[發明專利]一種圖像處理方法以及裝置

在審

• 申請號: 201711252580.3
• 申請日: 2017-12-01
• 公開（公告）號: CN108009554A
• 公開（公告）日: 2018-05-08
• 發明（設計）人: 孫源良;夏虎;段立新;樊雨茂
• 申請（專利權）人: 國信優易數據有限公司
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/32;G06K9/62
• 代理公司: 北京超凡志成知識產權代理事務所(普通合伙) 11371
• 代理人: 梁斌

本發明提供了一種圖像處理方法以及裝置，其中，該方法包括：接收輸入的待處理圖像；采用預設候選框確定方法對待處理圖像進行處理，確定可能包含待處理圖像中目標的候選框；確定待處理圖像中目標與確定的各候選框內目標之間的相似度；基于相似度達到預設相似度閾值的候選框，對待處理圖像進行分類處理。該方法通過確定待處理圖像中目標與確定的各候選框之內目標之間的相似度，來對候選框進行進一步的篩選，只有在待處理圖像中目標與確定的各候選框之間的相似度達到預設相似度閾值的候選框，才會將其基于深度學習算法進行分類，從而能夠減少輸入至CNN的篩選窗口數量，減小對篩選窗口進行特征提取以及訓練時所需的計算量，縮短圖像處理時間。

技術領域

本發明涉及圖像處理技術領域，具體而言，涉及一種圖像處理方法以及裝置。

背景技術

隨著計算機和人工智能技術的發展，探測機器人可以代替人進入危險環境或者無法到達的區域進行探測和工作，如軍事制導、民用、海洋勘探、礦井探測、反恐排爆等領域，探測人員不需要親臨現場，只需要遠程接收探測機器人發送的探測圖像或者探測數據就能夠實現探測目的。

為了實現對特定物的識別，探測機器人通常具有視覺識別和視頻跟蹤功能，該功能的基礎即為圖像識別。目前采用深度學習對圖像進行識別或者對圖像識別模型進行訓練的時候，所采用的方法一般包括三種，分別為區域卷積學習神經網絡(Regions withConvolutional Neural Network，R-CNN)、快速區域卷積學習神經網絡(Fast Regionswith Convolutional Neural Network，Fast R-CNN)以及Faster R-CNN。R-CNN中首先采用目標檢測算法從待識別圖像中提取2000個左右的篩選窗口，然后將每個篩選窗口中的圖像縮放成227×227的大小，并輸入至卷積神經學習網絡(Convolutional Neural Network，CNN)；Fast R-CNN與R-CNN類似，也是采用目標檢測算法從待識別圖像中提取2000個左右的篩選窗口；再將待識別圖像輸入至CNN中；而對于Faster R-CNN，首先將待識別圖像輸入至CNN進行特征提取，然后生成300個篩選窗口，然后把篩選窗口隱射到CNN的最后一層卷積層上。

以上不論哪種圖像處理方法，都會在將篩選窗口輸入至CNN之前，產生大量的篩選窗口，導致在對篩選窗口進行特征提取以及訓練時所需計算量大，需要耗費的時間長。

發明內容

有鑒于此，本發明實施例的目的在于提供一種圖像處理方法以及裝置，能夠減少輸入至CNN的篩選窗口數量，減小對篩選窗口進行特征提取以及訓練時所需的計算量，縮短圖像處理時間。

第一方面，本發明實施例提供了一種圖像處理方法，包括：

接收輸入的待處理圖像；

采用預設候選框確定方法對所述待處理圖像進行處理，確定可能包含所述待處理圖像中目標的候選框；

確定所述待處理圖像中目標與確定的各候選框內目標之間的相似度；

基于相似度達到預設相似度閾值的候選框，對所述待處理圖像進行分類處理。

結合第一方面，本發明實施例提供了第一方面的第一種可能的實施方式，其中：確定所述待處理圖像中目標與確定的各候選框內目標之間的相似度，具體包括：

采用預設特征提取方法對所述確定的候選框以及所述待處理圖像進行特征提取；

采用預設邊緣檢測算法確定所述待處理圖像中提取的第一目標特征，以及所述確定的各候選框中提取的第二目標特征；

確定所述第一目標特征分別與各第二目標特征之間的相似度。