[發明專利]用于歸一化圖像的系統和方法

有效

• 申請號: 201780015949.0
• 申請日: 2017-01-09
• 公開（公告）號: CN108780508B
• 公開（公告）日: 2023-04-04
• 發明（設計）人: M·拉德;M·奧貝維吉爾;V·勒珀蒂
• 申請（專利權）人: 高通股份有限公司
• 主分類號: G06V10/60
• 分類號: G06V10/60;G06T5/20;G06T5/00;G06V10/82
• 代理公司: 永新專利商標代理有限公司 72002
• 代理人: 趙騰飛

1.一種用于通過電子裝置歸一化圖像的方法，所述方法包括：

獲得包括目標對象的圖像；

確定所述圖像的窗口的集合；

對于所述圖像的所述窗口的集合的每個窗口：

使用第一卷積神經網絡CNN預測適應于所述窗口的照度歸一化模型的參數，其中，預測所述參數包括預測分別應用于濾波器的集合以獲得卷積濾波器的權重的集合；以及

將所述照度歸一化模型應用到所述窗口以產生歸一化的窗口，包括：對所述卷積濾波器與所述窗口進行卷積。

2.根據權利要求1所述的方法，其進一步包括：對于所述圖像的所述窗口的集合的每個窗口，通過第二CNN分析所述歸一化的窗口以用于對所述歸一化的窗口進行評分。

3.根據權利要求2所述的方法，其中所述第一CNN和所述第二CNN是聯合地訓練的CNN。

4.根據權利要求2所述的方法，其進一步包括檢測具有最大分數的歸一化的窗口中的所述目標對象。

5.根據權利要求2所述的方法，其中所述第一CNN是歸一化器CNN并且所述第二CNN是檢測器CNN。

6.根據權利要求2所述的方法，其中所述第一CNN是訓練用于基于訓練圖像的集合預測所述照度歸一化模型的參數的，其中所述訓練圖像的集合的子集包括訓練目標對象，并且其中所述第二CNN是訓練用于基于所述訓練圖像的集合和所述照度歸一化模型檢測所述訓練目標對象的。

7.根據權利要求2所述的方法，其中所述第一CNN和所述第二CNN是基于最小化聯合損失函數訓練的。

8.根據權利要求1所述的方法，其中所述濾波器包括高斯濾波器。

9.根據權利要求1所述的方法，其進一步包括：

基于用于每個窗口的所述預測的參數確定預測的權重矩陣；以及

基于所述預測的權重矩陣歸一化所述圖像以產生歸一化的圖像。

10.根據權利要求1所述的方法，其中所述圖像是彩色圖像，并且其中所述方法進一步包括：

變換所述彩色圖像以產生亮度通道和彩色通道；

歸一化所述亮度通道以產生歸一化的亮度通道；以及

變換所述歸一化的亮度通道和所述彩色通道到原始彩色空間。

11.一種用于歸一化圖像的電子裝置，其包括：

處理器，其經配置以進行以下操作：

獲得包括目標對象的圖像；

確定所述圖像的窗口的集合；

對于所述圖像的所述窗口的集合的每個窗口：

使用第一卷積神經網絡CNN預測適應于所述窗口的照度歸一化模型的參數，其中，預測所述參數包括預測分別應用于濾波器的集合以獲得卷積濾波器的權重的集合；以及

將所述照度歸一化模型應用到所述窗口以產生歸一化的窗口，包括：對所述卷積濾波器與所述窗口進行卷積。

12.根據權利要求11所述的電子裝置，其中所述處理器經配置以對于所述圖像的所述窗口的集合的每個窗口通過第二CNN分析所述歸一化的窗口以對所述歸一化的窗口進行評分。

13.根據權利要求12所述的電子裝置，其中所述第一CNN和所述第二CNN是聯合地訓練的CNN。

14.根據權利要求12所述的電子裝置，其中所述處理器經配置以檢測具有最大分數的歸一化的窗口中的所述目標對象。

15.根據權利要求12所述的電子裝置，其中所述第一CNN是歸一化器CNN并且所述第二CNN是檢測器CNN。