器、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,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-7中任一项所述目标识别方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述目标识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110981210.3A CN113705660A (zh) | 2021-08-25 | 2021-08-25 | 目标识别方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110981210.3A CN113705660A (zh) | 2021-08-25 | 2021-08-25 | 目标识别方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113705660A true CN113705660A (zh) | 2021-11-26 |
Family
ID=78654642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110981210.3A Pending CN113705660A (zh) | 2021-08-25 | 2021-08-25 | 目标识别方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705660A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114462440A (zh) * | 2022-02-14 | 2022-05-10 | 浙江华睿科技股份有限公司 | 对象位置的确定方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104966102A (zh) * | 2015-06-23 | 2015-10-07 | 国家卫星气象中心 | 基于卫星图像的台风检测方法 |
CN106157308A (zh) * | 2016-06-30 | 2016-11-23 | 北京大学 | 矩形目标物检测方法 |
CN106570857A (zh) * | 2016-09-11 | 2017-04-19 | 西南交通大学 | 一种基于hog特征的高铁接触网斜拉线固定钩螺帽脱落不良状态的检测方法 |
CN108108753A (zh) * | 2017-12-15 | 2018-06-01 | 京北方信息技术股份有限公司 | 一种基于支持向量机的复选框选择状态的识别方法及装置 |
CN109685142A (zh) * | 2018-12-25 | 2019-04-26 | 国信优易数据有限公司 | 一种图像匹配方法及装置 |
-
2021
- 2021-08-25 CN CN202110981210.3A patent/CN113705660A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104966102A (zh) * | 2015-06-23 | 2015-10-07 | 国家卫星气象中心 | 基于卫星图像的台风检测方法 |
CN106157308A (zh) * | 2016-06-30 | 2016-11-23 | 北京大学 | 矩形目标物检测方法 |
CN106570857A (zh) * | 2016-09-11 | 2017-04-19 | 西南交通大学 | 一种基于hog特征的高铁接触网斜拉线固定钩螺帽脱落不良状态的检测方法 |
CN108108753A (zh) * | 2017-12-15 | 2018-06-01 | 京北方信息技术股份有限公司 | 一种基于支持向量机的复选框选择状态的识别方法及装置 |
CN109685142A (zh) * | 2018-12-25 | 2019-04-26 | 国信优易数据有限公司 | 一种图像匹配方法及装置 |
Non-Patent Citations (1)
Title |
---|
梁习卉子等: "基于HOG特征和SVM的棉花行数动态计数方法", 《农业工程学报》, vol. 36, no. 15, 31 August 2020 (2020-08-31), pages 173 - 181 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114462440A (zh) * | 2022-02-14 | 2022-05-10 | 浙江华睿科技股份有限公司 | 对象位置的确定方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018176938A1 (zh) | 红外光斑中心点提取方法、装置和电子设备 | |
CN108229324B (zh) | 手势追踪方法和装置、电子设备、计算机存储介质 | |
US8805077B2 (en) | Subject region detecting apparatus | |
JP4877374B2 (ja) | 画像処理装置及びプログラム | |
TW201629904A (zh) | 目標獲取方法及設備 | |
EP2704056A2 (en) | Image processing apparatus, image processing method | |
US20100034465A1 (en) | Method and apparatus for calculating pixel features of image data | |
WO2013086255A1 (en) | Motion aligned distance calculations for image comparisons | |
US8923610B2 (en) | Image processing apparatus, image processing method, and computer readable medium | |
CN104751093B (zh) | 用于获取宿主设备显示的图像识别码的方法和装置 | |
JP2011008704A (ja) | 画像処理装置、画像処理方法、およびプログラム | |
CN110852311A (zh) | 一种三维人手关键点定位方法及装置 | |
CN110807110B (zh) | 结合局部和全局特征的图片搜索方法、装置及电子设备 | |
JP6410450B2 (ja) | オブジェクト識別装置、オブジェクト識別方法及びプログラム | |
CN111199197B (zh) | 一种人脸识别的图像提取方法及处理设备 | |
JP2012083938A (ja) | 学習装置、学習方法、識別装置、識別方法、およびプログラム | |
WO2020232910A1 (zh) | 基于图像处理的目标物统计方法、装置、设备及存储介质 | |
US20170309024A1 (en) | Image processing device, image processing method, and computer-readable recording medium | |
Katramados et al. | Real-time visual saliency by division of gaussians | |
Cicconet et al. | Mirror symmetry histograms for capturing geometric properties in images | |
CN107527348B (zh) | 基于多尺度分割的显著性检测方法 | |
CN108960247B (zh) | 图像显著性检测方法、装置以及电子设备 | |
JP2013037539A (ja) | 画像特徴量抽出装置およびそのプログラム | |
CN113705660A (zh) | 目标识别方法及相关设备 | |
JP5201184B2 (ja) | 画像処理装置及びプログラム |
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 |